Profiling of the bacteria responsible for pyogenic liver abscess by 16S rRNA gene pyrosequencing
Notice bibliographique
Résumé
Pyogenic liver abscess (PLA) is a severe disease with considerable mortality and is often polymicrobial. Understanding the pathogens that cause PLA is the basis for PLA treatment. Here, we profiled the bacterial composition in PLA fluid by pyrosequencing the 16S ribosomal RNA (rRNA) gene based on next-generation sequencing (NGS) technology to identify etiological agents of PLA and to provide information of their 16S rRNA sequences for application to DNA-based techniques in the hospital. Twenty patients with PLA who underwent percutaneous catheter drainage, abscess culture, and blood culture for isolates were included. Genomic DNAs from abscess fluids were subjected to polymerase chain reaction and pyrosequencing of the 16S rRNA gene with a 454 GS Junior System. The abscess and blood cultures were positive in nine (45%) and four (20%) patients, respectively. Pyrosequencing of 16S rRNA gene showed that 90% of the PLA fluid samples contained single or multiple genera of known bacteria such as Klebsiella, Fusobacterium, Streptococcus, Bacteroides, Prevotella, Peptostreptococcus, unassigned Enterobacteriaceae, and Dialister. Klebsiella was predominantly found in the PLA fluid samples. All samples that carried unassigned bacteria had 26.8% reads on average. We demonstrated that the occurrence of PLA was associated with eight known bacterial genera as well as unassigned bacteria and that 16S rRNA gene sequencing was more useful than conventional culture methods for accurate identification of bacterial pathogens from PLA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».