MétaCan
Menu
Retour à la cohorte
Enregistrement W2095002551 · doi:10.1371/journal.pone.0110351

A Comparison between Droplet Digital and Quantitative PCR in the Analysis of Bacterial 16S Load in Lung Tissue Samples from Control and COPD GOLD 2

2014· article· en· W2095002551 sur OpenAlexaff
Marc A. Sze, Meysam Abbasi, James C. Hogg, Don D. Sin

Notice bibliographique

RevuePLoS ONE · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDelphi Technique in Research
Établissements canadiensBio-Rad (Canada)University of British ColumbiaSt. Paul's Hospital
Organismes subventionnairesnon disponible
Mots-clésCOPDDigital polymerase chain reactionChemistryMicrobiologyDigital image analysisBiologyMedicinePolymerase chain reactionBiochemistryComputer scienceInternal medicineGene

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Low biomass in the bacterial lung tissue microbiome utilizes quantitative PCR (qPCR) 16S bacterial assays at their limit of detection. New technology like droplet digital PCR (ddPCR) could allow for higher sensitivity and accuracy of quantification. These attributes are needed if specific bacteria within the bacterial lung tissue microbiome are to be evaluated as potential contributors to diseases such as chronic obstructive pulmonary disease (COPD). We hypothesize that ddPCR is better at quantifying the total bacterial load in lung tissue versus qPCR. METHODS: Control (n = 16) and COPD GOLD 2 (n = 16) tissue samples were obtained from patients who underwent lung resection surgery, were cut on a cryotome, and sections were assigned for use in quantitative histology or for DNA extraction. qPCR and ddPCR were performed on these samples using primers spanning the V2 region on the 16S rRNA gene along with negative controls. Total 16S counts were compared between the two methods. Both methods were assessed for correlations with quantitative histology measurements of the tissue. RESULTS: There was no difference in the average total 16S counts (P>0.05) between the two methods. However, the negative controls contained significantly lower counts in the ddPCR (0.55 ± 0.28 16S/uL) than in the qPCR assay (1.00 ± 0.70 16S copies) (P <0.05). The coefficient of variation was significantly lower for the ddPCR assay (0.18 ± 0.14) versus the qPCR assay (0.62 ± 0.29) (P<0.05). CONCLUSION: Overall the ddPCR 16S assay performed better by reducing the background noise in 16S of the negative controls compared with 16S qPCR assay.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,154
Tête enseignante GPT0,409
Écart entre enseignants0,254 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations86
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetDelphi Technique in ResearchTravaux en français237 207