Development of a dynamic continuous-discrete-continuous model describing the lag phase of individual bacterial cells
Notice bibliographique
Résumé
AIMS: A previous model for adaptation and growth of individual bacterial cells was not dynamic in the lag phase, and could not be used to perform simulations of growth under non-isothermal conditions. The aim of the present study was to advance this model by adding a continuous adaptation step, prior to the discrete step, to form a continuous-discrete-continuous (CDC) model. METHODS AND RESULTS: The revised model uses four parameters: N(0), initial population; N(max), maximum population; p0, mean initial individual cell physiological state; SD(p0), standard deviation of the distribution of individual physiological states. A truncated normal distribution was used to generate tables of distributions to allow fitting of the CDC model to viable count data for Listeria monocytogenes grown at 5 degrees C to 35 degrees C. The p0 values increased with increasing SD(p0) and were, on average, greater than the corresponding population physiological states (h0); p0 and h0 were equivalent for individual cells. CONCLUSION: The CDC model has improved the ability to simulate the behaviour of individual bacterial cells by using a physiological state parameter and a distribution function to handle inter-cell variability. The stages of development of this model indicate the importance of physiological state parameters over the population lag concept, and provide a potential approach for making growth models more mechanistic by incorporating actual physiological events. SIGNIFICANCE AND IMPACT OF THE STUDY: Individual cell behaviour is important in modelling bacterial growth in foods. The CDC model provides a means of improving existing growth models, and increases the value of mathematical modelling to the food industry.
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) | 0,001 | 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 | 0,001 | 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 ».