MétaCan
Menu
Retour à la cohorte
Enregistrement W2119387702 · doi:10.1177/104063870301500511

16S Ribosomal RNA Sequence—Based Identification of Veterinary Clinical Bacteria

2003· article· en· W2119387702 sur OpenAlexaff
Hugh Y. Cai, Marie Archambault, John F. Prescott

Notice bibliographique

RevueJournal of Veterinary Diagnostic Investigation · 2003
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBacterial Identification and Susceptibility Testing
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clés16S ribosomal RNABiologyRibosomal RNAGeneGeneticsDNA sequencingSequence analysisComputational biology

Résumé

récupéré en direct d'OpenAlex

This study evaluated 16S rRNA gene sequence analysis methods as tools for identification of 22 phenotypically difficult to identify veterinary clinical bacterial isolates in a veterinary diagnostic laboratory. The study compared 16S rRNA gene sequencing and conventional phenotypic identification methods. Using 16S rRNA full-gene sequencing, 95% (21/22) of the isolates were identified to the genus level and 86% (19/22) to the species level. The conventional or commercially available manual identification phenotypic characterization methods presumptively identified 91% (20/22) of the isolates to the genus level and 1 isolate to the species level. However, only 55% (12/22) or 4.5% (1/22) of the phenotypic identifications were correct at the genus or species level when they were compared with the 16S rRNA full-gene sequencing. This study also compared 16S rRNA full-gene and partial-gene sequencing. The results demonstrated that the best 16S rRNA gene-sequencing approach is full-gene sequencing because it gives the most precise species identification. Sequencing of the variable regions 1, 2, and 3 of the 16S rRNA gene could be used for tentative identification because the ability of this sequencing to identify bacteria to the genus level is similar to that of the 16S rRNA full-gene sequencing. This method identified only 14% (3/22) isolates differently to the species level compared with the 16S rRNA full gene sequence. Sequencing of the variable regions 7, 8, and 9 is not recommended because it gives more ambiguous identifications. The cost of a 16S RNA full-gene-sequencing analysis was Can 160 dollars and Can 60 dollars for a partial 16S rRNA gene sequence, i.e., sequencing of variable regions 1, 2, and 3 or variable regions 7, 8 and 9.

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)0,003
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,003
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,090
Tête enseignante GPT0,352
Écart entre enseignants0,262 · 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

Citations72
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Veterinary Diagnostic InvestigationMême sujetBacterial Identification and Susceptibility TestingTravaux en français237 207