Rapid Concentration and Molecular Enrichment Approach for Sensitive Detection of Escherichia coli and Shigella Species in Potable Water Samples
Notice bibliographique
Résumé
In this work, we used a rapid, simple, and efficient concentration-and-recovery procedure combined with a DNA enrichment method (dubbed CRENAME [concentration and recovery of microbial particles, extraction of nucleic acids, and molecular enrichment]), that we coupled to an Escherichia coli/Shigella-specific real-time PCR (rtPCR) assay targeting the tuf gene, to sensitively detect E. coli/Shigella in water. This integrated method was compared to U.S. Environmental Protection Agency (EPA) culture-based Method 1604 on MI agar in terms of analytical specificity, ubiquity, detection limit, and rapidity. None of the 179 non-E. coli/Shigella strains tested was detected by both methods, with the exception of Escherichia fergusonii, which was detected by the CRENAME procedure combined with the E. coli/Shigella-specific rtPCR assay (CRENAME + E. coli rtPCR). DNA from all 90 E. coli/Shigella strains tested was amplified by the CRENAME + E. coli rtPCR, whereas the MI agar method had limited ubiquity and detected only 65 (72.2%) of the 90 strains tested. In less than 5 h, the CRENAME + E. coli rtPCR method detected 1.8 E. coli/Shigella CFU whereas the MI agar method detected 1.2 CFU/100 ml of water in 24 h (95% confidence). Consequently, the CRENAME method provides an easy and efficient approach to detect as little as one Gram-negative E. coli/Shigella cell present in a 100-ml potable water sample. Coupled with an E. coli/Shigella-specific rtPCR assay, the entire molecular procedure is comparable to U.S. EPA Method 1604 on MI agar in terms of analytical specificity and detection limit but provides significant advantages in terms of speed and ubiquity.
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 | 0,000 | 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 ».