Development of a Procedure for Discriminating among <i>Escherichia coli</i> Isolates from Animal and Human Sources
Notice bibliographique
Résumé
Counts of Escherichia coli cells in water indicate the potential presence of pathogenic microbes of intestinal origin but give no indication of the sources of the microbial pollution. The objective of this research was to evaluate methods for differentiating E. coli isolates of livestock, wildlife, or human origin that might be used to predict the sources of fecal pollution of water. A collection of 319 E. coli isolates from the feces of cattle, poultry, swine, deer, goose, and moose, as well as from human sewage, and clinical samples was used to evaluate three methods. One method was the multiple-antibiotic-resistance (MAR) profile using 14 antibiotics. Discriminant analysis revealed that 46% of the livestock isolates, 95% of the wildlife isolates, and 55% of the human isolates were assigned to the correct source groups by the MAR method. Amplified fragment length polymorphism (AFLP) analysis, the second test, was applied to 105 of the E. coli isolates. The AFLP results showed that 94% of the livestock isolates, 97% of the wildlife isolates, and 97% of the human isolates were correctly classified. The third method was analysis of the sequences of the 16S rRNA genes of the E. coli isolates. Discriminant analysis of 105 E. coli isolates indicated that 78% of the livestock isolates, 74% of the wildlife isolates, and 80% of the human isolates could be correctly classified into their host groups by this method. The results indicate that AFLP analysis was the most effective of the three methods that were evaluated.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».