The Use of Filter-feeders to Manage Disease in a Changing World
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rapid environmental change is linked to increases in aquatic disease heightening the need to develop strategies to manage disease. Filter-feeding species are effective biofilters and can naturally mitigate disease risk to humans and wildlife. We review the role of filter-feeders, with an emphasis on bivalves, in altering disease outcomes via augmentation and reduction. Filtration can reduce transmission by removing pathogens from the water column via degradation and release of pathogens in pseudofeces. In other cases, filtration can increase pathogen transmission and disease risk. The effect of filtration on pathogen transmission depends on the selectivity of the filter-feeder, the degree of infectivity by the pathogen, the mechanism(s) of pathogen transmission and the ability of the pathogen to resist degradation. For example, some bacteria and viruses can resist degradation and accumulate within a filter-feeder leading to disease transmission to humans and other wildlife upon ingestion. Since bivalves can concentrate microorganisms, they are also useful as sentinels for the presence of pathogenic microorganisms. While somewhat less studied, other invertebrates, including ascidians and sponges may also provide ecosystem services by altering pathogen transmission. In all scenarios, climate change may affect the potential for filter-feeders to mitigate disease risk. We conclude that an assessment including empirical data and modeling of system-wide impacts should be conducted before selection of filter-feeders to mitigate disease. Such studies should consider physiology of the host and microbe and risk factors for negative impacts including augmentation of other pathogens.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découle