Comparison of DNA-, PMA-, and RNA-based 16S rRNA Illumina sequencing for detection of live bacteria in water
Notice bibliographique
Résumé
The limitation of 16S rRNA gene sequencing (DNA-based) for microbial community analyses in water is the inability to differentiate live (dormant cells as well as growing or non-growing metabolically active cells) and dead cells, which can lead to false positive results in the absence of live microbes. Propidium-monoazide (PMA) has been used to selectively remove DNA from dead cells during downstream sequencing process. In comparison, 16S rRNA sequencing (RNA-based) can target live microbial cells in water as both dormant and metabolically active cells produce rRNA. The objective of this study was to compare the efficiency and sensitivity of DNA-based, PMA-based and RNA-based 16S rRNA Illumina sequencing methodologies for live bacteria detection in water samples experimentally spiked with different combination of bacteria (2 gram-negative and 2 gram-positive/acid fast species either all live, all dead, or combinations of live and dead species) or obtained from different sources (First Nation community drinking water; city of Winnipeg tap water; water from Red River, Manitoba, Canada). The RNA-based method, while was superior for detection of live bacterial cells still identified a number of 16S rRNA targets in samples spiked with dead cells. In environmental water samples, the DNA- and PMA-based approaches perhaps overestimated the richness of microbial community compared to RNA-based method. Our results suggest that the RNA-based sequencing was superior to DNA- and PMA-based methods in detecting live bacterial cells in water.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».