DNA barcoding for the verification of supplier’s compliance in the seafood chain: How the lab can support companies in ensuring traceability
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
Food Business Operators (FBOs) rely on laboratory analysis to ensure seafood traceability. DNA barcoding and Forensically Informative Nucleotide Sequencing may represent a support within self-checking programs finalized to suppliers’ qualification and products identity certification. The present study aimed at verifying the usefulness of a decisional procedure (decision tree) set up at the FishLab (Department of Veterinary Sciences, University of Pisa, Italy) for seafood species identification by DNA analysis, to cope with FBOs’ needs. The decision tree was applied to the analysis of 182 seafood (fish and molluscs) products, conferred to the FishLab by different FBOs between 2014 and 2015 as result of their self-checking activities. The analysis relied on a standard COI gene fragment eventually integrated by the analysis of alternative or supportive molecular targets (cytb and 16S rRNA). It also included a mini-DNA barcoding approach for processed products. Overall, 96.2% of the samples were unambiguously identified at species level using the elective target alone (92.4%) or a multitarget approach (3.8%). The lack of species identification (3.8%) was attributable to the absence of reference sequences or to the low resolution of the molecular targets. Nonetheless, all the molecular results were deemed adequate to evaluate the sample’s compliance to the label information. Noncompliances were highlighted in 18.1% of the products. The protocol was proven as an effective supportive tool for the seafood identity verification within the supply chain self-checking activities. In addition, a considerable fraud rate was confirmed and the species most frequently involved in substitution were pointed out.
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 | 0,002 | 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 | 0,001 | 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 découle