Conventional versus real‐time quantitative PCR for rare species detection
Notice bibliographique
Résumé
Abstract Detection of species in nature at very low abundance requires innovative methods. Conventional PCR (cPCR) and real‐time quantitative PCR (qPCR) are two widely used approaches employed in environmental DNA (eDNA) detection, though lack of a comprehensive comparison of them impedes method selection. Here we test detection capacity and false negative rate of both approaches using samples with different expected complexities. We compared cPCR and qPCR to detect invasive, biofouling golden mussels ( Limnoperna fortunei ), in samples from laboratory aquaria and irrigation channels where this mussel was known to occur in central China. Where applicable, the limit of detection (LoD), limit of quantification (LoQ), detection rate, and false negative rate of each PCR method were tested. Quantitative PCR achieved a lower LoD than cPCR (1 × 10 −7 vs. 10 −6 ng/μl) and had a higher detection rate for both laboratory (100% vs. 87.9%) and field (68.6% vs. 47.1%) samples. Field water samples could only be quantified at a higher concentration than laboratory aquaria and total genomic DNA, indicating inhibition with environmental samples. The false negative rate was inversely related to the number of sample replicates. Target eDNA concentration was negatively related to distance from sampling sites to the water (and animal) source. Detection capacity difference between cPCR and qPCR for genomic DNA and laboratory aquaria can be translated to field water samples, and the latter should be prioritized in rare species detection. Field environmental samples may involve more complexities—such as inhibitors—than laboratory aquaria samples, requiring more target DNA. Extensive sampling is critical in field applications using either approach to reduce false negatives.
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 | 0,001 |
| 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) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».