Application of high-throughput 16S rRNA sequencing to identify fecal contamination sources and to complement the detection of fecal indicator bacteria in rural groundwater
Notice bibliographique
Résumé
Residents in rural communities across Canada collect potable water from aquifers. Fecal contaminants from sewage and agricultural runoffs can penetrate aquifers, posing a public health risk. Standard methods for detecting fecal contamination test for fecal indicator bacteria (FIB), but the presence of these do not identify sources of contamination. In contrast, DNA-based diagnostic tools can achieve this important objective. We employed quantitative polymerase chain reaction (qPCR) and high-throughput DNA sequencing to trace fecal contamination sources in Wainfleet, a rural Ontario township that has been under the longest active boil water advisory in Canada due to FIB contamination in groundwater wells. Using traditional methods, we identified FIBs indicating persistent fecal pollution in well waters. We used 16S rRNA sequencing to profile groundwater microbial communities and identified Campylobacteraceae as a fecal contamination DNA marker in septic tank effluents (STEs). We also identified Turicibacter and Gallicola as a potential cow and chicken fecal contamination marker, respectively. Using human specific Bacteroidales markers, we identified leaking septic tanks as the likely primary fecal contamination source in some of Wainfleet's groundwater. Overall, the results support the use of sequencing-based methods to augment traditional water quality testing methods and help end-users assess fecal contamination levels and identify point and non-point pollution sources.
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 | 0,002 | 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».