Using cell yields and qPCR to estimate biotic contribution to 1,1,1-trichloroethane dechlorination at a field site treated with granular zero valent iron and guar gum
Notice bibliographique
Résumé
Abstract Chlorinated ethanes are environmental pollutants found frequently at many contaminated industrial sites. 1,1,1-Trichloroethane (1,1,1-TCA) can be dechlorinated and detoxified via abiotic transformation or biologically by the action of dechlorinating microorganisms such as Dehalobacter ( Dhb ). At a field site, it is challenging to distinguish abiotic vs biotic mechanisms as both processes share common transformation products. In this study, we evaluated using the Dhb 16S rRNA gene and specific reductive dehalogenase genes as biomarkers for 1,1,1-TCA and 1,1-dichloroethane (1,1-DCA) dechlorination. We analyzed samples from laboratory groundwater microcosms and from an industrial site where a mixture of granular zero valent iron (ZVI) and guar gum was injected for 1,1,1-TCA remediation. Abiotic and biotic transformation products were monitored and the changes in dechlorinating organisms were tracked using quantitative PCR (qPCR) with primers targeting the Dhb 16S rRNA gene and two functional genes cfrA and dcrA encoding enzymes that dechlorinate 1,1,1-TCA to 1,1-DCA and 1,1-DCA to chloroethane (CA), respectively. The abundance of the cfrA - and dcrA -like genes confirmed that the two dechlorination steps were carried out by two distinct Dhb populations at the site. Using cell yields established in laboratory microcosms along with measured abundances of the Dhb 16S rRNA gene in site samples, biotic and abiotic transformation of 1,1,1-TCA at the site was estimated. The biomarkers used in this study proved useful for tracking biodechlorination of 1,1,1-TCA and 1,1-DCA where both abiotic (e.g. with ZVI) and biotic processes co-occur.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».