Assessment of the impact of different fecal storage protocols on the microbiota diversity and composition: a pilot study
Notice bibliographique
Résumé
BACKGROUND: Fecal samples are currently the most commonly studied proxy for gut microbiota. The gold standard of sample handling and storage for microbiota analysis is maintaining the cold chain during sample transfer and immediate storage at - 80 °C. Gut microbiota studies in large-scale, population-based cohorts require a feasible sample collection protocol. We compared the effect of three different storage methods and mock shipment: immediate freezing at - 80 °C, in 95% ethanol stored at room temperature (RT) for 48 h, and on blood collection card stored at RT for 48 h, on the measured composition of fecal microbiota of eight healthy, female volunteers by sequencing the V4 region of the 16S rRNA gene on an Illumina MiSeq. RESULTS: Shared operational taxonomic units (OTUs) between different methods were 68 and 3% for OTUs > 0.01 and < 0.01% mean relative abundance within each group, respectively. α and β-diversity measures were not significantly impacted by different storage methods. With the exception of Actinobacteria, fecal microbiota profiles at the phylum level were not significantly affected by the storage method. Actinobacteria was significantly higher in samples collected on card compared to immediate freezing (1.6 ± 1.1% vs. 0.4 ± 0.2%, p = 0.005) mainly driven by expansion of Actinobacteria relative abundance in fecal samples stored on card in two individuals. There was no statistically significant difference at lower taxonomic levels tested. CONCLUSION: Consistent results of the microbiota composition and structure for different storage methods were observed. Fecal collection on card could be a suitable alternative to immediate freezing for fecal microbiota analysis using 16S rRNA gene amplicon sequencing.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».