Current PCR-based methods for the detection of mycotoxigenic fungi in complex food and feed matrices
Notice bibliographique
Résumé
Mycotoxins are toxic secondary fungal metabolites produced by certain types of filamentous fungi, such asAspergillus, Fusarium, andPenicillium spp. Mycotoxigenic fungi and their produced mycotoxins are considered to be an important issue in food and feed safety due to their toxic effects like carcinogenicity, immunosuppression, neurotoxicity, nephrotoxicity, and hepatotoxicity on humans and animals. To boost the safety level of food and feedstuff, detection and identification of toxins are essential at critical control points across food and feed chains. Zero-tolerance policies by the European Union and other organizations about the extreme low level of tolerance of mycotoxins contamination in food and feed matrices have led to an increasing interest to design more sensitive, specific, rapid, cost-effective, and safer to use mycotoxigenic fungi detection technologies. Hence, many mycotoxigenic fungi detection technologies have been applied to measure and control toxins contamination in food and feed substrates. PCR-based mycotoxigenic fungi detection technologies, such as conventional PCR, real-time PCR, nested PCR, reverse transcriptase (RT)-PCR, loop-mediated isothermal amplification (LAMP),in situ PCR, polymerase chain reaction-denaturing gradient gel electrophoresis (PCR DGGE), co-operational PCR, multiplex PCR, DNA arrays, magnetic capture-hybridization (MCH)-PCR and restriction fragment length polymorphism (RFLP), would contribute to our understanding about different mycotoxigenic fungi detection approaches and will enhance our capability about mycotoxigenic fungi identification, isolation and characterization at critical control points across food and feed chains. We have assessed the principles, results, the limit of detection, and application of these PCR-based detection technologies to alleviate mycotoxins contamination problem in complex food and feed substrates. The potential application of these detection technologies can reduce mycotoxins in complex food and feed matrices.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».