Detecting total immunoglobulins in diverse animal species with a novel split enzymatic assay
Notice bibliographique
Résumé
BACKGROUND: Total immunolobulin G concentration is a useful, albeit underutilized, diagnostic parameter for health assessments of non-domestic animal species, due to a lack of functional diagnostic tools. Traditional assays, including enzyme-linked immunosorbent assay or radial immunodiffusion, require development of specific reagents (e.g., polyclonal antisera and appropriate protocols) for each animal species, precluding wide and easy adoption in wildlife welfare. As an alternative, bacterial virulence factors able to bind IgGs in antigen-independent manner can be used. To further simplify the diagnostic procedure and increase the number of species recognized by an assay, in this study a recently developed Split Trehalase immunoglobulin assay (STIGA) with bIBPs as a sensing elements was used to detect antibodies in 29 species from 9 orders. Three bacterial immunoglobulin binding proteins (protein G, protein A and protein L) were incorporated into STIGA reagents to increase the number of species recognized. RESULTS: IgG concentrations were detected through glucose production and produced signals were categorized in 4 categories, from not active to strong signal. Activation was detected in almost all tested animal species, apart from birds. Incorporation of Protein G, Protein A and Protein L allowed detection of IgGs in 62, 15.5 and 6.9% of species with a strong signal, respectively. Assays combining 2 bacterial immunoglobulin binding proteins as sensing element generally gave poorer performance than assays with the same bacterial immunoglobulin binding proteins fused to both trehalase fragments. CONCLUSIONS: STIGA assays have potential to be further developed into an easily adoptable diagnostic test for total amount of IgGs in almost any serum sample, independent of species.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».