TARGETED RESEQUENCING OF WETLAND SEDIMENT AS A TOOL FOR AVIAN INFLUENZA VIRUS SURVEILLANCE
Notice bibliographique
Résumé
Surveillance methods for avian influenza virus (AIV) based upon collecting and testing samples from individual wild birds have several significant limitations primarily related to the difficulties associated with obtaining samples. Because AIVs are shed in waterfowl feces, the use of environmental substrates where waterfowl feces accumulate may overcome some of these limitations. However, these substrates are difficult to analyze using traditional diagnostic techniques, such as virus culture and PCR, because of virus inactivation, RNA degradation, low concentration of target RNA, microbial complexity, presence of inhibitory substances, and other factors. We investigated the use of a genomics-based approach called targeted resequencing to detect and characterize AIVs in wetland sediments during the 2014-15 North American highly pathogenic avian influenza outbreak. We identified AIV in 20.6% (71/345) sediment samples obtained from wetlands (n15) and outdoor waterbodies on AIV-infected poultry farms (n10) in British Columbia, Canada (the first area affected during the outbreak). Thirteen hemagglutinin (HA) and nine neuraminidase (NA) subtypes were detected, including H5, N1, and N8 sequences that clustered with other sequences associated with the North American outbreak. Additionally, as many as eight HA and eight NA subtypes could be detected in a single sediment sample. This proof-of-concept study shows the potential utility of sediment sampling coupled with genomics-based analysis as a tool for AIV surveillance.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 ».