Screening marker sensitivity: Optimizing eDNA‐based rare species detection
Notice bibliographique
Résumé
Abstract Aim Environmental DNA (eDNA)‐based techniques are useful tools in disciplines such as conservation biogeography at local to global scales since they provide promising methods to locate organisms at low abundance. Here, we raise a largely overlooked issue that the marker (primer pairs and/or probes) sensitivity of eDNA‐based detection should be optimized and reported to improve detection performance and result interpretation. Location Global. Methods We analysed 250 articles published between 2008 and 2019 that sought to detect animals from environmental water samples using species‐specific markers to identify effort required. Results Most (66.0%) studies used newly designed markers, and real‐time quantitative PCR dominated the studies (72.4% of articles). The use of quantitative PCR increased significantly over time (p = .016), while conventional PCR decreased significantly (p = .005). In 82.4% of studies using newly designed markers, researchers did not screen their chosen markers for sensitivity, and 46.7% of these studies did not report the limit of detection (LoD). Limited knowledge of sensitivity screening and LoD was also found among aquatic species on the list of the world's worst alien invasive species, and many studies used published markers without such knowledge, potentially propagating errors. Main conclusions The rapidly growing use of eDNA‐based detection of low‐abundance species requires well‐designed protocols to improve sensitivity. Knowledge of the limits of eDNA technology is imperative, particularly when applied to conservation biogeography studies for detecting non‐indigenous or endangered species. Our results highlight the currently inadequate sensitivity screening of genetic markers used in most studies, contrasting the transition to highly sensitive PCR methods. Along with ongoing calls for standardization in the eDNA methods, we add that newly designed markers be screened to determine and optimize sensitivity before use to reduce the uncertainty of detection and benefit future applications within or beyond areas of their development.
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 | 0,049 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».