GCRSR Proficiency Test, 2021
Notice bibliographique
Résumé
The application of whole-genome sequence (WGS) technology in regulatory food microbiology provides an unprecedented opportunity to produce highly informative laboratory analyses supporting risk assessment and risk management actions. The quality of WGS datasets will have a significant impact on downstream bioinformatics processes, with one critical element being the possible presence of adventitious DNA sequences due to contamination during sample handling and sequencing operations. This dataset is part of a project aimed to address the need to assure WGS data quality by accounting for contamination events through determination of the impacts of sequencing data contamination events on downstream analyses, such as typing and marker discovery. The goal is to contribute to the development and implementation of harmonized quality protocols for the application of WGS technologies in the international regulatory food microbiology community. This record consists of three in silico datasets that will be used for proficiency tests. They are organized into mock Illumina MiSeq sequencing runs. The runs consist of the same 24 <em>Escherichia coli </em>samples. FASTQ files for these samples were created by simulating reads from MinION/PacBIO + Illumina MiSeq hybrid-assembly polished genomes or closed reference genomes downloaded from NCBI. Reads were simulated with ART. One run was created using the empirical Illumina MiSeq profile, while the other runs were simulated using custom read profiles generated from over-clustered runs. The reference strains represent a diverse cross-section of serotypes, shiga toxin subtype, antimicrobial resistance (AMR) profiles, plasmid profiles. Please read the "Protocol_GCRSR_Proficiency_Test_2021.pdf" file for instructions and further information.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,067 | 0,021 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».