MétaCan
Menu
Retour à la cohorte
Enregistrement W4232207802 · doi:10.12688/f1000research.12713.1

Laboratory growth of denitrifying water column microbial consortia from deep-sea shipwrecks in the northern Gulf of Mexico

2017· preprint· en· W4232207802 sur OpenAlexaff
Dhanya Haridas, Justin C. Biffinger, Thomas J. Boyd, Preston A. Fulmer, Leila J. Hamdan, Lisa A. Fitzgerald

Notice bibliographique

RevueF1000Research · 2017
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueMicrobial Community Ecology and Physiology
Établissements canadiensUniversité Laval
Organismes subventionnairesU.S. Naval Research LaboratoryOffice of Naval ResearchBureau of Ocean Energy Management
Mots-clésOpen peer reviewWater columnOceanographyDenitrifying bacteriaPlant biologyEnvironmental sciencePhysiologyBiologyGeologyBotanyChemistryDenitrification

Résumé

récupéré en direct d'OpenAlex

<ns4:p>Background: Shipwrecks serve as a rich source for novel microbial populations that have largely remained undiscovered. Low temperatures, lack of sunlight, and the availability of substrates derived from the shipwreck’s hull and cargo may provide an environment in which microbes can develop unique metabolic adaptations. </ns4:p> <ns4:p>Methods: To test our hypothesis that shipwrecks could influence the microbial population involved in denitrification when a consortium is grown in the laboratory, we collected samples proximate to two steel shipwrecks in the northern Gulf of Mexico. Then under laboratory conditions, we grew two independent denitrifying microbial consortia. Each consortium was grown by using the BART assay system and analyzed based on growth kinetics, ion chromatography and 16S amplicon sequencing.</ns4:p> <ns4:p>Results: Both denitrifying consortia were different from each other based on varied growth profiles, rates of nitrate utilization and 16S amplicon sequencing.</ns4:p> <ns4:p>Conclusions: Our observations conclude that the laboratory grown water column microbial consortia from deep-sea shipwrecks in the Gulf of Mexico are able to undergo aggressive denitrification.</ns4:p>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,159
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0030,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,293
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueF1000ResearchMême sujetMicrobial Community Ecology and PhysiologyTravaux en français237 207