Serotyping <i>Salmonella</i> Enteritidis and Typhimurium Using Whole Cell Matrix Assisted Laser Desorption Ionization – Time of Flight Mass Spectrometry (MALDI-TOF MS) through Multivariate Analysis and Artificial Intelligence
Notice bibliographique
Résumé
Abstract Salmonella is one of the most frequent food-borne zoonoses, while Salmonella Typhimurium and Enteritidis are the major serovars of concern in public health. 113 Salmonella strains including 38 S . Enteritidis (SE), 38 S . Typhimurium (ST) and 37 strains of 32 other Salmonella serovars (SG) were tested in quadruplicate by whole-cell MALDI-TOF MS. Ions were studied and aligned from the raw data of mzXML files using Mass-Up ( http://www.sing-group.org/mass-up ), resulting in 1,741 aligned peaks. Datasets of ions (presence/absence) selected using a home-developed criteria on their specificity and detectability were subjected to multivariate analyses and artificial intelligence tools. Principle Component Analysis based on 88 selected ions separated SE, ST and SG without overlap on the first three principle components. The network and forest based deep learning tools were more sophisticated than the decision tree-based models. Neural Network carried out consistently well in training model, but no advantage was gained over the other models in validation results. HP (high performance) Neural, Support Vector Machine, HP Forest and Gradient Boasting were able to identify SE, ST and SG up to 100% correctly in both training and validation when 88 selected ions were used in analysis. Among them, HP Neural seemed to perform slightly better and relatively stable. Selection of serovar specific ions helps develop serotyping by increasing signal to noise. MALDI-TOF MS used with appropriate data processing strategies and classification tools could be applied to quickly alert when Salmonella serotypes of concern are suspected among routinely processed samples.
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 | 0,000 |
| 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 | 0,000 | 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 ».