MétaCan
Menu
Retour à la cohorte
Enregistrement W4284709306 · doi:10.3390/antibiotics11070907

Conifer Needle Phyllosphere as a Potential Passive Monitor of Bioaerosolised Antibiotic Resistance Genes

2022· article· en· W4284709306 sur OpenAlexaffabout
Paul B. L. George, Samantha Leclerc, Nathalie Turgeon, Marc Veillette, Caroline Duchaine

Notice bibliographique

RevueAntibiotics · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePharmaceutical and Antibiotic Environmental Impacts
Établissements canadiensInstitut universitaire de cardiologie et de pneumologie de QuébecUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésPhyllosphereIndoor bioaerosolBioaerosolResistomeAntibiotic resistanceResistance (ecology)BiologyVeterinary medicineEcologyToxicologyAntibioticsEnvironmental scienceMicrobiologyChemistryBacteriaMedicineIntegronAerosol

Résumé

récupéré en direct d'OpenAlex

Monitoring antibiotic resistance genes (ARGs) is vital to the One Health approach to tackling the antibiotic resistance crisis. It has been suggested that conifer needles can be used as passive bioaerosol samplers. Here, the use of conifer needles as biomonitors of ARGs in bioaerosols was assessed as a proof-of-concept. Needles were collected from trees surrounding pig farms, villages, and forest sites in Québec, Canada. Needles were homogenised and DNA was extracted. Results of qPCR analyses showed biomass estimates were consistent across samples. Number and quantity of ARGs was significantly lower in forest sites when compared to the farm and village, comprising a distinct resistome. Consistent with previous findings, the most common ARGs were tetracyclines and sulfonamides, which were found close to agricultural activities. Although results were limited, there is great potential for using the conifer phyllosphere as a passive bioaerosol sampler. This method represents an accessible way to promote ARG surveillance over long distances from point sources.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,247
Écart entre enseignants0,236 · 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'étudeExpérimental (laboratoire)
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

Citations5
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAntibioticsMême sujetPharmaceutical and Antibiotic Environmental ImpactsTravaux en français237 207