Guidelines for the reliable use of high throughput sequencing technologies to detect plant pathogens and pests
Notice bibliographique
Résumé
High-throughput sequencing (HTS) technologies have the potential to become one of the most significant advances in molecular diagnostics. Their use by researchers to detect and characterize plant pathogens and pests has been growing steadily for more than a decade and they are now envisioned as a routine diagnostic test to be deployed by plant pest diagnostics laboratories. Nevertheless, HTS technologies and downstream bioinformatics analysis of the generated datasets represent a complex process including many steps whose reliability must be ensured. The aim of the present guidelines is to provide recommendations for researchers and diagnosticians aiming to reliably use HTS technologies to detect plant pathogens and pests. These guidelines are generic and do not depend on the sequencing technology or platform. They cover all the adoption processes of HTS technologies from test selection to test validation as well as their routine implementation. A special emphasis is given to key elements to be considered: undertaking a risk analysis, designing sample panels for validation, using proper controls, evaluating performance criteria, confirming and interpreting results. These guidelines cover any HTS test used for the detection and identification of any plant pest (viroid, virus, bacteria, phytoplasma, fungi and fungus-like protists, nematodes, arthropods, plants) from any type of matrix. Overall, their adoption by diagnosticians and researchers should greatly improve the reliability of pathogens and pest diagnostics and foster the use of HTS technologies in plant health.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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) | 0,000 | 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 ».