A Practical Workflow for the Identification of Aspergillus, Fusarium, Mucorales by MALDI-TOF MS: Database, Medium, and Incubation Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is an increasing body of literature on the utility of MALDI-TOF MS in the identification of filamentous fungi. However, the process still lacks standardization. In this study, we attempted to establish a practical workflow for the identification of three clinically important molds: Aspergillus, Fusarium, and Mucorales using MALDI-TOF MS. We evaluated the performance of Bruker Filamentous Fungi database v3.0 for the identification of these fungi, highlighting when there would be a benefit of using an additional database, the MSI-2 for further identification. We also examined two other variables, namely, medium effect and incubation time on the accuracy of fungal identification. The Bruker database achieved correct species level identification in 85.7% of Aspergillus and 90% of Mucorales, and correct species-complex level in 94.4% of Fusarium. Analysis of spectra using the MSI-2 database would also offer additional value for species identification of Aspergillus species, especially when suspecting species with known identification limits within the Bruker database. This issue would only be of importance in selected cases where species-level identification would impact therapeutic options. Id-Fungi plates (IDFP) had almost equivalent performance to Sabouraud dextrose agar (SDA) for species-level identification of isolates and enabled an easier harvest of the isolates with occasional faster identification. Our study showed accurate identification at 24 h for Fusarium and Mucorales species, but not for Aspergillus species, which generally required 48 h.
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.
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 | 0,003 | 0,004 |
| 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 | 0,000 | 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 découle