Development of a long-read next generation sequencing workflow for improved characterization of fastidious respiratory mycoplasmas
Notice bibliographique
Résumé
Mycoplasma cynos and Mycoplasma felis are often associated with canine and feline infectious respiratory disease in dogs and cats, respectively. Mycoplasmas have a reduced genome and dearth of many biosynthetic pathways, making them dependent on rich medium for growth. Due to this fastidious nature, mycoplasmas have been historically underdiagnosed. The aim of this study was to develop a cost-effective and accurate sequencing workflow for genotypic characterization of clinical isolates of M. cynos and M. felis using a rapid long-read sequencing platform. We explored the following critical aspects of bacterial whole genome sequencing, including: (i) five solid and liquid-based culture approaches based on a specialized media formulation for Mycoplasma culture, (ii) three DNA extraction methods modified for long-read sequencing purposes, and (iii) two de novo assembly platforms, Flye and Canu, as key components of a bioinformatics pipeline. DNA extraction method 1, a solid-phase and column-based kit with enzymatic lysis, provided the best DNA quality and concentration followed by high coverage and sequencing contiguity. This was obtained with a culture volume of 45 ml in modified Hayflick’s broth incubated for 48 h. DNA extracted directly from colonies on agar or from small broth volumes (6 ml) did not meet the criteria required for long-read sequencing. Overall, Flye generated more contiguous assemblies than the Canu assembler and was more time efficient. This 4–5 day sample-to-sequence workflow provides the scientific and clinical communities with a more comprehensive tool than laborious conventional methods for complete genomic characterization of M. cynos and M. felis clinical isolates.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».