MétaCan
Menu
Retour à la cohorte
Enregistrement W4313028256 · doi:10.1109/oceans47191.2022.9977218

A Miniaturized and Automated eDNA Sampler: Application to a Marine Environment

2022· article· en· W4313028256 sur OpenAlexafffundabout
Andre Hendricks, Connor Mackie, Edward Luy, Colin Sonnichsen, Lee A. Miller, Mark Wright, Iain Grundke, James T. Smith, Joshua Creelman, Mahtab Tavasoli, Arnold Furlong, Robert G. Beiko, Julie LaRoche, Vincent J. Sieben

Notice bibliographique

RevueOCEANS 2022, Hampton Roads · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental DNA in Biodiversity Studies
Établissements canadiensDalhousie University
Organismes subventionnairesCanada First Research Excellence FundMitacsNational Research Council
Mots-clésEnvironmental DNASample (material)Protocol (science)Aquatic environmentBiodiversityComputer scienceEnvironmental scienceSampling (signal processing)Filter (signal processing)EcologyBiology

Résumé

récupéré en direct d'OpenAlex

Environmental DNA (eDNA) analysis offers a time-and cost-efficient method to perform temporal and spatial observations of aquatic environments, providing a wealth of biodiversity data. Unfortunately, most protocols require manual collection of eDNA samples using highly skilled individuals to capture, filter and store the samples before they can be sent to a lab for analysis. Automated samplers exist to reduce this front-end collection burden, but they tend to be bulky and costly. Here we describe an eDNA sampler designed to be user-friendly and to automate the entire sample collection process. We describe and characterize our eDNA sampler, which offers multi-sample capture, preservation, and self cleaning to reduce cross contamination. DNA sequencing was performed on samples collected using the eDNA sampler as well as a traditional niskin bottle-based protocol at six stations in Bedford Basin, Nova Scotia, Canada. The two approaches showed similar algal and bacterial taxonomic compositions, demonstrating the ability of the eDNA sampler to generate results comparable to those obtained through gold-standard protocols.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,257
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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,005
Tête enseignante GPT0,194
Écart entre enseignants0,189 · 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'étudeObservationnel
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

Citations9
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueOCEANS 2022, Hampton RoadsMême sujetEnvironmental DNA in Biodiversity StudiesTravaux en français237 207