From the basics to emerging diagnostic technologies: What is on the horizon for tilapia disease diagnostics?
Notice bibliographique
Résumé
Abstract Tilapia is an affordable protein source farmed in over 140 countries with the majority of production in low‐ and middle‐income countries. Intensification of tilapia farming has exacerbated losses caused by emerging and re‐emerging infectious diseases. Disease diagnostics play a crucial role in biosecurity and health management to mitigate disease loss and improve animal welfare in aquaculture. Three continuous levels of diagnostics (I, II and III) for aquatic species have been proposed by Food and Agriculture Organization of the United Nations (FAO) and the Network of Aquaculture Centers in Asia and the Pacific (NACA) to promote the integration of basic and advanced methods to achieve accurate and meaningful interpretation of diagnostic results. However, the recent proliferation of cutting‐edge molecular methods applied in the diagnosis of diseases of aquacultured animals has shifted the focus of researchers and users away from basic approaches and toward molecular diagnostics, despite the fact that many diseases can be rapidly diagnosed using inexpensive, simple microscopic examination and that most emerging diseases in aquaculture were discovered by histopathology. This review, therefore, revisits and highlights the importance of the three levels of diagnostics for diseases of tilapia, particularly the frequently overlooked basic procedures (e.g., case history records, gross pathology, presumptive diagnostic methods and histopathology). The review also covers current and emerging molecular diagnostic technologies for tilapia pathogens including polymerase chain reaction methods (conventional, quantitative, digital), isothermal amplification methods Loop‐mediated Isothermal Amplification (LAMP), recombinase polymerase amplification (RPA), clustered regularly interspaced short palindromic repeats (CRISPR)‐based detection, lateral flow immunoassays, as well as discussing what is on the horizon for tilapia disease diagnostics (next generation sequencing, artificial intelligence, environmental Deoxyribonucleic Acid (DNA) and Ribonucleic Acid (RNA) and point‐of‐care testing) providing a future vision for transferring these technologies to farmers and stakeholders for a sustainable aquatic food system transformation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».