Antibiotic resistance mechanism and diagnosis of common foodborne pathogens based on genotypic and phenotypic biomarkers
Notice bibliographique
Résumé
The emergence of antibiotic-resistant bacteria due to the overuse or inappropriate use of antibiotics has become a significant public health concern. The agri-food chain, which serves as a vital link between the environment, food, and human, contributes to the large-scale dissemination of antibiotic resistance, posing a concern to both food safety and human health. Identification and evaluation of antibiotic resistance of foodborne bacteria is a crucial priority to avoid antibiotic abuse and ensure food safety. However, the conventional approach for detecting antibiotic resistance heavily relies on culture-based methods, which are laborious and time-consuming. Therefore, there is an urgent need to develop accurate and rapid tools for diagnosing antibiotic resistance in foodborne pathogens. This review aims to provide an overview of the mechanisms of antibiotic resistance at both phenotypic and genetic levels, with a focus on identifying potential biomarkers for diagnosing antibiotic resistance in foodborne pathogens. Furthermore, an overview of advances in the strategies based on the potential biomarkers (antibiotic resistance genes, antibiotic resistance-associated mutations, antibiotic resistance phenotypes) for antibiotic resistance analysis of foodborne pathogens is systematically exhibited. This work aims to provide guidance for the advancement of efficient and accurate diagnostic techniques for antibiotic resistance analysis in the food industry.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».