Contribution of farms to the microbiota in the swine value chain
Notice bibliographique
Résumé
Introduction: A thorough understanding of the microbial ecology within the swine value chain is essential to develop new strategies to optimize the microbiological quality of pork products. To our knowledge, no study to date has followed the microbiota through the value chain from live farm animals to the cuts of meat obtained for market. The objective of this study is to evaluate how the microbiota of pigs and their environment influence the microbial composition of samples collected throughout the value chain, including the meat plant and meat cuts. Method and results: Results from 16S rDNA sequencing, short-chain fatty acid concentrations and metabolomic analysis of pig feces revealed that the microbiota from two farms with differing sanitary statuses were distinctive. The total aerobic mesophilic bacteria and Enterobacteriaceae counts from samples collected at the meat plant after the pre-operation cleaning and disinfection steps were at or around the detection limit and the pigs from the selected farms were the first to be slaughtered on each shipment days. The bacterial counts of individual samples collected at the meat plant did not vary significantly between the farms. Alpha diversity results indicate that as we move through the steps in the value chain, there is a clear reduction in the diversity of the microbiota. A beta diversity analysis revealed a more distinct microbiota at the farms compared to the meat plant which change and became more uniform as samples were taken towards the end of the value chain. The source tracker analysis showed that only 12.92% of the microbiota in shoulder samples originated from the farms and 81% of the bacteria detected on the dressed carcasses were of unknown origin. Discussion: Overall, the results suggest that with the current level of microbial control at farms, it is possible to obtain pork products with similar microbiological quality from different farms. However, broader studies are required to determine the impact of the sanitary status of the herd on the final products.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».