Evaluation of metagenomic assembly methods for the detection and characterization of antimicrobial resistance determinants and associated mobilizable elements
Notice bibliographique
Résumé
Antimicrobial resistance genes (ARGs) can be transferred between members of a bacterial population by mobile genetic elements (MGE). Understanding the risk of these transfer events is important in monitoring and predicting antimicrobial resistance (AMR), especially in the context of a One Health Continuum. However, there is no universally accepted method for detection of ARGs and MGEs, and especially for determining their linkages. This study used publicly available shotgun metagenomic DNA short-read (Illumina, 100 bp paired-end) sequence data from samples across the One Health Continuum (including beef cattle composite feces from feedlots, catch basin water at feedlots, agricultural soil from feedlot manured surrounding fields, and urban/municipal sewage influent from two municipal wastewater treatment plants) to develop a workflow to identify and associate ARGs and MGEs. ARG- and MGE-based targeted-assemblies with available short-read data were unable to meet this analysis goal. In contrast, de novo assembly of contigs provided enough sequence context to associate ARGs and MGEs, without compromising discovery rate. However, to estimate the relative abundance of these elements, unassembled sequence data must still be used. • Targeted assembly methods are not suitable for associating taxonomy, ARGs, and MGEs using 100 bp Illumina short-reads. • MAGs did not provide sufficient coverage of ARG diversity, relative abundance, or prevalence to support surveillance. • MGEs are too repetitive for detection using short read sequence data, with long reads needed to establish gene context.
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 | 0,012 | 0,002 |
| 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) | 0,000 | 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 ».