Characterization of the Airborne Microbiome in Different Indoor and Outdoor Locations of a University Building Using an Innovative Compositional Data Analysis Approach
Notice bibliographique
Résumé
In this work, we investigated the structure of the airborne bacterial community obtained by 16S rRNA gene sequencing performed on aerosol samples from different indoor and outdoor locations. The 48-h aerosol samples were collected in two laboratories, in the corridors, and on the roof of the Mathematics and Physics Department of the University of Salento (Italy). The investigation was carried out through the application of an innovative compositional data analysis approach, mainly based on a centered log-ratio transformation as a standardization procedure, the Aitchison distance for data ordination, and the principal component analysis via singular value decomposition for data clustering. This methodology allowed us to explore the main relationships among samples, identifying different results between indoor and outdoor samples both at the genus level and at the species level. Bacillus and Pseudomonas represented the most abundant genera identified in the analyzed samples. Out of the 21 identified bacterial species with the highest abundances in the collected aerosol samples, Acinetobacter lwoffii, Propionibacterium acnes, Diplorickettsia massiliensis, and Corynebacterium tuberculostearicum were the only four commonly classified as human opportunistic pathogens. Among the genera mostly associated with indoor environments, Hymenobacter and Arthrobacter could be noted as including many species that are unique in being radiation resistant.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».