Rapid quantification of aflatoxin in food at the point of need: A monitoring tool for food systems dashboards
Notice bibliographique
Résumé
Aflatoxins (AFs) are naturally occurring mycotoxins known to cause a considerable threat to food safety and affect animal and health. Rapid and reliable analytical methods are crucial for preventing AF contamination in the global food supply chain. Many conventional AF detection methods involve complex sample preparation steps, lengthy analysis times, and multiple handling stages which lead to delays in obtaining results, in addition to being unaffordable in many settings with resource constraints. Herein, we demonstrate the proof of concept of a competitive immunochromatographic (IC) strip test for quantification of total AF using commercially available antibodies and a low-cost portable CubeTM analyzer. We conducted preliminary testing of our point-of-need (PON) AF detection method with corn samples and results indicated a good agreement when compared with gold standard HPLC method. Furthermore, a detection range of 5–50 ppb with detection time of 5 min, makes this technology suitable for rapid testing and meets the regulatory requirements for AF detection in food samples. We also demonstrate the real-time data sharing capabilities of the reader to a proof-of-concept centralized and cloud-based AF databank, that we developed to provide timely monitoring for different parts of food systems. It is critical for the test data to be easily accessible within a food systems dashboard to enable early warning, data-driven decision-making, rapid interventions, and improve overall coordination between various stakeholders within the food system.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».