Comparison of phage host range determination techniques for critical priority pathogens indicates spot testing with dilutions is the most resource consumptive: A meta-analysis
Notice bibliographique
Résumé
Antibiotic resistance represents a growing medical crisis and is predicted to cause over 10 million deaths globally per year by 2050. Among the most dangerous resistant bacteria are the critical priority pathogens denoted by the World Health Organization (WHO). Fortunately, phage therapy, a high potential treatment method that uses viruses to infect and lyse bacteria, can successfully clear antibiotic-resistant infections. However, it has not passed clinical trials due to the lack of a streamlined process for phage characterization, highlighting the need to compare phage host range determination (HRD) techniques to simplify this process. To address this, phage primary research papers with HRD data were collected from PubMed and Google Scholar. 56 suitable studies were grouped by critical priority pathogen and employed HRD technique. The quantity (mL) of agar, phage filtrate, and bacterial culture used was recorded. Means for each group were compared using a non-parametric ANOVA. For the E. coli O157:H7 research paper group, plaque testing used significantly less total material and agar than spot testing with dilutions (p = 0.047, p = 0.041), while spot testing without dilutions used significantly less phage filtrate than plaque testing (p = 0.035) and significantly less bacterial culture than spot testing with dilutions (p = 0.013), strongly suggesting that spot testing with dilutions should not be chosen over other methods when conducting HRD as it is the most resource-consumptive. Further investigation into other phage characterization metrics is warranted.
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 | 0,001 |
| 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 ».