Improving grapevine virus diagnostics: Comparative analysis of three dsRNA enrichment methods for high-throughput sequencing
Notice bibliographique
Résumé
The extraction of double stranded (ds) RNA is a common enrichment method for the study, characterization, and detection of RNA viruses. In addition to RNA viruses, viroids, and some DNA viruses, can also be detected from dsRNA enriched extracts which makes it an attractive method for detecting a wide range of viruses when coupled with HTS. Several dsRNA enrichment strategies have been developed. The oldest utilizes the selective binding properties of dsRNA to cellulose. More recent methods are based on the application of anti-dsRNA antibodies and viral proteins with a specific affinity for dsRNA. All three methods have been used together with HTS for plant virus detection and study. To our knowledge, this is the first comparative study of three alternative dsRNA enrichment methods for virus and viroid detection through HTS using virus-infected, and healthy grapevine test plants. Extracts were performed in triplicate using methods based on, the anti-dsRNA antibody mAb rJ2 (Millipore Sigma Canada Ltd, Oakville, ON, Canada), the B2 dsRNA binding protein, and ReliaPrep™ Resin (Promega Corporation, Madison, WI, USA). The results show that the workflows for all three methods are effectively comparable, apart from purification steps related to antibody and binding protein construct. Both the cellulose resin and dsRNA binding protein construct methods provide highly enriched dsRNA extracts suitable for HTS with the B2 method providing a 36× and the ReliaPrep™ Resin a 163× increase in dsRNA enrichment compared to the mAb rJ2 antibody. The overall consistency and cost effectiveness of the ReliaPrep™ cellulose resin-based method and the potentially simpler adaptation to robotics made it the method of choice for future transfer to a semi-automated workflow.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».