Twenty‐three years of PCR‐based seafood authentication assay development: What have we learned?
Notice bibliographique
Résumé
Seafood is a prime target for fraudulent activities due to the complexity of its supply chain, high demand, and difficult discrimination among species once morphological characteristics are removed. Instances of seafood fraud are expected to increase due to growing demand. This manuscript reviews the application of DNA-based methods for commercial fish authentication and identification from 2000 to 2023. It explores (1) the most common types of commercial fish used in assay development, (2) the type of method used, (3) the gene region most often targeted, (4) provides a case study of currently published assays or primer-probe pairs used for DNA amplification, for specificity, and (5) makes recommendations for ensuring standardized assay-based reporting for future studies. A total of 313 original assays for the detection and authentication of commercial fish species from 191 primary articles published over the last 23 years were examined. The most explored DNA-based method was real-time polymerase chain reaction (qPCR), followed by DNA sequencing. The most targeted gene regions were cytb (cytochrome b) and COI (cytochrome c oxidase 1). Tuna was the most targeted commercial fish species. A case study of published tuna assays (n = 19) targeting the cytb region found that most assays were not species-specific through in silico testing. This was conducted by examining the primer mismatch for each assay using multiple sequence alignment. Therefore, there is need for more standardized DNA-based assay reporting in the literature to ensure specificity, reproducibility, and reliability of results. Factors, such as cost, sensitivity, quality of the DNA, and species, should be considered when designing assays.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».