Insights into kinetic and regression models developed to estimate the abundance of antibiotic-resistant genes during biological digestion of wastewater sludge
Notice bibliographique
Résumé
Wastewater treatment plants are hubs of antibiotic-resistant genes (ARGs). During wastewater treatment, ARGs accumulate in wastewater sludge and some survive biological digestion. After land application of digested sludge, ARGs are transported to soil, water, and air, and may encounter humans and animals. ARGs are typically quantified by quantitative polymerase chain reaction (qPCR) on isolated DNA. Nevertheless, DNA isolation and qPCR are time-consuming, expensive, and prone to contamination. Therefore, there is a need to estimate ARGs quantities via methods that can be readily employed. Such estimation would help to protect public health via modifying biological digestion to maximize the removal of ARGs. Two approaches that make such estimation are kinetic and regression modeling. The kinetic models have been mainly of the first order. This review examines the application of the kinetic models to estimate the abundance of ARGs during biological sludge digestion. It also discusses how biological sludge digesters can be designed using kinetic models. The literature provides single and multiple regression models, from which an ARGs -Solids -Nutrients nexus, a focal point of this review, is inferred. This review demonstrates that regression models are mathematical expressions of that nexus. Also, existing challenges are highlighted and suggestions for future are provided.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».