Droplet Digital <scp>PCR</scp> Provides Highly Sensitive and Accurate Opsin Gene <scp>SNP</scp> Detection From Wild Primate Fecal Samples
Notice bibliographique
Résumé
ABSTRACT Evaluating field‐sourced samples with poor‐quality and low‐quantity DNA, like animal feces, presents significant challenges in the field of molecular biology. Nonetheless, recent innovations in PCR technology are promoted as effective tools to overcome many of these issues. Here, we evaluate the efficiency of droplet digital PCR (ddPCR) as a method for color vision assessment from feces of white‐faced capuchins ( Cebus imitator ) and report frequencies of alleles and genotypes in a wild population. The sex‐linked color vision polymorphism of monkeys in the Americas is driven by single nucleotide polymorphisms (SNPs) in opsin genes at up to three tuning sites. DNA was extracted from fecal samples collected from 211 wild capuchins (53.1% males) in Sector Santa Rosa, Costa Rica: 56 were evaluated with ddPCR, 24 with both ddPCR and Sanger sequencing, and 141 with Sanger sequencing (historical dataset). The same opsins and genotypes were derived for each monkey using Sanger and ddPCR; however, the latter method was far more sensitive and required far fewer samples to reach a definitive genotype. Overall, the most frequent phenotypes were red and green/red. The distribution of genotypes was: Females ( N = 99): green/red (35.4%), red/red (33.3%), green/yellow (14.1%), yellow/red (12.1%), yellow/yellow (4.0%), and green/green (1.0%); Males ( N = 112): red (60.7%), yellow (23.2%), and green (16.1%). Overall, ddPCR was a reliable method for evaluating color vision noninvasively in wild capuchins with the advantage of excellent sensitivity and high‐throughput. ddPCR is highly robust to PCR inhibitors and can be potentially used to identify other disease‐related SNP mutations noninvasively in wild animals.
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 | 0,000 |
| 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 ».