Detection of foodborne viruses in berries – State of science and future considerations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Enteric viruses are the leading cause of foodborne disease, with human norovirus (HuNoVs) the most prevalent, and hepatitis A virus (HAV) the more severe. Fresh and frozen berry fruits are a recognized vehicle for transmission, gaining increased international attention. The detection of these viruses is complicated because: (i) they cannot be cultivated routinely in vitro ; (ii) their concentrations in foods are frequently low; (iii) and sample matrices are complex. ISO- standardized methods, released in the last decade, are widely used, but there remain complexities in their applications, interpretations, and risk-based decision making based on results. This paper describes deliberations of an International Expert Panel asked to address the following: (i) methods most often used to detect viruses in fresh and frozen berries; (ii) role of sampling in test reliability; (iii) means by which testing results are interpreted; (iv) typical uses of testing by various stakeholder sectors; (v) role/use of confirmatory testing; (vi) how testing results are used by various stakeholder sectors; and (vii) the overall value of testing. Critical unanswered questions are discussed, such as the relationship between RT-qPCR positive results and infection risk (virus infectivity) and the role of testing in risk management. Perhaps the most comprehensive work of its kind, this paper highlights the unique challenges posed by emerging molecular-based detection methods applied to non-cultivable foodborne pathogens and sets a stage for the questions that beg answers as these methods become more widely and routinely used.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle