Synthetic spike-in metabarcoding for plant pathogen diagnostics results in precise quantification of copy number within the genus <i>Fusarium</i>
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
Abstract Synthetic spike-in metabarcoding (SSIM) assays generate quantitative next-generation sequencing (NGS) data, but are marred by inconsistency and have seen limited adoption. Previous efforts to develop SSIM assays have focused on the ITS and 16S rRNA genes. This study marks the first use of SSIM as a diagnostic assay to identify and quantify plant-pathogenic species within the genus Fusarium and implements it using the single-copy TEF1 gene, which has relatively uniform G + C content and length. We identified variability between species in read quality score as a key source of bias that impacts SSIM to a lesser extent than other quantitative NGS approaches. SSIM was validated against another quantitative NGS assay that utilized qPCR (qMET) to calculate the total gene copy number. The comparison showed that SSIM was both precise (R2 &gt; 0.93 for three Fusarium species) and proportional (slope ~1) in relation to qMET. Further, we applied SSIM to 24 wheat grain samples from Italy, revealing a diverse array of Fusarium species and associated mycotoxins, with SSIM demonstrating superior predictive accuracy for most toxin concentrations compared to qPCR. Our results underscore the utility of SSIM for pathogen-agnostic diagnostics, with important implications for food safety and management of mycotoxin contamination.
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 | 0,001 | 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 | 0,000 |
| 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 découle