Microbial community transfers across a pilot ripening cellar are increased by cheese wiping
Notice bibliographique
Résumé
Various biological agents (bacteria, molds, yeasts...) contribute by their metabolic activity to cheese’s ripening. Cheese care procedures during ripening, like wiping, may disperse microorganisms from cheese rinds. Chronic inhalation of potential allergenic particles in ripening cellars may cause, for operators, development of respiratory diseases as asthma. However, microorganisms’ emissions and transfers across ripening cellars during cares remained poorly documented. To evaluate microorganisms transfer consecutive to cheese wiping, we focused on microbial community from long-ripened cheeses (CH_LR) and its dispersion in air and on short-ripened cheeses (CH_SR). Twenty-four short-ripened cheeses, all wiped, were distributed into 3 experimental cellars (INRAE, Aurillac), two of which also received 6 long-ripened cheeses either wiped (cellar 2) or unwiped (cellar 3). Samples were taken over a period of 4 weeks in four environments: cheese rinds, cheese cloths, air and cellar walls. Levels of culturable microorganisms were assessed (n=92). Microbial community compositions were analyzed by metabarcoding (16S rRNA and ITS genes, respectively) (n=100 samples). Results showed an increase in airborne mold levels up to 7 log CFU.m -3 of air during cheese wiping, compared to 2-3 log CFU.m -3 without wiping activity. Microbial profiles analyses revealed dominant species on CH_LR such as Mucor , Penicillium and Glutamicibacter sp. In CH_LR, Glutamicibacter sp. (60%), Mucor sp and Penicillium sp (50% altogether), were transferred to air (respectively 60% for Glutamicibacter sp and 90% for both fungal species), cheese cloths and CH_SR. Wiping of CH_LR also contributed to the dispersion in air of less abundant genera of interest for cheese ripening like Chrysosporium (<10%).
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».