Évaluation du pouvoir discriminatif d’anticorps créés à partir de peptides synthétiques issus de gluten de blé, d’orge, de seigle et d’avoine
Notice bibliographique
Résumé
Les symptômes de la maladie cœliaque sont déclenchés par l'ingestion de céréales contenant du gluten comme le blé, l'orge, le seigle et, dans de rares cas, l'avoine. Afin d’éviter ceux-ci, les personnes touchées doivent adopter un régime sans gluten. Pour être déclaré sans-gluten, un aliment ne doit pas contenir plus de 20 mg/kg de gluten. Ainsi, ces denrées doivent être analysées afin de garantir leur innocuité. Actuellement, des tests immunochimiques basés sur la reconnaissance de séquences protéiques de gluten sont utilisés. Cependant, des problèmes de sur- et de sous-estimation de la teneur exacte en gluten surviennent en fonction de la source de gluten analysée, c’est-à-dire selon la céréale. En cas de surestimation, cela réduit l’offre alimentaire des personnes cœliaques, mais en cas de sous-estimation, de graves conséquences affectent cette population. De plus, la réglementation canadienne exige une déclaration de la source du gluten sur l'étiquetage des produits préemballés, ce qui ne peut être réalisé adéquatement avec les moyens actuels. Ce travail porte sur le développement de nouveaux anticorps visant à discriminer les sources de gluten en utilisant des peptides synthétiques comme stratégie d'immunisation. Pour ce faire, 14 peptides synthétiques sélectionnés de séquences protéiques de gluten ont chacun été bioconjugués à une protéine porteuse et l'immunisation de lapins a été réalisée. Les anticorps polyclonaux (pAbs) résultants distinguent avec succès le gluten de blé, d'orge et d'avoine. Les pAbs dirigés contre le seigle réagissent également avec le gluten de blé et de seigle. Les résultats obtenus démontrent que la discrimination des sources de gluten peut répondre à la législation canadienne, mais aussi complémenter les tests immunochimiques actuels en nivelant les problèmes de sur- et sous-estimation de la teneur en gluten et améliorer davantage la sécurité des aliments destinés aux patients cœliaques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».