PRJNA1088471 SARS-CoV-2 Wastewater Sequences Processed
Notice bibliographique
Résumé
The data come from NCBI BioProject PRJNA1088471, as originally analyzed in Overton et. al (2024). These data are short read sequences from wastewater in Toronto, Ontario. See Overton et. al (2024) for a detailed description of the genomic sequencing process. Data processing involved alignment of the short reads to the Wuhan-1 reference sequence (NC_045512) with `minimap2` v2.28, identifying the mutations relative to the reference, and recording the number of times a mutation was observed (counts) and the depth of coverage. The frequency is calculated as the counts divided by the coverage. The mutation pre-processing pipeline is available at \url{https://github.com/DASL-Lab/data-treatment-plant}, and heavily relies on the GromStole pipeline (\url{https://github.com/PoonLab/gromstole}). After being processed into counts and coverage, the data were filtered to only include mutations that are relevant to analysis. There were many mutations with either consistently low counts (possibly due to sequencing errors) or low coverage. We found all mutations that had both a frequency of at least 0.1 and a frequency below 0.9 (with a coverage at least 40) at at least two time points during the study in any location. This ensures that we have all of the mutations that were potentially part of a circulating lineage without relying on lineage definitions. Overton, Alyssa K., Jennifer J. Knapp, Opeyemi U. Lawal, et al. “Genomic Surveillance of a Canadian Airport Wastewater Samples Allows Early Detection of Emerging SARS-CoV-2 Lineages.” Preprint, April 9, 2024. https://doi.org/10.21203/rs.3.rs-4183960/v1.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,033 |
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 ».