Impacts of phenolic compounds on RT-qPCR detection of hepatitis A virus in berries
Notice bibliographique
Résumé
Berries are frequently implicated in outbreaks of foodborne illness due to viruses, particularly norovirus and hepatitis A virus. Compounds naturally present in berries can compromise the reliability of RT-qPCR methods, such as ISO 15216-1:2017, for detecting and quantifying viruses in foods. The aim of this study was to evaluate the inhibitory impact of seven phenolic compounds (ellagic acid, hydroxybenzoic acid, caffeic acid, coumaric acid, ferulic acid, quercetin, and cyanidine-3-glucoside) found naturally in raspberries as well as batch effects due to different concentrations of inhibitors (e.g., associated with ripeness) when using RT-qPCR to detect HAV in raspberries, blackberries, strawberries, blueberries, cranberries, and mixed berries. To assess the impact of dilution on RT-qPCR inhibition, samples were diluted at four levels (1/2, 1/5, 1/10, 1/100). Spiking the RT-qPCR reaction mixture with each phenolic compound at its natural concentration in raspberries showed that ellagic acid, hydroxybenzoic acid, caffeic acid and cyanidin-3-glucoside inhibited amplification, but only ellagic acid remained inhibitory in the ISO method. HAV recovery from frozen strawberries was undetectable (0 %) without additional treatment but reached 39 % with the OneStep PCR Inhibitor Removal Kit. For frozen blueberries, MobiSpin S-400 performed better, yielding about 52 % recovery compared to 23 % with OneStep. Sample dilution further enhanced HAV detection across most berry types.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 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 ».