Analyse de la distribution d'Escherichia coli, utilisée comme un marqueur microbiologique, dans un réseau de production porcin
Bibliographic record
Abstract
La présence d’Escherichia coli pathogènes en élevages porcins entraine des retards de croissance et la mortalité. La transmission des E. coli pathogènes entre les élevages et l'abattoir d’un même réseau de production n'est pas bien décrite. La détection des gènes de virulence des E. coli pathogènes pourrait permettre d’identifier un marqueur de contamination dans le réseau. L’objectif de cette étude a été d’identifier un marqueur de contamination E. coli dans un réseau de production porcine défini afin de décrire certains modes de transmission des E. coli pathogènes. Pour ce faire, une région géographique comprenant 10 fermes d’engraissement, un abattoir et un réseau de transport a été sélectionnée. Trois lots de production consécutifs par ferme ont été suivis pendant 12 mois. Des échantillons environnementaux ont été prélevés à l’intérieur et à l’extérieur des fermes (3 visites d’élevage), dans la cour de l’abattoir (2 visites lors de sorties de lot) et sur le camion de transport. La détection des gènes de virulence (eltB, estA, estB, faeG, stxA, stx2A, eae, cnf, papC, iucD, tsh, fedA) dans les échantillons a été réalisée par PCR multiplexe conventionnelle. La distribution temporelle et spatiale des gènes de virulence a permis d’identifier le marqueur de contamination ETEC/F4 défini par la détection d’au moins un gène d’entérotoxine ETEC (estB, estA et eltB) en combinaison avec le gène de l’adhésine fimbriaire (faeG). La distribution des échantillons positifs ETEC/F4 qualifie la cour de l’abattoir comme un réservoir de contamination fréquenté par les transporteurs, vecteurs de contamination entre les élevages. Ceci suggère le lien microbiologique entre l’élevage, les transporteurs et l’abattoir jouant chacun un rôle dans la dissémination des microorganismes pathogènes et potentiellement zoonotiques en production porcine.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".