Développement d'une méthode de quantification par PCR en temps-réel afin d'étudier la distribution de trois espèces de levures indigènes dans les fromages québécois
Bibliographic record
Abstract
Les fromages de spécialités supportent un écosystème complexe regroupant des bactéries, des levures et des moisissures. Bien que des ferments d’acidification et des cultures d’affinage soient ajoutés lors du procédé de fabrication, plusieurs autres microorganismes peuvent s’y développer. Ainsi, les levures indigènes, naturellement présentes dans l’environnement laitier, pourraient contribuer de façon directe et/ou indirecte au développement des propriétés sensorielles (saveur, odeur, texture) des fromages. Une étude précédente a permis de caractériser la microflore des fromages québécois. Trois espèces de levures indigènes (Cyberlindnera jadinii, Kazachstania servazzii et Pichia k udriavzevii) ont été détectées dans le lait cru et/ou dans les fromages de spécialité provenant de la province de Québec, mais leur prédominance et leur rôle n’avaient pas été déterminés. Le but de ce projet était d’évaluer la distribution de ces trois espèces de levures indigènes dans les fromages de spécialités du Québec. Pour ce faire, une méthode spécifique et sensible utilisant la PCR quantitative en temps-réel a été développée afin de pouvoir détecter et quantifier ces trois espèces de levures. Par la suite, la croûte et la pâte de fromages québécois ont été analysées afin d’obtenir plus d’indices quant à la localisation de ces espèces dans les fromages et leur importance dans l’affinage de ceux-ci. Ce projet a permis de mettre en évidence que C. jadini iet P. k udriavzevii sont des levures fréquemment retrouvées dans la majorité des fromages de spécialités du Québec. Il serait donc intéressant d’approfondir leur impact au niveau de la production de composés aromatiques et d’analyser si le développement de nouveaux ferments qui contiendraient ces espèces serait bénéfique.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.005 |
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".