Pesäke-PCR-menetelmän optimointi : Gramnegatiiviset sauvabakteerit
Bibliographic record
Abstract
Opinnäytetyö tehtiin Helsingin yliopiston mikrobiologian osastolla kokeellisen evoluution tutkimusryhmässä. Opinnäytetyön tarkoituksena oli optimoida menetelmä, jossa PCR suoritetaan bakteeripesäkkeille ilman DNA-eristystä (pesäke-PCR). Optimointi suoritettiin selvittämällä soluliuoksen kolmessa lyysauspuskurissa keittämisen, sentrifugoinnin ja kahden polymeraasientsyymin vaikutus PCR:n tilastollisesti mallinnettuun onnistumistodennäköisyyteen.\n\nTutkimuksen näytemateriaalina oli kahdeksan bakteerikantaa Helsingin yliopiston HAMBI-kantakokoelmasta. Näytteet valittiin kiinnittämällä huomiota bakteerien kliiniseen merkitykseen. Kaikki tutkimukseen valitut kannat ovat gramnegatiivisia, opportunistisia sauvabakteereja.\n\nTutkimuksesta kävi ilmi, että PCR-tulokseen vaikutti voimakkaimmin näytteen esikäsittely: Positiivista PCR-tulosta ennusti parhaiten 20 mM NaOH:n käyttäminen lyysauspuskurina. Näytteen sentrifugoinnilla ei ollut tilastollisesti merkitsevää vaikutusta, mutta sentrifugointi johti suurempaan tuotemäärään. PCR-ohjelma, jossa oli käytössä DreamTaq-polymeraasientsyymi, tuotti Phusion-polymeraasientsyymiin verrattuna enemmän positiivisia PCR-tuloksia, mutta tuotti myös enemmän virheitä.
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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.015 | 0.011 |
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".