Author response: Rapid geographical source attribution of Salmonella enterica serovar Enteritidis genomes using hierarchical machine learning
0Citations signalées — pas une note de qualité
6Institutions déclarées
2Pays d’affiliation déclarés
Résumé fourni par la source
Application of hierarchical machine learning to the geographical source attribution of Salmonella enteritidis indicates high utility for the rapid translation of raw pathogen genome sequencing data into accurate and actionable information for disease management in public health.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Author response: Rapid geographical source attribution of Salmonella enterica serovar Enteritidis genomes using hierarchical machine learning
- Date Crossref
- 24/03/2023
- Éditeur
- eLife Sciences Publications, Ltd
- Type
- peer-review
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
University of BristolCambridge University Hospitals NHS Foundation TrustAddenbrooke's HospitalUniversity of BathUK Health Security AgencyUtrecht University
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Sujets associés
Salmonella and Campylobacter epidemiologyMolecular Biology Techniques and Applications