Oral microbiome composition changes in mouse models of colitis
Notice bibliographique
Résumé
BACKGROUND AND AIM: Oral mucosal pathologies are frequent in inflammatory bowel disease (IBD). Since host-microbiome interactions are implicated in the pathogenesis of IBD, in this study the potential for changes affecting the oral microbiome was evaluated using two complementary mouse models of colitis: either chemically (dextran sulfate sodium) or with Citrobacter rodentium infection. METHODS: After sacrifice, the tongue, buccal mucosa, saliva, colon, and stool samples were collected for analyses. Denaturing gradient gel electrophoresis was performed to assess bacterial 16S rRNA gene profiles. Relative changes were determined using quantitative polymerase chain reaction analysis for the phyla Bacteroidetes, Firmicutes, Spirochetes, and Actinobacteria, classes Gammaproteobacteria and Betaproteobacteria, and the genera Bacillus and Lactobacillus. These groups represent over 99% of the oral microbiota of healthy C57BL/6 mice. RESULTS: Both models of colitis changed the oral microbiome, with the buccal microbiome being the most resistant to alterations in composition (maximum 1.8% change, vs tongue maximum 2.5% change, and saliva which demonstrated up to 7.2% total changes in microbiota composition). Changes in the oral microbiota were greater after dextran sulfate sodium challenge, compared with C. rodentium-induced colitis. Using cluster analysis, tongue and buccal mucosal microbiota composition changed ∼ 5%, saliva ∼ 35%, while stool changed ∼ 10%. CONCLUSION: These findings indicate that dysbiosis observed in murine models of colitis is associated with changes in the composition of bacteria present in the oral cavity and in saliva. Such changes in the oral microbiota could be relevant to the etiology and management of oral mucosal pathologies observed in IBD patients.
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) | 0,000 | 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 ».