Metagenomic Analysis of the Bioremediation of Diesel-Contaminated Canadian High Arctic Soils
Notice bibliographique
Résumé
As human activity in the Arctic increases, so does the risk of hydrocarbon pollution events. On site bioremediation of contaminated soil is the only feasible clean up solution in these remote areas, but degradation rates vary widely between bioremediation treatments. Most previous studies have focused on the feasibility of on site clean-up and very little attention has been given to the microbial and functional communities involved and their ecology. Here, we ask the question: which microorganisms and functional genes are abundant and active during hydrocarbon degradation at cold temperature? To answer this question, we sequenced the soil metagenome of an ongoing bioremediation project in Alert, Canada through a time course. We also used reverse-transcriptase real-time PCR (RT-qPCR) to quantify the expression of several hydrocarbon-degrading genes. Pseudomonas species appeared as the most abundant organisms in Alert soils right after contamination with diesel and excavation (t = 0) and one month after the start of the bioremediation treatment (t = 1m), when degradation rates were at their highest, but decreased after one year (t = 1y), when residual soil hydrocarbons were almost depleted. This trend was also reflected in hydrocarbon degrading genes, which were mainly affiliated with Gammaproteobacteria at t = 0 and t = 1m and with Alphaproteobacteria and Actinobacteria at t = 1y. RT-qPCR assays confirmed that Pseudomonas and Rhodococcus species actively expressed hydrocarbon degradation genes in Arctic biopile soils. Taken together, these results indicated that biopile treatment leads to major shifts in soil microbial communities, favoring aerobic bacteria that can degrade hydrocarbons.
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) | 0,006 | 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 ».