Spatiotemporal maps reveal regional differences in the effects on gut motility for <i>Lactobacillus reuteri</i> and <i>rhamnosus</i> strains
Notice bibliographique
Résumé
BACKGROUND: Commensal bacteria such as probiotics that are neuroactive acutely affect the amplitudes of intestinal migrating motor complexes (MMCs). What is lacking for an improved understanding of these motility effects are region specific measurements of velocity and frequency. We have combined intraluminal pressure recordings with spatiotemporal diameter maps to analyze more completely effects of different strains of beneficial bacteria on motility. METHODS: Intraluminal peak pressure (PPr) was measured and video recordings made of mouse ex vivo jejunum and colon segments before and after intraluminal applications of Lactobacillus rhamnosus (JB-1) or Lactobacillus reuteri (DSM 17938). Migrating motor complex frequency and velocity were calculated. KEY RESULTS: JB-1 decreased jejunal frequencies by 56% and 34% in colon. Jejunal velocities increased 171%, but decreased 31% in colon. Jejunal PPr decreased by 55% and in colon by 21%. DSM 17938 increased jejunal frequencies 63% and in colon 75%; jejunal velocity decreased 57%, but increased in colon 146%; jejunal PPr was reduced 26% and 12% in colon. TRAM-34 decreased frequency by 71% and increased velocity 200% for jejunum, but increased frequency 46% and velocity 50% for colon; PPr was decreased 59% for jejunum and 39% for colon. CONCLUSIONS & INFERENCES: The results show that probiotics and other beneficial bacteria have strain and region-specific actions on gut motility that can be successfully discriminated using spatiotemporal mapping of diameter changes. Effects are not necessarily the same in colon and jejunum. Further research is needed on the detailed effects of the strains on enteric neuron currents for each gut region.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».