Technical Brief 19: Archeological Collections and the Public: UsingResources for the Public Benefit
Notice bibliographique
Résumé
Biofilm-related infections account for at least 65% of all human infections, but there are no available antimicrobials that specifically target biofilms. Their elimination by available treatments is inefficient since biofilm cells are between 10- and 1,000-fold more resistant to conventional antibiotics than planktonic cells. Here we describe the synergistic interactions, with different classes of antibiotics, of a recently characterized antibiofilm peptide, 1018, to potently prevent and eradicate bacterial biofilms formed by multidrug-resistant ESKAPE (Enterococcus faecium, Staphylococcus aureus, Klebsiella pneumoniae, Acinetobacter baumannii, Pseudomonas aeruginosa, and Enterobacter species) pathogens. Combinations of peptide 1018 and the antibiotic ceftazidime, ciprofloxacin, imipenem, or tobramycin were synergistic in 50% of assessments and decreased by 2- to 64-fold the concentration of antibiotic required to treat biofilms formed by Pseudomonas aeruginosa, Escherichia coli, Acinetobacter baumannii, Klebsiella pneumoniae, Salmonella enterica, and methicillin-resistant Staphylococcus aureus. Furthermore, in flow cell biofilm studies, combinations of low, subinhibitory levels of the peptide (0.8 μg/ml) and ciprofloxacin (40 ng/ml) decreased dispersal and triggered cell death in mature P. aeruginosa biofilms. In addition, short-term treatments with the peptide in combination with ciprofloxacin prevented biofilm formation and reduced P. aeruginosa PA14 preexisting biofilms. PCR studies indicated that the peptide suppressed the expression of various antibiotic targets in biofilm cells. Thus, treatment with the peptide represents a novel strategy to potentiate antibiotic activity against biofilms formed by multidrug-resistant pathogens.
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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 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 ».