D-Ribose Interferes with Quorum Sensing to Inhibit Biofilm Formation of Lactobacillus paraplantarum L-ZS9
Notice bibliographique
Résumé
Biofilms help bacteria survive under adverse conditions, and the quorum sensing (QS) system plays an important role in regulating their activities. Quorum sensing inhibitors (QSIs) have great potential to inhibit pathogenic biofilm formation and are considered possible replacements for antibiotics; however, further investigation is required to understand the mechanisms of action of QSIs and to avoid inhibitory effects on beneficial bacteria. Lactobacillus paraplantarum L-ZS9, isolated from fermented sausage, is a bacteriocin-producing bacteria that shows potential to be a probiotic starter. Since exogenous autoinducer-2 (AI-2) promoted biofilm formation of the strain, expression of genes involved in AI-2 production was determined in L. paraplantarum L-ZS9, especially the key gene luxS. d-Ribose was used to inhibit biofilm formation because of its AI-2 inhibitory activity. Twenty-seven differentially expressed proteins were identified by comparative proteomic analysis following d-ribose treatment and were functionally classified into six groups. Real-time quantitative PCR showed that AI-2 had a counteractive effect on transcription of the genes tuf, fba, gap, pgm, nfo, rib and rpoN. Over-expression of the tuf, fba, gap, pgm and rpoN genes promoted biofilm formation of L. paraplantarum L-ZS9, while over-expression of the nfo and rib genes inhibited biofilm formation. In conclusion, d-ribose inhibited biofilm formation of L. paraplantarum L-ZS9 by regulating multiple genes involved in the glycolytic pathway, extracellular DNA degradation and transcription, and translation. This research provides a new mechanism of QSI regulation of biofilm formation of Lactobacillus and offers a valuable reference for QSI application in the future.
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 ».