Understanding metabolic processes shaping adaptation of E. coli to the gut
Notice bibliographique
Résumé
Many microbes colonise the gut establishing interactions with their host and their nutritional environment. Studying genetics and metabolism brought about the drive and potential to engineer communities to promote health and improve industrial processes. However, structuring artificial communities in predictable ways is underdeveloped. We studied Escherichia coli ’s genetic targets and physiological mechanisms during gut colonisation and adaptation and how metabolic environment/microbiota complexity shape these processes. We introduced a tractable E. coli K-12 in mice Germ-free or with polymicrobial communities. Whole Genome Sequencing identified potential adaptive targets. Here, we established phenotypic assays as well characterising effects of key mutations and metabolomics was performed with 1H-NMR of intestinal contents. Genes for sugar alcohol metabolism (gat) was the only target common to both mouse models, evidencing specificity. Facing complex microbiota E. coli targeted use of sugar alcohols (srlR, kdgR) and anaerobic respiration (dcuB, focA) [1] whereas alone, we observed instead mutations pointing to increased ability for amino acid use (lrp, dtpB, alaA). Mutations selected correlated dinamically with metabolomics: our results fit the model whereby other microbiota members scavenge oxygen and breakdown complex sugars, limiting E. coli to anaerobically respire simple by-product carbon sources. In the opposing scenario (functional absence) improved amino acid use are favoured colonisation factors. Through experimental evolution we gained insight on shaping E. coli ’s metabolic traits through genetic engineering to colonise specific host environments. This work also highlights the versatility of E. coli as potential biotic sensor. [1] Barroso-Batista, J. et al . The first steps of adaptation of Escherichia coli to the gut are dominated by soft sweeps, 2014.
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 ».