The Role of the Gut Microbiome on Mercury Toxicology: Protein-Rich Diet Alters Gut Microbiota Composition and Increases Methylmercury Demethylation
Notice bibliographique
Résumé
Methylmercury (MeHg) exposure is a global health concern particularly among coastal populations that rely on fish and marine mammals for sustenance. It has been shown that diet can modulate the MeHg kinetics and body burden. The gut microbiome has been identified as a major factor affecting contaminant metabolism, but little is known about the role of gut microbiota on mercury transformations. The objective of this study was to examine the effects of diet on the human gut microbiome and its subsequent effect on MeHg metabolism. Using a series of batch experiments, we evaluated the effects of a changing nutritional component of the diet (by altering relative abundances of carbohydrate or protein) in the gut microbial community structure of two individuals. We measured mercury methylation and demethylation rates using a stable isotope tracer and conducted high throughput sequencing of the 16S rRNA metagenomic analysis to determine the microbial community structure. We observed >90% decrease in initial MeHg concentration in protein-rich diet mixed with the fecal slurry of individual A. Moreover, two microbial taxa were significantly increased from non-detectable to a total of 20% in relative proportion. Individual B gut microbiota did not exhibit similar results. A mixture of different ratios of gut microbiota of individual A and B showed similar demethylation rate as in individual A indicating that the phenotype can be conserved. Our results show that the gut microbiome of some individuals contains microbiota that can be promoted by a protein-rich diet and can increase demethylation of MeHg. The mechanism of the demethylation of MeHg needs to be characterized.
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 | 0,000 | 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 ».