MétaCan
Menu
Retour à la cohorte
Enregistrement W3030101075 · doi:10.1101/2020.06.01.127472

Mapping Gene-Microbe Interactions: Insights from Functional Genomics Co-culture Experiments between <i>Saccharomyces cerevisiae</i> and <i>Pseudomonas</i> spp

2020· preprint· en· W3030101075 sur OpenAlexafffund
Guillaume Nguyen, Mani Jain, Christian R. Landry, Marie Filteau

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEvolution and Genetic Dynamics
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBiologyEukaryoteSaccharomyces cerevisiaeYeastGenomeGeneGenetic FitnessModel organismFunction (biology)NicheExperimental evolutionComputational biologyGeneticsEvolutionary biologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Microbial interactions contribute to shape ecosystems and their functions. The interplay between microorganisms also shapes the evolutionary trajectory of each species, by imposing metabolic and physiological selective pressures. The mechanisms underlying these interactions are thus of interest to improve our understanding of microbial evolution at the genetic level. Here we applied a functional genomics approach in the model yeast Saccharomyces cerevisiae to identify the fitness determinants of naïve biotic interactions. We used a barcoded prototroph yeast deletion collection to perform pooled fitness competitions in co-culture with seven Pseudomonas spp natural isolates. We found that co-culture had a positive impact on fitness profiles, as in general the deleterious effects of loss of function in our nutrient-poor media were mitigated. In total, 643 genes showed a fitness difference in co-culture, most of which can be explained by a media diversification procured by bacterial metabolism. However, a large fraction (36%) of gene-microbe interactions could not be recaptured in cell-free supernatant experiments, showcasing that feedback mechanisms or physical contacts modulate these interactions. Also, the gene list of some co-cultures was enriched with homologs in other eukaryote species, suggesting a variable degree of specificity underlying the mechanisms of biotic interactions and that these interactions could also exist in other organisms. Our results illustrate how microbial interactions can contribute to shape the interplay between genomes and species interactions, and that S. cerevisiae is a powerful model to study the impact of biotic interactions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,233
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetEvolution and Genetic DynamicsTravaux en français237 207