The trans-kingdom battle between donor and recipient gut microbiome influences fecal microbiota transplantation outcome
Notice bibliographique
Résumé
Fundamental restoration ecology and community ecology theories can help us better understand the underlying mechanisms of fecal microbiota transplantation (FMT) and to better design future microbial therapeutics for recurrent Clostridioides difficile infections (rCDI) and other dysbiosis-related conditions. In this study, stool samples were collected from donors and rCDI patients one week prior to FMT (pre-FMT), as well as from patients one week following FMT (post-FMT). Using metagenomic sequencing and machine learning, our results suggested that FMT outcome is not only dependent on the ecological structure of the recipients, but also the interactions between the donor and recipient microbiomes at the taxonomical and functional levels. We observed that the presence of specific bacteria in donors (Clostridioides spp., Desulfovibrio spp., Odoribacter spp. and Oscillibacter spp.) and the absence of fungi (Yarrowia spp.) and bacteria (Wigglesworthia spp.) in recipients prior to FMT could predict FMT success. Our results also suggested a series of interlocked mechanisms for FMT success, including the repair of the disturbed gut ecosystem by transient colonization of nexus species followed by secondary succession of bile acid metabolizers, sporulators, and short chain fatty acid producers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».