Stress Exposure of Evolved Bacteriophages under Laboratory versus Food Processing Conditions Highlights Challenges in Translatability
Notice bibliographique
Résumé
Bacterial viruses, or bacteriophages, are highly potent, target-specific antimicrobials. Bacteriophages can be safely applied along the food production chain to aid control of foodborne pathogens. However, bacteriophages are often sensitive to the environments encountered in food matrices and under processing conditions, thus limiting their applicability. We sought to address this challenge by exposing commercially available Listeria monocytogenes bacteriophage, P100, to three stress conditions: desiccation, elevated temperature, and low pH, to select for stress-resistant bacteriophages. The stressed bacteriophage populations lost up to 5.1 log10 in infectivity; however, the surviving subpopulation retained their stress-resistant phenotype through five passages with a maximum of 2.0 log10 loss in infectivity when exposed to the same stressor. Sequencing identified key mutation regions but did not reveal a clear mechanism of resistance. The stress-selected bacteriophage populations effectively suppressed L. monocytogenes growth at a modest multiplicity of infection of 0.35–0.43, indicating no trade-off in lytic ability in return for improved survivability. The stressed subpopulations were tested for survival on food grade stainless steel, during milk pasteurization, and within acidic beverages. Interestingly, air drying on stainless steel and pasteurization in milk led to significantly less stress and titer loss in bacteriophage compared to similar stress under model lab conditions. This led to a diminished benefit for stress-selection, thus highlighting a major challenge in real-life translatability of bacteriophage adaptational evolution.
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) | 0,004 | 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 ».