MétaCan
Menu
Retour à la cohorte
Enregistrement W4383302421 · doi:10.1128/spectrum.00628-23

Insights into the Synergistic Antibacterial Activity of Silver Nitrate with Potassium Tellurite against <i>Pseudomonas aeruginosa</i>

2023· article· en· W4383302421 sur OpenAlexafffund
Ali Pormohammad, Andrea Firrincieli, Daniel A. Salazar-Alemán, Mehdi Mohammadi, Dave Hansen, Martina Cappelletti, Davide Zannoni, Mohammad Zarei, Raymond J. Turner

Notice bibliographique

RevueMicrobiology Spectrum · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueAdvanced Nanomaterials in Catalysis
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsGovernment of Canada
Mots-clésPseudomonas aeruginosaNitratePotassiumAntibacterial activityChemistrySilver nitratePotassium nitrateMicrobiologyEnvironmental chemistryBiologyNuclear chemistryBacteriaGeneticsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Metals and/or metalloids could represent antimicrobial alternatives for industrial and clinical applications (e.g., surface coatings, livestock, and topical infection control) because of their great properties, such as good stability and long half-life. Silver is the most common antimicrobial metal, but resistance prevalence is high, and it can be toxic to the host above a certain concentration. We found that a silver-tellurite composition has antibacterial synergistic effect and that the combination is beneficial to the host. So, the efficacy and application of silver could increase by adding tellurite in the recommended concentration(s). We used different methods to evaluate the mechanism for how this combination can be so incredibly synergistic, leading to efficacy against antibiotic- and silver-resistant isolates. Our two main findings are that (i) both silver and tellurite mostly target the same pathways and (ii) the coapplication of silver with tellurite tends not to target new pathways but targets the same pathways with an amplified change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,003
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

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

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 Opus0,007
Tête enseignante GPT0,219
Écart entre enseignants0,212 · 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 tête enseignante, 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

Citations19
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMicrobiology SpectrumMême sujetAdvanced Nanomaterials in CatalysisTravaux en français237 207