Differential effects of wastewater treatment plant effluents on the antibiotic resistomes of diverse river habitats
Notice bibliographique
Résumé
Wastewater treatment plants (WWTPs) are key sources of antimicrobial resistance genes (ARGs) that could influence the resistomes of microbial communities in various habitats of the receiving river ecosystem. However, it is currently unknown which habitats are most impacted and whether ARGs, like certain chemical contaminants, could be accumulated or enriched in the river ecosystem. We conducted a systematic metagenomic survey on the antibiotic resistomes of WWTP effluent, four riverine habitats (water, suspended particles, sediment, epilithic biofilm), and freshwater amphipod gut microbiomes. The impact of WWTP effluent on the downstream habitats was assessed in nine Swiss rivers. While there were significant differences in resistomes across habitats, the wastewater resistome was more similar to the resistome of receiving river water than to the resistomes of other habitats, and river water was the habitat most strongly impacted by the WWTPs effluent. The sulfonamide, beta-lactam, and aminoglycoside resistance genes were among the most abundant ARGs in the WWTP effluents, and especially aadA, sul1, and class A beta-lactamase genes showed significantly increased abundance in the river water of downstream compared to upstream locations (p < 0.05). However, this was not the case for the sediment, biofilm, and amphipod gut habitats. Accordingly, evidence for accumulation or enrichment of ARGs through the riverine food web was not identified. Our study suggests that monitoring riverine antimicrobial resistance determinants could be conducted using "co-occurrence" of aadA, sul1, and class A beta-lactamase genes as an indicator of wastewater-related pollution and should focus on the water as the most affected habitat.
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 | 0,001 |
| 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) | 0,001 | 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 ».