RapidAIM 2.0: a high-throughput assay to study functional response of human gut microbiome to xenobiotics
Notice bibliographique
Résumé
Aim: Our gut microbiome has its own functionalities which can be modulated by various xenobiotic and biotic components. The development and application of a high-throughput functional screening approach of individual gut microbiomes accelerates drug discovery and our understanding of microbiome-drug interactions. We previously developed the rapid assay of individual microbiome (RapidAIM), which combined an optimized culturing model with metaproteomics to study gut microbiome responses to xenobiotics. In this study, we aim to incorporate automation and multiplexing techniques into RapidAIM to develop a high-throughput protocol. Methods: To develop a 2.0 version of RapidAIM, we automated the protein analysis protocol, and introduced a tandem mass tag (TMT) multiplexing technique. To demonstrate the typical outcome of the protocol, we used RapidAIM 2.0 to evaluate the effect of prebiotic kestose on ex vivo individual human gut microbiomes biobanked with five different workflows. Results: We describe the protocol of RapidAIM 2.0 with extensive details on stool sample collection, biobanking, in vitro culturing and stimulation, sample processing, metaproteomics measurement, and data analysis. The analysis depth of 5,014 ± 142 protein groups per multiplexed sample was achieved. A test on five biobanking methods using RapidAIM 2.0 showed the minimal effect of sample processing on live microbiota functional responses to kestose. Conclusions: Depth and reproducibility of RapidAIM 2.0 are comparable to previous manual label-free metaproteomic analyses. In the meantime, the protocol realizes culturing and sample preparation of 320 samples in six days, opening the door to extensively understanding the effects of xenobiotic and biotic factors on our internal ecology.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».