The influence of early life exposures on the infant gut virome
Notice bibliographique
Résumé
Abstract Background The factors influencing the establishment of the gut bacterial community in early life are fairly well studied. However, the factors shaping the infant gut virome remain elusive. Most gut viruses are bacteriophages (phages), i.e., viruses attacking bacteria in a host specific manner, and to a lesser extent, but also widely present, eukaryotic viruses, including viruses attacking human cells. Interestingly, early life gut virome imbalances have recently been linked with increased risk of developing diseases like type 1 diabetes and asthma. We utilized the deeply phenotyped COPSAC2010 cohort to investigate how environmental factors influence the gut virome at one year age. Results We demonstrate that presence of older siblings as well as residental location (urban or rural) had the strongest impact on gut virome composition at one year of age. A total of 16,118 species-level clustered viral representative contigs (here termed viral Operational Taxonomic Units – vOTUs) were identified and of these 2105 vOTUs varied in abundance with environmental exposure. Of these vOTUs 94.1% were phages mainly predicted to infect Bacteroidaceae, Prevotellaceae, and Ruminococcaceae. Strong co-abundance of phages and their bacterial hosts was confirmed underlining the predicted phage-host connections. Furthermore, we found some gut viruses affected by environmental factors encode enzymes involved in the utilization and degradation of major dietary components, potentially affecting infant health by influencing the bacterial host metabolic capacity. Genes encoding enzymes significantly associated with early life exposures were found in a total of 42 vOTUs. Eigtheen of these vOTUs had their life styles predicted, with 17 of them having a temperate lifestyle. Conclusion Given the importance of the gut microbiome in early life for maturation of the immune system and maintenance of metabolic health, these findings provide avaluable insights for understanding early life factors that predispose to autoimmune and metabolic disorders.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».