How Gut Microbiome Perturbation Caused by Antibiotic Pre-Treatments Affected the Conjugative Transfer of Antimicrobial Resistance Genes
Notice bibliographique
Résumé
The global spread of antimicrobial resistance genes (ARGs) poses a significant threat to public health. While antibiotics effectively treat bacterial infections, they can also induce gut dysbiosis, the severity of which varies depending on the specific antibiotic treatment used. However, it remains unclear how gut dysbiosis affects the mobility and dynamics of ARGs. To address this, mice were pre-treated with streptomycin, ampicillin, or sulfamethazine, and then orally inoculated with Salmonella enterica serovar Typhimurium and S. Heidelberg carrying a multi-drug resistance IncA/C plasmid. The streptomycin pre-treatment caused severe microbiome perturbation, promoting the high-density colonization of S. Heidelberg and S. Typhimurium, and enabling an IncA/C transfer from S. Heidelberg to S. Typhimurium and a commensal Escherichia coli. The ampicillin pre-treatment induced moderate microbiome perturbation, supporting only S. Heidelberg colonization and the IncA/C transfer to commensal E. coli. The sulfamethazine pre-treatment led to mild microbiome perturbation, favoring neither Salmonella spp. colonization nor a conjugative plasmid transfer. The degree of gut dysbiosis also influenced the enrichment or depletion of the ARGs associated with mobile plasmids or core commensal bacteria, respectively. These findings underscore the significance of pre-existing gut dysbiosis induced by various antibiotic treatments on ARG dissemination and may inform prudent antibiotic use practices.
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) | 0,000 | 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 ».