Metabolomics survey of uropathogenic bacteria in human urine
Notice bibliographique
Résumé
Introduction Urinary tract infections (UTIs) are one of the most prevalent infections in North America and are caused by a diverse range of bacterial species. Although uropathogenesis has been studied extensively in the context of macromolecular interactions, the degree to which metabolism may contribute to infection is unclear. Currently, most of what is known about the metabolic capacity of uropathogens has been derived from genomics, genetic knockout studies or transcriptomic analyses. However, there are currently very little empirical data on the metabolic activity of uropathogens when grown in urine. Methods To address this gap, we conducted a systematic survey of the metabolic activities of eight of the most common uropathogenic bacterial species that collectively represent 99% of uncomplicated UTIs. Results Liquid chromatography-mass spectrometry (LC–MS) analyses of human urine cultures revealed that uropathogens have four distinct metabolic clades. We generalized these clades as serine consumers ( Escherichia coli , Klebsiella pneumoniae , and Proteus mirabilis ), glutamine consumers ( Pseudomonas aeruginosa ), amino acid abstainers ( Enterococcus faecalis and Streptococcus agalactiae ), and amino acid minimalists ( Staphylococcus aureus and Staphylococcus saprophyticus ). These metabolic classifications can be further subdivided on a species-to-species level. Discussion This survey provides a framework to understanding the metabolic activity of the diverse range of uropathogens and how these species use divergent metabolic strategies to occupy the same niche.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».