A pilot study on the effects of in-feed probiotic <i>Lactobacillus rhamnosus</i> ATCC 53103 (LGG) on vaccinated Atlantic salmon (<i>Salmo salar</i>): microbiomes and <i>Aeromonas salmonicida</i> challenge resilience
Notice bibliographique
Résumé
The use of probiotics is an alternative approach to mitigate the proliferation of antimicrobial resistance in aquaculture. In our study, we examined the effects of Lactobacillus rhamnosus GG (ATCC 53103, LGG) delivered in-feed on the weight, length, skin mucus, and faecal microbiomes of Atlantic salmon. We also challenged the salmon with Aeromonas salmonicida 2004-05MF26 (Asal2004) and assessed the mortality. Our results showed no significant change ( P > 0.05) in weight or length of Atlantic salmon or their resilience to Asal2004 infection after LGG feeding. Infection changed significantly the skin mucus and faecal microbiomes: Clostridium sensu stricto increased from 3.14% to 9.20% in skin mucus and 1.39% to 3.74% in faeces ( P < 0.05). Aeromonas increased from 0.02% to 0.60% in faeces ( P < 0.05). Photobacterium increased from not detected (0%) to 52.16% ( P < 0.01) and Aliivibrio decreased from 67.21% to 0.71% in faeces ( P < 0.01). After infection, Lactococcus (9.93%) and Lactobacillus (2.11%) in skin mucus of the LGG group were significantly higher ( P < 0.05) than in the skin mucus from the rest of the groups (4.14% and 1.08%, respectively). In conclusion, LGG feeding did not further increase the resilience of vaccinated Atlantic salmon. Asal2004 infection had much greater impact on skin mucus and faecal microbiomes than LGG feeding.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».