Order among chaos: High throughput MYCroplanters can distinguish interacting drivers of host infection in a highly stochastic system
Notice bibliographique
Résumé
The likelihood that a host will be susceptible to infection is influenced by the interaction of diverse biotic and abiotic factors. As a result, substantial experimental replication and scalability are required to identify the contributions of and interactions between the host, the environment, and biotic factors such as the microbiome. For example, pathogen infection success is known to vary by host genotype, bacterial strain identity and dose, and pathogen dose. Elucidating the interactions between these factors in vivo has been challenging because testing combinations of these variables quickly becomes experimentally intractable. Here, we describe a novel high throughput plant growth system (MYCroplanters) to test how multiple host, non-pathogenic bacteria, and pathogen variables predict host health. Using an Arabidopsis-Pseudomonas host-microbe model, we found that host genotype and bacterial strain order of arrival predict host susceptibility to infection, but pathogen and non-pathogenic bacterial dose can overwhelm these effects. Host susceptibility to infection is therefore driven by complex interactions between multiple factors that can both mask and compensate for each other. However, regardless of host or inoculation conditions, the ratio of pathogen to non-pathogen emerged as a consistent correlate of disease. Our results demonstrate that high-throughput tools like MYCroplanters can isolate interacting drivers of host susceptibility to disease. Increasing the scale at which we can screen drivers of disease, such as microbiome community structure, will facilitate both disease predictions and treatments for medicine and agricultural applications.
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 | 0,001 |
| 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 ».