Detecting microbial engraftment after FMT using placebo sequencing and culture enriched metagenomics to sort signals from noise
Notice bibliographique
Résumé
Fecal microbiota transplantation (FMT) has shown efficacy for the treatment of ulcerative colitis but with variable response between patients and trials. The mechanisms underlying FMT’s therapeutic effects remains poorly understood but is generally assumed to involve engraftment of donor microbiota into the recipient’s microbiome. Reports of microbial engraftment following FMT have been inconsistent between studies. Here, we investigate microbial engraftment in a previous randomized controlled trial (NCT01545908), in which FMT was sourced from a single donor, using amplicon-based profiling, shotgun metagenomics, and culture-enriched metagenomics. Placebo samples were included to estimate engraftment noise, and a significant level of false-positive engraftment was observed which confounds the prediction of true engraftment. We show that analyzing engraftment across multiple patients from a single donor enhances the accuracy of detection. We identified a unique set of genes engrafted in responders to FMT which supports strain displacement as the primary mechanism of engraftment in our cohort. Here, the authors profile bacterial engraftment in UC patients receiving FMT from a single donor and placebo samples to estimate noise, showing a significant level of false-positive engraftment, which confounds the prediction of true engraftment, while analyzing engraftment across multiple patients from a single donor enhances the accuracy of detection.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».