Quantifying the intra- and inter-species community interactions in microbiomes by dynamic covariance mapping
Notice bibliographique
Résumé
A microbiome's composition, stability, and response to perturbations are governed by its community interaction matrix, typically quantified through pairwise competition. However, in natural environments, microbes encounter multispecies interactions, complex conditions, and unculturable members. Moreover, evolutionary and ecological processes occur on overlapping timescales, making intra-species clonal diversity a critical but poorly understood factor influencing community interactions. Here, we present Dynamic Covariance Mapping (DCM), a general approach to infer microbiome interaction matrices from abundance time-series data. By combining DCM with high-resolution chromosomal barcoding, we quantify inter- and intra-species interactions during E. coli colonization in the mouse gut under three contexts: germ-free, antibiotic-perturbed, and innate microbiota. We identify distinct temporal phases in susceptible communities: (1) destabilization upon E. coli invasion, (2) partial recolonization of native bacteria, and (3) a quasi-steady state where E. coli sub-lineages coexist with resident microbes. These phases are shaped by specific interactions between E. coli clones and community members, emphasizing the dynamic and lineage-specific nature of microbial networks. Our results reveal how ecological and evolutionary dynamics jointly shape microbiome structure over time. The DCM framework provides a scalable method to dissect complex community interactions and is broadly applicable to bacterial ecosystems both in vitro and in situ.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».