Harnessing agri-food system microbiomes for sustainability and human health
Notice bibliographique
Résumé
Food system microbiomes include complex microbial networks that range from soil and marine environments to primary agriculture, farming, food processing, and distribution, and which influence human and environmental health. Advances in “omics” technologies, such as metagenomics, metatranscriptomics, metaproteomics, metabolomics, and culturomics, and their integration have deepened our understanding of microbiome dynamics and interactions. This growing knowledge is being leveraged to develop microbiome-based solutions enabling more sustainable food systems. This review explores microbiome interconnections along the food system and how this and other knowledge relating to microbiomes can be harnessed to, among other things, enhance crop resilience and productivity, improve animal health and performance, refine management practices in fishing and aquaculture, or prolong shelf life and reduce food spoilage during distribution. The often-overlooked role of bacteriophages on shaping microbiomes is discussed, as is the impact of diet on the human gut microbiota and, in turn, health. Despite advances, knowledge remains incomplete in particular areas and targeted experimental approaches are necessary to fill these gaps—going beyond merely predicting microbiome functionality. Ultimately, the ideal development of microbiome-based innovations in food systems will require collaboration between stakeholders and regulators to ensure safety, efficacy, and widespread adoption, unlocking its full potential to improve the health of animals, humans and the environment globally.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».