Microbiota-derived aromatic amino acid decarboxylases: linking microbial fitness and host neurochemical communication
Notice bibliographique
Résumé
ABSTRACT The human microbiota produces a diverse array of bioactive molecules, including classic neurotransmitters (dopamine and serotonin) and trace amines (tryptamine, tyramine, and phenylethylamine). Although long considered products of host metabolism, these aromatic monoamines are now also known to originate in part from the microbiota, where they are synthesized by bacterial aromatic L-amino acid decarboxylases (AADCs). This review explores the distribution, biochemical diversity, and host interactions of microbiota-encoded AADCs, highlighting their roles in gut and skin ecosystems. Bacterial AADCs vary in gene organization, substrate range, and expression patterns across taxa like Ruminococcus gnavus , Clostridium sporogenes , Enterococcus spp., and Staphylococcus spp. These enzymes contribute to microbial fitness through acid stress resistance, energy generation via proton motive force, epithelial adherence and internalization, and niche dominance. Critically, their products modulate host physiology via trace amine-associated receptors (TAARs) and other signaling pathways, influencing neurotransmission, immune response, barrier integrity, and metabolism. Microbiota-derived monoamines can enter systemic circulation and cross the blood–brain barrier, implicating them in disorders ranging from irritable bowel syndrome to neurodegeneration. Emerging data also reveal their impact on wound healing and drug efficacy, notably in Parkinson’s disease. By positioning microbial AADCs as key players in host-microbe chemical communication, this review underscores their relevance for health and disease and highlights them as potential therapeutic targets.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».