Bacterial <scp>16S</scp> Ribosomal Gene Fingerprints as a Tool to Diagnose and Mitigate Fish Larvae Gut Dysbiosis
Notice bibliographique
Résumé
Dysbiosis is associated with shifts in the diversity or relative abundance of beneficial versus harmful bacteria, leading to health issues in organisms. This study investigated gut bacterial dysbiosis associated with larval quality using 16S rRNA gene sequencing. The gut microbiome of gilthead sea bream and European sea bass, key commercial species and vertebrate models, was examined in high- and low-quality larvae batches from several European hatcheries. Larval quality, hatchery site and species influenced bacterial diversity in the gut. Individuals from larval batches that performed well had higher microbial diversity in the gut and individuals from batches that performed poorly had a gut microbiota dominated by pathogenic Vibrio (e.g., V. aestuarianus and V. cortegadensis). The bacterial dysbiosis index revealed a notable predominance of Fusobacteriota and Firmicutes phyla, Thermoanaerobacteria class and Lactobacillaceae, Moritellaceae, Clostridiaceae, Thiotrichaceae and Shewanellaceae families in good-quality larvae batches, and a prevalence of the Proteobacteria phylum, Gammaproteobacteria class, Sphingomonadaceae and Vibrionaceae families in the gut of individuals from poor-quality larvae batches. A positive dysbiosis index (cutoff > 0.4) was associated with a high risk of decreased larval performance and quality. Additionally, the abundance of Clostridium_sensu_stricto_15, Shewanellaceae_unclassified, Cetobacterium, Psychrilyobacter, Moritella and Latilactobacillus genera in the gut of good production batches, and the Vibrio genus in the gut of poor production batches, identified these genus as potential markers for diagnosing and mitigating bacterial dysbiosis in fish and potentially other vertebrates.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».