Environmental Consequences of Anthropogenic Pollution: Non-antibiotic-Drug-Driven Antibiotic Resistance Selection in a Model Aquatic Ecosystem
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Non-antibiotic drugs (NADs) used in human therapy may induce antibiotic resistance selection and dissemination in vitro. However, the potential risks of antibiotic resistance emergence associated with environmental NAD pollution have not been addressed. Here, we conducted a multidisciplinary study on river water microcosms using growth kinetics, qPCR, metagenomics, 16S rRNA sequencing, and liquid chromatography–tandem mass spectrometry (LC-MS/MS) to determine whether NADs alter river bacterial ecology and select for antibiotic resistance genes (ARGs). Four NADs with different mechanisms of action were included at a high (mg/L) and low (μg/L) dose to establish dose–response relationships: chlorpromazine (antipsychotic), diclofenac (anti-inflammatory), diphenhydramine (antihistamine), and fluoxetine (antidepressant). Although the community response to NAD pollution was compound-specific and dose-dependent, all NADs and doses were stable in the environment, altered the composition and activity of bacterial communities, and selected for several ARGs, mostly β-lactamases and aminoglycoside resistance genes, some of which were associated with horizontal gene transfer genes. Pseudomonas (including some ARG-harboring subpopulations) was identified as a key player in the response to NAD pollution. Here, we demonstrate NAD-driven antibiotic resistance selection in complex aquatic communities, raising concerns about the collateral effects on human and environmental health due to the extensive anthropocentric use of NADs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».