Paired-omics-based exploration and characterization of biosynthetic diversity in lichenized fungi
Notice bibliographique
Résumé
The increasing demand for novel drug leads requires bioprospecting non-model taxa. Comparative genomics and correlative omics are a fast and efficient method for linking bioactive but genetically orphan natural products to their biosynthetic gene clusters (BGCs) and identifying potentially novel drug leads. Here we implement these approaches for the first systematic comparison of the BGC diversity in lichen-forming fungi (LFF) (comprising 20% of known fungi), prolific but underutilized producers of bioactive natural products. We first identified BGCs from all publicly available LFF genomes (111), encompassing 71 fungal genera and 23 families, and generated BGC similarity networks of each class. We recovered 5,541 BGCs grouped into 4,464 gene cluster families. We used mass spectrometry (MS) and correlative metabolomics to link five MS-identified metabolites - alectoronic acid, alpha-collatolic acid, evernic acid, stenosporic acid and perlatolic acid - to their putative BGCs. We subsequently used MS on an additional 80 species to explore the taxonomic breadth of common lichen compounds, uncovering a strong pattern between specific families and secondary metabolites. We found that (1) ~98% of the BGCs in LFF are putatively novel (uncharacterized to date), (2) lichen metabolic profiles contain a plethora of unidentified metabolites and (3) ribosomal peptide-related BGCs constitute about 20% of the LFF BGC landscape. Our study provides comprehensive insights into the BGC landscape of LFFs, highlighting unique, widespread and previously uncharacterized BGCs. We anticipate that the approach we describe will serve as a baseline for leveraging biosynthetic research in non-model organisms, inspiring further investigations into microbial dark matter.
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 | 0,000 |
| 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 ».