Triclosan\nis the Predominant Antibacterial Compound\nin Ontario Sewage Sludge
Notice bibliographique
Résumé
Sewage treatment plants (STPs) accumulate\nboth antibiotic and nonantibiotic\nantimicrobial compounds that can select for antibiotic resistant bacteria.\nHerein, we aimed to identify the predominant antibacterial compounds\nimpacting E. coli from Ontario sewage\nsludge consisting of thousands of unknown compounds. Among the 10\nextracted sludge samples, 6 extracts exerted significant growth inhibition\neffects in E. coli. A total of 103\ncompounds were tentatively detected across the 10 sludge samples by\nsuspect screening, among which the bacterial enoyl-ACP reductase (FabI)\ninhibitor triclocarban was detected at the highest abundance. A hypomorphic\nFabI knockdown E. coli strain was highly\nsusceptible to the sludge extracts, confirming FabI inhibitors as\nthe primary antibacterial compounds in the sludge. Protein affinity\npulldown identified triclosan as the major ligand binding to a His-tagged\nFabI protein from the sludge, despite the higher abundance of triclocarban\nin the same samples. Effect-directed analysis was used to determine\nthe contributions of triclosan to the observed antibacterial potencies.\nAntibacterial effects were only detected in F<sub>17</sub> and F<sub>18</sub> across 20 fractions, which was consistent with the elution\nof triclosan and triclocarban in the same two fractions. Further,\npotency mass balance analysis confirmed that triclosan explained the\nmajority (58–113%) of inhibition effects from sludge extracts.\nThis study highlighted triclosan as the predominant antibacterial\ncompound in sewage sludge impacting E. coli despite the co-occurrence of numerous other antibiotics and nonantibiotics.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,787 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».