Lessons from assembling a microbial natural product and pre-fractionated extract library in an academic laboratory
Notice bibliographique
Résumé
Abstract Microbial natural products are specialized metabolites that are sources of many bioactive compounds including antibiotics, antifungals, antiparasitics, anticancer agents, and probes of biology. The assembly of libraries of producers of natural products has traditionally been the province of the pharmaceutical industry. This sector has gathered significant historical collections of bacteria and fungi to identify new drug leads with outstanding outcomes—upwards of 60% of drug scaffolds originate from such libraries. Despite this success, the repeated rediscovery of known compounds and the resultant diminishing chemical novelty contributed to a pivot from this source of bioactive compounds toward more tractable synthetic compounds in the drug industry. The advent of advanced mass spectrometry tools, along with rapid whole genome sequencing and in silico identification of biosynthetic gene clusters that encode the machinery necessary for the synthesis of specialized metabolites, offers the opportunity to revisit microbial natural product libraries with renewed vigor. Assembling a suitable library of microbes and extracts for screening requires the investment of resources and the development of methods that have customarily been the proprietary purview of large pharmaceutical companies. Here, we report a perspective on our efforts to assemble a library of natural product-producing microbes and the establishment of methods to extract and fractionate bioactive compounds using resources available to most academic labs. We validate the library and approach through a series of screens for antimicrobial and cytotoxic agents. This work serves as a blueprint for establishing libraries of microbial natural product producers and bioactive extract fractions suitable for screens of bioactive compounds. One-Sentence Summary Natural products are key to discovery of novel antimicrobial agents: Here, we describe our experience and lessons learned in constructing a microbial natural product and pre-fractionated extract library.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».