Determining the Effects of Pebiotics through Community-based Metabolic Modeling
Notice bibliographique
Résumé
The human gut microbiome plays an important role where it performs functions such as promoting immune system development and protecting against enteric pathogens. Amongst many other functions, the microbiome produces metabolites from breakdown of prebiotics that can be beneficial to human health. These metabolites include SCFAs. A recent study found that gut microbiota derived SCFAs can play an important role in repair capacity in response to heart damage. It is hypothesized that this property of the gut microbiome can be utilized to improve the recovery of patients after surgery. The purpose of this study was to simulate the infant gut microbiome in silico and identify prebiotics that could increase the level of SCFAs. In this study, six infant stool samples were taken, and bacterial DNA was extracted and sequenced using 16S and shotgun metagenomics. The shotgun metagenomic sequences were utilized to construct metabolic models of the microbes present in the infant gut. On an average there were 20 metabolic models per sample. The infant gut microbiome was populated with the phylum Actinobacteria, specifically the Bifidobacteriaceae family. Simulations were performed using the metabolic models constructed from the metagenomic data. Upon addition of prebiotics to the simulation, the overall composition did not dramatically change. However, the proportion of SCFAs increased with the addition of prebiotics in the simulation. Metabolic modeling is an invaluable tool to make efficient predictions for the human gut microbiome.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».