Effet des pesticides sur la diversité bactérienne des champs agricoles et la capacité des bactéries à les dégrader
Bibliographic record
Abstract
Dans cette étude, à l’aide du séquençage d’amplicon de l’ARN 16S bactérien, associé aux analyses bioinformatiques et statistiques, nous avons démontré pour la première fois que les Actinobacteries qui sont majoritaires dans le sol et représentent jusqu'à 45%, sont les plus affectées par les pesticides. En outre, nous avons démontré que les Acidobacteries sont aussi affectées par le mélange Linuron et Diuron testé, et que l’exposition successive du sol a ces molécules peut entrainer leur diminution significative. Cependant, le pourcentage des bactéries de l’ordre des Burkholderiales appartenant à la classe BetaProteobacteria, et les Xanthomonadales, qui appartiennent à la classe GammaProtéobacteria, du groupe Protéobacteria augmentent significativement. Une fois que l'exposition aux pesticides s'est arrêtée pendant la période hivernale, la biodiversité des bactéries citées avait tendance à revenir à la normale. Rhodanobacter spathiphyllum et Geobacillus stearothermophilus ont été isolés d'un échantillon de sol exposé aux pesticides et ont montré une croissance optimale en présence de Diuron dans un milieu minimum par rapport à leur absence. La dégradation de Linuron par les deux bactéries, a été confirmé par HPLC-MS, et le résultat semble être le même (de 20 μg / ml à 0,9 μg / ml), alors que la dégradation de Diuron par R. spathiphyllum était meilleure (de 40 μg / ml à 31 μg / ml) par rapport à G. stearothermophilus (de 40 μg / ml à 37 μg / ml). Cette dégradation de Diuron par R. spathiphyllum semble donner des produits de dégradation toxiques pour cette bactérie après deux semaines d’incubation, ce qui résulte un déclin de croissance de la bactérie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".