MétaCan
Menu
Back to cohort
Record W7162018736 · doi:10.82308/14829

Metabolic activity assessment of polar microorganisms and metabolic characterization of the cold-adapted «Rhodotorula» yeast JG1b

2020· dissertation· en· W7162018736 on OpenAlexaboutno aff
David Touchette

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldEnvironmental Science
TopicPolar Research and Ecology
Canadian institutionsnot available
Fundersnot available
KeywordsEnvironmental factorYeastBrazil nutFish <Actinopterygii>

Abstract

fetched live from OpenAlex

La cryosphère de la Terre contient des habitats parmi les plus extrêmes de notre planète, avec les régions polaires offrant des conditions parmi les plus sèches, froides et salées pour la vie microbienne. Ceci incluant le pergélisol, la glace, les sources d’eau hypersalines et les lacs sous-glaciaires. Malgré cela, plusieurs microorganismes adaptés au froid sont capables d’activité métabolique et même de croissance in situ dans ces environnements. La présence de microorganismes dans les cryoenvironnements démontre la possibilité que d’autres astres planétaires, tels que Mars, Europe et Encelade, pourraient abriter et supporter des formes de vie microbiennes existantes. Toutefois, aucun instrument de détection de vie microbienne n’a été inclus dans une mission spatiale depuis les missions Vikings de la NASA dans les années 1970. Ainsi, les instruments scientifiques actuellement utilisés ne focalisent que sur la détection de biosignatures. De plus, les stratégies d’adaptation microbienne aux basses températures ne sont toujours pas bien comprises et l’étude de ces adaptations est soumise à plusieurs défis. La présente thèse vise à présenter une façon simple et nouvelle d’identifier et de caractériser l’activité métabolique microbienne dans un contexte astrobiologique, ainsi qu’à contribuer aux connaissances actuelles sur les métabolismes microbiens de croissance adaptés au froid.Premièrement, j’ai décrit le développement et l’essai d’un instrument de détection d’activité métabolique novateur, le microfluidics Microbial Activity MicroAssay (µMAMA). La plateforme µMAMA est un des premiers instruments automatisés de détection de la vie. Avec cette technologie basée sur les indicateurs de métabolisme colorants redox, j’ai détecté avec succès de l’activité microbienne avec aussi peu de 102 cellules/ml et avons caractérisé les communautés microbiennes de plusieurs échantillons environnementaux de l’île Cornwallis, dans l’Arctique Extrême canadien, un site astrobiologique analogue pertinent. J’ai aussi identifié les limites du contexte chimique dans lequel le µMAMA permet d’obtenir un signal d’activité métabolique microbienne clair et robuste.De plus, j’ai caractérisé les stratégies d’adaptation au froid de la nouvelle souche de levure Rhodotorula JG1b, isolée d’un pergélisol cimenté dans de la glace vielle d’environ 150 000 ans. Pour ce faire, j’ai combiné une analyse transcriptomique d’ARNm et de miARN, un profilage phénotypique et une évaluation de la production d’éthanol à 0°C et 23°C. Les résultats suggèrent que Rhodotorula JG1b change d’un métabolisme principalement respiratoire en conditions optimales à 23°C vers un métabolisme de fermentation en conditions similaires à son environnement naturel, confirmé par la détection de production d’éthanol dans les cultures à 0°C seulement. Ceci représente la température la plus froide de production d’éthanol documentée à ce jour, sans l’aide de biocatalyseurs. J’ai aussi détecté une régulation positive de plusieurs adaptations au froid bien connues chez Rhodotorula JG1b. Plus important encore, les résultats impliquent que la régulation de l’expression génique post-transcriptionnel et l’extinction d’ARNm par miRNA chez Rhodotorula est potentiellement une nouvelle adaptation clé chez les levures de la cryosphère

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.003
Threshold uncertainty score0.006

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.011
GPT teacher head0.263
Teacher spread0.252 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same topicPolar Research and EcologyFrench-language works237,207