Characterization of the interactions between mammary pathogenic Escherichia coli and bovine microbiome
Bibliographic record
Abstract
La mammite bovine, l'une des maladies les plus fréquentes et coûteuses dans l'industrie laitière, génère une perte économique annuelle de 665 millions de dollars canadiens au Canada. L'Escherichia coli pathogène mammaire (ECPM) est l'un des principaux agents pathogènes de la maladie. Bien que l'hygiène des fermes se soit améliorée, prévenir la mammite à ECPM reste difficile. Les cas persistants de mammite clinique causés par ECPM sont traités par antibiotiques, mais des souches résistantes aux antimicrobiens ont été observées, posant des risques pour le bien-être animal et la durabilité de l'industrie laitière. Cette thèse explore l'interaction entre ECPM et le microbiome bovin à travers trois axes: une analyse génomique comparative des isolats ECPM afin d’identifier des marqueurs génotypiques, l'étude du microbiome du lait cru associé à E. coli en mammite clinique, et une étude de preuve de concept sur l'utilisation de CRISPR-Cas9 pour cibler des plasmides de résistance aux antimicrobiens (RAM) dans le microbiome bovin.L'analyse génomique des isolats ECPM issus de cas de mammites cliniques et des isolats environnementaux d'E. coli provenant de fermes a révélé que, bien que ces deux types d’isolats forment des clades distincts selon leurs types de séquences et antigènes H et O, ils ne se regroupent pas en fonction de la pathogénicité mammaire. Les gènes du système d'absorption du dicitrate ferrique (Fec), comme fecI, fecR, et fecA, étaient présents chez les ECPM mais seulement sous forme de gènes de coque dans les isolats environnementaux. Cela suggère que le système Fec donne un avantage compétitif à E. coli dans l'environnement appauvri en fer des glandes mammaires, ce qui pourrait en faire un marqueur diagnostique ou une cible thérapeutique pour la mammite à ECPM. Ensuite, nous avons analysé la composition du microbiome du lait cru de vaches Holstein en bonne santé et malades, en utilisant le séquençage du gène codant pour l’ARNr 16S et le séquençage métagénomique. L'infection par E. coli entraîne une perturbation du microbiome, réduisant sa diversité dans les quartiers malades, avec une récupération progressive après l'infection. Des genres tels que Staphylococcus et Aerococcus, ainsi que la famille des Oscillospiraceae, étaient plus abondants dans les quartiers sains. Des espèces comme S. auricularis, S. haemolyticus et A. urinaeequi possédaient des gènes capables de lutter contre E. coli, tels que ceux impliqués dans la production d'acide lactique et de bactériocines, suggérant qu'elles pourraient favoriser un microbiome protecteur sans induire d'inflammation. Enfin, nous avons testé un système CRISPR-Cas9 adapté pour cibler un plasmide de résistance aux antimicrobiens, le plasmide pDJBC01, portant des gènes de résistance au chloramphénicol et au céfotaxime (cat et blaCMY-2). Nous avons utilisé une souche d'E. coli commensale isolée de fecès de vaches Holstein saines, transformée avec un plasmide CRISPR-Cas9. Les essais in vitro ont montré que le système pouvait éliminer jusqu’à 95,82 % du plasmide cible. In vivo, chez des veaux Holstein colonisés par la souche réceptrice, les traitements avec le donneur CRISPR-Cas9 ont permis d’éliminer complètement le plasmide en 3 à 5 jours, comparativement aux groupes témoins. Cette preuve de concept démontre l'efficacité du système CRISPR-Cas9 dans l'élimination des plasmides RAM et son potentiel pour moduler le microbiome et prévenir la colonisation par E. coli. Les résultats de cette thèse offrent de nouvelles perspectives pour des stratégies diagnostiques, prophylactiques et thérapeutiques contre la mammite à E. coli, contribuant à la durabilité de l'industrie laitière canadienne. Dans une approche d’une seule santé, ce travail enrichit notre compréhension de la manière dont la modulation du microbiome peut réduire les infections à E. coli et la résistance aux antimicrobiens
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".