Ocena študentske uspešnosti: rezultati metabolnih, molekularnih in fizikalno-kemijskih karakterizacij mikrobiomov prebavnega trakta na modelu štirih vrst sesalcev

Nataša CIBER, Mateja DOLENC, Benjamin DRAKSLAR, Andreja GAZVODA, Nika KLINEC, Bojan PAPIĆ, Anja PUGELJ, Katarina ŠIMUNOVIĆ, Tamara ZORAN, Tina ZUPANČIČ, Blaž STRES

Povzetek


Številni okoljski dejavniki vplivajo na strukturo mikrobnih združb, njihovo aktivnost in lastnosti okolja prebavnega trakta, vendar ne glede na večino sprememb sistem zagotavlja podlago za pretvorbo energije ter s tem dolgoročno stabilni soobstoj različnih gostiteljev in lastne specifične črevesne mikrobiote preko geoloških časovnih okvirov. Ker so se metodološki pristopi izkazali za največji vir sistematičnih napak v primerjavah mikrobnih združb med različnimi organizmi iste vrste ali med različnimi vrstami, smo preizkusili številne metode na vzorcih iz različnih vrst sesalcev z namenom preveriti izvedljivost takega pristopa za prihodnje rutinske analize mikrobiomov: (i) analize fizikalno-kemijskih parametrov; (ii) metabolne lastnosti pritrjene planktonske frakcije v primerjavi s celokupno; (iii) strukture mikrobnih združb bakterij in arhej; (iv) analitske pristopke k analizi podatkov. Uporabili smo modelne vsebine prebavil štirih vrst sesalcev, ki zajema v veliki meri razlike med različnimi tipi prebavil: prežvekovalci in glodalci (kot pre- in post- peptični fermentatorji), vsejede ter zveri. Drugi namen študije je bil (i) oceniti obseg raztrosa podatkov zaradi sodelovanja različnih operaterjev na pridobljene podatke ter (ii) ovrednotiti usposobljenost skupine študentov za opravljanje industrijsko orientiranih preiskav in meritev v 1.letniku magistrskega študija Mikrobiologija, ter (iii) spodbuditi ozaveščenost o pomembnosti in pomenu aktivnosti s simulacijo rednega laboratorijskega delovnega dneva in pripadajočih dolžnosti. Rezultati kažejo, (i) da so se operaterji samostojno organizirali in razdelili naloge; (ii) uspešno izvedli vse metode; (iii) pridobili relevantne podatke; (iv) jih kritično vrednotili in interpretirali v obsegu svojega znanja; (v) da so raztrosi podatkov (RSD) tipično primerljivi s tistimi iz avtomatiziranih analitskih procedur (<10 %) in ponazarjajo v največji meri variabilnosti samega biološkega materiala. Iz tega izhaja, da so se motivirani magistrski študenti ob ustreznem vodenju sposobni spoznati z neznanimi protokoli ter izvesti laboratorijsko in analitsko kompleksne eksperimentalne naloge, rezultate obdelati, izsledke interpretirati, ter se približati izvajanju analitskih procedur v industrijskih laboratorijih za generiranje kvalitetnih setov podatkov.

Ključne besede


mikrobiologija; sesalci; prebavni trakt; mikrobiota; metabolno profiliranje; študentsko delo; kakovost

Celotno besedilo:

PDF (English)

Literatura


Clescerl L.S., Greenberg A.E., Eaton A.D. 1999. Standard Methods for Examination of Water & Wastewater. 20th edition. Washington, DC: American Public Health Association.

De Graaf A.A., Maathuis A., de Waard P., Deutz N.E.P., Dijkema C. et. al. 2010. Profiling human gut bacterial metabolism and its kinetics using [U-13C] glucose and NMR. NMR Biomed., 23: 2–12, doi:10.1002/nbm.1418

Dumas M.E., Barton R.H., Toye A., Cloarec O., Blancher C., Rothwell A., Fearnside J., Tatoud R., Blanc V., Lindon J.C., Mitchell S.C., Holmes E., McCarthy M.I., Scott J., Gauguier D., Nicholson J.K. 2006. Metabolic profiling reveals a contribution of gut microbiota to fatty liver phenotype in insulin-resistant mice. Proc. Natl. Acad. Sci. USA, 103, 33: 12511–12516, doi:10.1073/pnas.0601056103

Gueimonde M., Tölkkö S., Korpimäki T., Salminen S. 2004. New Real-Time Quantitative PCR Procedure for Quantification of Bifidobacteria in Human Fecal Samples. Appl Environ Microbiol.: 4165–4169, doi:10.1128/AEM.70.7.4165-4169.2004

Hammer Ø., Harper D.A.T., Ryan P.D. 2001. PAST: Paleontological statistics software package for education and data analysis. Palaeontologia Electronica, 4, 1: 9 p.

Holmes E., Li J.V., Athanasiou T., Ashrafian H., Nicholson J.K. 2011. Understanding the role of gut microbiome–host metabolic signal disruption in health and disease. Trends in Microbiology, 19, 7: 349–359, doi:10.1016/j.tim.2011.05.006

Jacobs D.M., Gaudier E., van Duynhoven J., Vaughan E.E. 2009. Non-digestible food ingredients, colonic microbiota and the impact on gut health and immunity: a role for metabolomics. Curr Drug Metab., 10, 1: 41–54, doi:10.2174/138920009787048383

Jin J.S., Touyama M., Kibe R., Tanaka Y., Benno Y., Kobayashi T., Shimakawa M., Maruo T., Toda T., Matsuda I., Tagami H., Matsumoto M., Seo G., Chonan O., Benno Y. 2012. Analysis of the human intestinal microbiota from 92 volunteers after ingestion of identical meals. Benef Microbes, 4, 2: 187–193, doi:10.3920/BM2012.0045

Kolbl S., Paloczi A., Panjan J., Stres B. 2014. Addressing case specific biogas plant tasks: Industry oriented methane yields derived from 5L Automatic Methane Potential Test Systems in batch or semi-continuous tests using realistic inocula, substrate particle sizes and organic loading. Bioresource technology, 153: 180–188, doi:10.1016/j.biortech.2013.12.010

Lever M. 1977. Carbohydrate determination with 4-hydroxybenzoic acid hydrazide (PAHBAH): Effect of bismuth on the reaction. Analytical Biochemistry, 81: 21–27, doi:10.1016/0003-2697(77)90594-2

Ley R.E., Hamady M., Lozupone C., Turnbaugh P.J., Ramey R.R., Bircher J.S., Schlegel M.L., Tucker T.A., Schrenzel M.D., Knight R., Gordon J.I. 2008. Evolution of mammals and their gut microbes. Science, 320: 1647–1651, doi:10.1126/science.1155725

Li F., Hullar M.A.J., Lampe J.W. 2007. Optimization of terminal restriction fragment polymorphism (TRFLP) analysis of human gut microbiota. J Microbiol Methods, 68, 2: 303–311, doi:10.1016/j.mimet.2006.09.006

Lin C., Raskin L., Stahl D.A. 1997. Microbial community structure in gastrointestinal tracts of domestic animals: comparative analyses using rRNA-targeted oligonucleotide probes. FEMS Microbiol. Ecol., 22: 281–294, doi:10.1111/j.1574-6941.1997.tb00380.x

Lozupone C.A., Stombaugh J.I., Gordon J.I., Jansson J.K., Knight R. 2012. Diversity, stability and resilience of the human gut microbiota. Nature, 489, 7415: 220–230, doi:10.1038/nature11550

Marchesi J.R., Holmes E., Khan F., Kochhar S., Scanlan P., Shanahan F., Wilson I.D., Wang Y. 2007. Rapid and noninvasive metabonomic characterization of inflammatory bowel disease. J Proteome Res, 6: 546–551, doi:10.1021/pr060470d

Pieper R., Kröger S., Richter J. F., Wang J., Martin L., Bindelle J., Htoo J.K., Smolinski D., Vahjen W., Zentek J., Kessel A.G. 2012. Fermentable Fiber Ameliorates Fermentable Protein-Induced Changes in Microbial Ecology, but Not the Mucosal Response, in the Colon of Piglets. J Nutr., 142, 4: 661–66, doi:10.3945/jn.111.156190

Simpson J.M., Kocherginskaya S.A., Aminov R.I., Skerlos L.T., Bradley T.M., Mackie R.I. et al. 2002. Comparative microbial diversity in the gastrointestinal tracts of food animal species. Integr Comp Biol, 42: 327–331, doi:10.1093/icb/42.2.327

Stres B., Danevcic T., Pal L. et al. 2008. Influence of temperature and soil water content on bacterial, archaeal and denitrifying microbial communities in drained fen grassland soil microcosms. FEMS Microbiol Ecol. 66: 110–122, doi:10.1111/j.1574-6941.2008.00555.x

Turnbaugh P.J., Hamady M., Yatsunenko T., Cantarel B.L., Duncan A., Ley R.E., Sogin M.L. et al. 2009. A core gut microbiome in obese and lean twins. Nature, 457: 480–484, doi:10.1038/nature07540

Tlaskalová-Hogenová H., Stěpánková R., Kozáková H., Hudcovic T., Vannucci L., Tučková L., Rossmann P., Hrnčíř T., Kverka M., Zákostelská Z., Klimešová K., Přibylová J., Bártová J., Sanchez D., Fundová P., Borovská D., Srůtková D., Zídek Z., Schwarzer M., Drastich P., Funda D.P. 2011. The role of gut microbiota (commensal bacteria) and the mucosal barrier in the pathogenesis of inflammatory and autoimmune diseases and cancer: contribution of germ-free and gnotobiotic animal models of human diseases. Cell Mol Immunol, 8: 110–120, doi:10.1038/cmi.2010.67

Tims S., Zoetendal E.G., de Vos W.M., Kleerebezem M. 2010. Chapter 2: Host Genotype and the Effect on Microbial Communities. In: Metagenomics of the Human Body. Nelson K.E. (ed.). Springer: 15–41

TNO. 2013. Gastrointestinal models (TIM) with high predictive power. Netherlands Organisation for Applied Scientific Research TNO. http://www.tno.nl/content.cfm?context=thema&content =markt_product&laag1=891&laag2=195&laag3=320&item_id=1100&Taal=2 (20. Oct. 2013)

Twardowski M.S., Boss E., Sullivan J.M., Donaghay P.L. 2004. Modeling the spectral shape of absorption by chromophoric dissolved organic matter. Marine Chemistry, 89, 1–4: 69–88, doi:10.1016/j.marchem.2004.02.008

Zajec N., Stres B., Avguštin G. 2012. Distinct approaches for the detection and removal of chimeric 16S rRNA sequences can significantly affect the outcome of between-site comparisons. Aquat. Microb. Ecol., 66: 13–21, doi:10.3354/ame01510




DOI: http://dx.doi.org/10.14720/aas.2014.104.2.4

Povratne povezave

  • Trenutno ni nobenih povratnih povezav.


Avtorske pravice (c) 2015 Acta agriculturae Slovenica

 

Acta agriculturae Slovenica je odprtodostopna revija, ki objavlja pod pogoji licence Creative Commons Priznanje avtorstva (CC BY).

                     


eISSN 1854-1941