Mehrschichtige Netzwerke mit genetischer Plasmidähnlichkeit offenbaren mögliche Wege der Genübertragung

The ISME Journal Band 17, Seiten 649–659 (2023)Diesen Artikel zitieren

2237 Zugriffe

1 Zitate

19 Altmetrisch

Details zu den Metriken

Antibiotikaresistenzen (AMR) stellen eine erhebliche Bedrohung für die öffentliche Gesundheit dar. Plasmide sind Hauptvektoren von AMR-Genen und tragen wesentlich zu deren Verbreitung und Mobilität über Wirte hinweg bei. Dennoch ist wenig über die Dynamik des genetischen Austauschs von Plasmiden zwischen tierischen Wirten bekannt. Hier verwenden wir Theorie und Methodik aus der Netzwerk- und Krankheitsökologie, um das Potenzial der Genübertragung zwischen Plasmiden anhand eines Datensatzes von 21 Plasmidomen einer einzelnen Milchkuhpopulation zu untersuchen. Wir haben ein mehrschichtiges Netzwerk basierend auf der paarweisen genetischen Plasmidähnlichkeit aufgebaut. Genetische Ähnlichkeit ist eine Signatur des vergangenen genetischen Austauschs, die dabei helfen kann, mögliche Wege und Mechanismen der Genübertragung innerhalb und zwischen Kühen zu identifizieren. Verbindungen zwischen Kühen dominierten das Übertragungsnetzwerk, und Plasmide, die Mobilitätsgene enthielten, waren stärker vernetzt. Die Modularitätsanalyse ergab einen Netzwerkcluster, in dem alle Plasmide ein mobM-Gen enthielten, und einen, in dem alle Plasmide ein Beta-Lactamase-Gen enthielten. Kühe, die beide Cluster enthalten, teilen sich auch die Übertragungswege mit vielen anderen Kühen, was sie zu Kandidaten für eine Superverbreitung macht. Zur Unterstützung fanden wir Signaturen der Gen-Superausbreitung, bei der einige wenige Plasmide und Kühe für den Großteil des Genaustauschs verantwortlich sind. Ein agentenbasiertes Übertragungsmodell zeigte, dass ein neues Gen, das in die Kuhpopulation eindringt, wahrscheinlich alle Kühe erreichen wird. Schließlich haben wir gezeigt, dass Kantengewichte eine nicht zufällige Signatur für die Mechanismen der Genübertragung enthalten, was uns die Unterscheidung zwischen Ausbreitung und genetischem Austausch ermöglicht. Diese Ergebnisse geben Aufschluss darüber, wie sich Gene, einschließlich derjenigen, die AMR liefern, über tierische Wirte verbreiten.

Antibiotikaresistenzen (AMR) stellen weltweit eine erhebliche Bedrohung für die Gesundheit von Mensch und Tier dar [1]. Aufgrund des weitverbreiteten Einsatzes von Antibiotika in der Landwirtschaft zur Prophylaxe und Wachstumsförderung kann Vieh als Reservoir für antibiotikaresistente Bakterien dienen [2, 3]. Dieser Trend dürfte sich aufgrund der steigenden Nachfrage nach tierischen Produkten und der Intensivierung der Tierproduktion weltweit fortsetzen [4]. AMR von Nutztieren können sich in der Umwelt, einschließlich Böden und Gewässern, ausbreiten [5,6,7,8] und Lebensmittelprodukte kontaminieren und den Menschen erreichen [9].

Die Verbreitung von Antibiotikaresistenzgenen innerhalb und zwischen Arten erfolgt hauptsächlich über Plasmide [10]. Plasmide sind mobile genetische Elemente, oft kreisförmig und mit einer Länge von Tausenden bis Hunderttausenden Basenpaaren, die sich unabhängig vom Chromosom ihres Wirts vermehren können. Während sie in Archaeen und Eukaryoten vorkommen, sind sie am bekanntesten bei Bakterien [11]. Plasmide ermöglichen es Bakterien, sich an ihre Umgebung anzupassen, indem sie akzessorische Gene tragen, beispielsweise solche für Antibiotika- [12, 13, 14] oder Schwermetallresistenz [14, 15], die unter bestimmten Umweltbedingungen von Vorteil sind. Angesichts der Bedeutung von Plasmiden für die Verbreitung von AMR [16, 17] ist es wichtig zu verstehen, wie sie sich in ihren natürlichen Lebensräumen zwischen ihren tierischen Wirten ausbreiten und miteinander interagieren. Während Plasmide eines der Hauptvehikel für den horizontalen Gentransfer (HGT) zwischen Bakterien sind, findet ein genetischer Austausch auch zwischen Plasmiden statt, beispielsweise über homologe Rekombination [11, 18]. Dies führt zu einem Gentransfer zwischen Plasmiden, den wir Plasmid-HGT (pHGT) nennen. Aufgrund des pHGT scheinen viele Plasmide mosaikartig zu sein. Mosaikplasmide können genetisches Material aus mehreren Plasmiden enthalten, die von entfernt verwandten Bakterienarten beherbergt werden, obwohl dies je nach Wirtstaxonomie erheblich variiert [19,20,21].

Nutztiere können Reservoire für Plasmide sein, die AMR-Gene enthalten [22,23,24,25]. Im Allgemeinen beherbergen Wiederkäuer wie Rinder vielfältige mikrobielle Gemeinschaften, insbesondere im Pansen. Pansenmikroben ermöglichen es Rindern, ansonsten unverdauliches Pflanzenmaterial zu verdauen [26, 27]. Während sich die Forschung an Plasmiden traditionell auf diejenigen konzentrierte, die klinisch relevant sind [28], haben Fortschritte in der Metagenomik und der Sequenzierungstechnologie die Erforschung des Plasmidoms, aller Plasmide in einer bestimmten Probenumgebung, einschließlich des Rinderpansens, ermöglicht [29, 30]. Dieser Ansatz hat gezeigt, dass das Plasmidom des Rinderpansens vielfältig ist und sich im Vergleich zum bakteriellen Mikrobiom stärker von Individuum zu Individuum unterscheidet [29, 30]. Aufgrund der Ähnlichkeit ihrer offenen Leserahmen (ORFs) mit denen in Bakterien schienen die Plasmide des Rinderpansens am häufigsten mit Firmicutes und Bacteroidetes assoziiert zu sein [29, 30]. Viele sind mosaikartig, darunter einige, die Hinweise auf einen genetischen Austausch zwischen den Stämmen zeigen [30]. Pansenplasmide sind hinsichtlich Funktionen im Zusammenhang mit Verdauung und Stoffwechsel sowie Plasmidfunktionen wie Mobilisierung und Replikation angereichert, die meisten ORFs haben jedoch unbekannte Funktionen (29, 30). Ähnliche Ergebnisse wurden auch in anderen Ökosystemen berichtet, beispielsweise im Blinddarm der Ratte, wo ebenfalls festgestellt wurde, dass kryptische Plasmide das Plasmidom von [31] dominieren.

Der genetische Austausch und die Ausbreitung können eine Signatur genetischer Ähnlichkeit innerhalb einer Population hinterlassen, die mithilfe einer Netzwerkanalyse erkannt werden kann [32,33,34,35,36]. Bisher wurden Netzwerke genetischer Plasmidähnlichkeit hauptsächlich verwendet, um breite Populationsstrukturen zwischen Plasmidtypen zu analysieren und sie in taxonomische Einheiten zu klassifizieren (33, 34, 37). Netzwerkanalysen haben die gemeinsame Nutzung von Genen über Geographie, Lebensraumtyp und in gewissem Maße über die Phylogenie des Wirts hinweg ergeben [34, 38, 39]. In mehreren Studien wurden Plasmide identifiziert, die eine Brücke zwischen ansonsten nicht verbundenen Bakteriengemeinschaften bilden [18, 40]. Daher können Netzwerke zur genetischen Ähnlichkeit von Plasmiden es uns ermöglichen, Signaturen vergangener Ereignisse innerhalb einer Plasmidpopulation zu verwenden, um mögliche Wege für eine zukünftige Übertragung zu identifizieren. Diese im Zusammenhang mit AMR wichtige Anwendung ist noch unerforscht.

Da Plasmide Infektionserreger sind, können sich die Theorie und Methodik der Krankheitsökologie als hilfreich für das Verständnis der Beziehung zwischen Netzwerkstruktur und Übertragungsdynamik erweisen [41,42,43,44]. Die Verwendung von Plasmidähnlichkeitsnetzwerken zum Verständnis der Mechanismen der Genausbreitung ist gleichbedeutend mit der Verwendung von Netzwerken zur gemeinsamen Nutzung von Parasiten als Stellvertreter für die potenzielle Übertragung von Parasiten über Wirtsgemeinschaften mit mehreren Arten in der Krankheitsökologie [42, 45] oder von Netzwerken, die Kontakte zwischen Individuen beschreiben. Im Wesentlichen beschreibt jedes „Übertragungsnetzwerk“ potenzielle Wege für die Übertragung von Krankheitserregern, und es gibt mehrere Möglichkeiten, diese Wege abzuschätzen [44]. Im Falle der Genübertragung über Plasmide hinweg erfordert dieser Ansatz, dass die genetischen Informationen des Plasmids innerhalb desselben Systems gesammelt werden. Allerdings verwendeten fast alle Studien Plasmidsequenzen, die aus unterschiedlichen und geografisch weit entfernten Umgebungen stammten, da sie aus Datenbanken entnommen wurden [33, 34, 37, 39, 40]. Die Verwendung von Plasmiden aus verschiedenen Systemen reicht nicht aus, um Wege des genetischen Austauschs oder der genetischen Ausbreitung auf feineren räumlichen und zeitlichen Skalen zu bestimmen; zum Beispiel zwischen und innerhalb tierischer Wirte. In einer Studie wurden Plasmidähnlichkeitsnetzwerke verwendet, die aus F-Typ-Plasmiden aus Nutztierhaltungen (Kühe, Schweine oder Schafe) und Wasser konstruiert wurden (46). Die Plasmidnetzwerke und -gemeinschaften waren nach ihrer breiten ökologischen Nische (Bauernhof vs. Wasser) strukturiert, was die potenziellen Grenzen der Plasmidverbreitung und des genetischen Austauschs über Umgebungen hinweg verdeutlichte (46). Obwohl die Daten in einem natürlichen System gesammelt wurden, wurden Proben von Tieren nach Standort gepoolt, was die Schätzung der Plasmidverbreitung zwischen einzelnen Wirten erschwerte.

Hier nutzen wir einen Datensatz des Pansenplasmidoms von Milchkühen in einer einzelnen Population. Unser Ziel ist es, Signaturen des genetischen Austauschs zwischen Plasmiden und mögliche Wege für die Genübertragung innerhalb und zwischen Kühen zu identifizieren. Um dieses Ziel zu erreichen, verwenden wir ein ökologisches mehrschichtiges Netzwerk-Framework, das explizit Variationen in der Netzwerkstruktur über mehrere Datenschichten hinweg nutzt [47]. Wir erfassen Signaturen genetischer Ähnlichkeit innerhalb und zwischen einzelnen Kühen (Legehennen). Durch die Übernahme analytischer Ansätze und Terminologie aus der Krankheitsökologie interpretieren wir die Daten im Lichte der Genübertragung. Insbesondere suchen wir nach Anzeichen einer Superausbreitung sowohl auf der Ebene von Plasmiden als auch auf der Ebene von Kühen, wobei einige wenige Plasmide (oder Kühe) für den Großteil der Übertragung verantwortlich sind [48].

Wir stellen fest, dass genetische Ähnlichkeitsnetzwerke von Plasmiden durch Verbindungen zwischen Kuhwirten dominiert werden. Das Übertragungsnetzwerk ist stark fragmentiert in Cluster von Plasmiden (dh Modulen) mit einer äußerst heterogenen Größenverteilung, was auf die dominierende Rolle der Übertragung zwischen Wirten bei der Gestaltung der genetischen Signatur dieser Plasmidpopulation hinweist. Eine solche Heterogenität weist auch auf eine mögliche Superausbreitung sowohl auf der Ebene von Plasmiden als auch auf Kühen hin. Wir fanden außerdem heraus, dass Plasmide mit denselben AMR-Genen, obwohl sie in unserem Datensatz selten sind, unabhängige Netzwerkcluster (Module) bildeten.

Modellierungen zeigten, dass die Netzwerkstruktur das Ausmaß der Genübertragung bestimmt. Durch die Untersuchung von Signaturen genetischer Ähnlichkeit im Netzwerk können wir verstehen, wie Plasmide innerhalb und zwischen tierischen Wirten interagieren, und Einblicke in die Mechanismen geben, durch die sich AMR-Gene verbreiten können.

Wir haben ein gewichtetes, mehrschichtiges Netzwerk zwischen Plasmiden aufgebaut. In unserem mehrschichtigen Netzwerk ist jede Kuh eine Schicht und die Knoten innerhalb jeder Schicht sind Plasmide (Abb. 1). Intralayer-Links wurden als genetische Ähnlichkeit zwischen Plasmiden innerhalb einer Schicht basierend auf Sequenzausrichtungen (Methoden) berechnet. Ein herausragendes Merkmal mehrschichtiger Netzwerke sind Zwischenschichtverbindungen, die Knoten zwischen Schichten verbinden und ökologische Prozesse kodieren, die zwischen den Schichten ablaufen [47]. Wir haben die Verbindungen zwischen den Schichten mit dem gleichen Maß wie die Verbindungen innerhalb der Schichten definiert (Abb. 1), sodass wir gleichzeitig Signaturen des Genaustauschs innerhalb und zwischen Kühen erkennen können. Die Verwendung derselben Definition ist auch deshalb vorteilhaft, weil sie Prozesse innerhalb und zwischen Schichten auf die gleiche Skala bringt und a priori eine Verzerrung der Netzwerkmetriken in Richtung von Prozessen vermeidet, die an beiden Kantentypen ausgeführt werden [36, 47, 49].

Kühe sind Legehennen und physische Knoten sind Plasmide. Das gleiche Plasmid kann bei verschiedenen Kühen vorkommen (z. B. das grüne Plasmid). Intralayer- (schwarz) und Interlayer-Links (blau) werden basierend auf Sequenzähnlichkeit gewichtet und definiert (siehe Methoden). Das Kreisdiagramm zeigt, dass das Netzwerk von Zwischenschichtkanten dominiert wird.

Unser Netzwerk umfasste 1344 Plasmide bei 21 Kühen. Von diesen Plasmiden wurden 92 % nur bei einer einzigen Kuh nachgewiesen. Da Plasmide bei mehr als einer Kuh vorkommen können, übersteigt die Gesamtzahl der Knoten im Netzwerk die Zahl der Plasmide. In Anlehnung an die Standardterminologie [47, 50] definieren wir Plasmide als „physikalische Knoten“ und Plasmidschichtkombinationen als „Zustandsknoten“, was darauf hinweist, dass sich dasselbe Plasmid in einem anderen ökologischen Zustand befinden kann; Beispielsweise tragen sie unterschiedlich zum Genaustausch bei verschiedenen Kühen bei. Unser Netzwerk umfasste 1514 staatliche Knoten. Die maximale Anzahl von Kühen, bei denen ein einzelnes Plasmid nachgewiesen wurde, betrug 13. Die Anzahl der Plasmide pro Kuh lag zwischen 1 und 175, mit einem Mittelwert von 72. Während Paare von Plasmiden (d. h. Netzwerkverbindungen) mehrere Ausrichtungen zwischen sich aufweisen konnten, 2728 der 2738 Links enthielten nur eine einzige Ausrichtung. Insgesamt war das Netzwerk sehr spärlich, nur 0,2 % der potenziellen Links wurden realisiert.

Wir fragten, ob Verbindungen hauptsächlich innerhalb oder zwischen Kühen bestehen, um die Bedeutung von Plasmidinteraktionen zwischen Wirten abzuschätzen. Die meisten Kanten im Netzwerk befanden sich zwischen den Schichten (Abb. 1). Ein Vergleich der Rohkantenzahlen wird jedoch durch die stark unterschiedliche Anzahl möglicher Intra- und Inter-Layer-Kanten (jeweils 87.002 vs. 1.058.339) verzerrt. Daher haben wir auch den Anteil der realisierten Intra- und Interlayer-Links an allen möglichen verglichen (dh die Dichte). Die Dichte der Kanten zwischen den Schichten war doppelt so hoch wie die der Kanten zwischen den Schichten (0,25 % gegenüber 0,12 %). Daher gibt es eine viel stärkere Signatur des genetischen Austauschs zwischen Kühen als innerhalb der Kühe.

Wir haben die Auswirkung der Kuhidentität auf die Konnektivität getestet, indem wir das beobachtete Netzwerk mit 1000 randomisierten Netzwerken verglichen haben, in denen wir die Identität der Kühe gemischt haben (im Folgenden „gemischte Netzwerke“). Das beobachtete Netzwerk wies eine signifikant höhere Dichte an Intra- (p <0,001) und Zwischenschichtkanten (p <0,001) und eine höhere Dichte (p <0,001) auf als die gemischten Netzwerke (ergänzende Abbildung 1). Dies weist darauf hin, dass das Netzwerk trotz seiner spärlichen Beschaffenheit immer noch stärker vernetzt ist und einen größeren Beitrag der Kanten zwischen den Schichten im Vergleich zu den Kanten innerhalb der Schichten aufweist, als zufällig erwartet. Insgesamt wurde das Netzwerk von der Konnektivität zwischen den Schichten dominiert, was darauf hindeutet, dass der Genaustausch wahrscheinlicher zwischen Plasmiden verschiedener Kühe erfolgt als innerhalb einer Kuh.

Wir können die Intra- und Interlayer-Konnektivität nutzen, um zu testen, ob bestimmte Plasmide überproportional zur Genübertragung und zum Genaustausch beitragen, indem wir die Verteilung ihres Grades (Anzahl der Plasmide, mit denen ein Plasmid verbunden ist) und die Verteilung der Verbindungen zu Kühen untersuchen. Beide Verteilungen waren stark verzerrt (Schiefe = 10,5 bzw. 10,4) (ergänzende Abbildung 2), wobei die meisten Plasmide einige Verknüpfungen aufwiesen und einige Plasmide viele Verknüpfungen zu anderen Plasmiden und Kühen aufwiesen. Eine verzerrte Verteilung weist darauf hin, dass möglicherweise nur wenige Plasmide für den Großteil der Übertragung und Interaktionen im Netzwerk verantwortlich sind. Dieses Muster steht im Einklang mit der Super-Spreading-Theorie aus der Krankheitsökologie, die durchweg feststellt, dass einige wenige Wirte (hier Plasmide) für den Großteil der Parasitenübertragung (hier ein AMR-Gen) verantwortlich sind (48, 51) (Ergänzende Informationen).

Obwohl das Plasmid-Ähnlichkeitsnetzwerk sehr spärlich ist, kann es dennoch wichtige Wege des Genaustauschs enthalten. In der Epidemiologie und Krankheitsökologie können Bereiche potenzieller Übertragung in Netzwerken mithilfe von Community-Erkennungsalgorithmen erkannt werden, die grob als Modularität bezeichnet werden [41, 52]. Modularität ist eine mesoskalige Eigenschaft, bei der Teile des Netzwerks im Vergleich zu anderen dichter sind [53]. Wir haben Module mithilfe von Infomap erkannt, einem Algorithmus, der auf der Bewegung eines zufälligen Wanderers im Netzwerk basiert. Infomap ist explizit für mehrschichtige Netzwerke konzipiert und misst auch die in jedem Knoten enthaltene Flussmenge (der Gesamtfluss über Zustandsknoten im Netzwerk summiert sich auf 1) [54,55,56]. Für unsere Zwecke ist die Flussmessung besonders geeignet, da sie in direktem Zusammenhang mit der Idee des Genaustauschs steht [56]. Module stellen daher potenzielle Übertragungswege auf hoher Ebene dar.

Obwohl das Netzwerk mit 414 Modulen stark fragmentiert war, war es deutlich weniger fragmentiert als die gemischten Netzwerke, die im Durchschnitt 83 % mehr Module hatten (723–797, Mittelwert = 760, p <0,001) (ergänzende Abbildung 3A). Wie beim Muster auf Knotenebene war auch diese mesoskalige Topologie stark verzerrt: Während die meisten Module im beobachteten Netzwerk klein waren, mit durchschnittlich 3,3 Plasmiden bei 3,4 Kühen, umfasste ein außergewöhnlich großes Modul 12 Plasmide und 16 Kühe (ca. das Vierfache). durchschnittliche Anzahl von Plasmiden und Kühen in einem Modul). Dieses Modul umfasste 215 Verbindungen, was 7,9 % aller Verbindungen im Netzwerk ausmachte, von denen die meisten zwischenschichtig (n = 205) und intramodular (n = 206) waren. Daher stellt es einen potenziellen Hauptweg der Übertragung und des genetischen Austauschs zwischen Plasmiden dar, insbesondere zwischen verschiedenen Wirten (Abb. 2A). Knoten innerhalb dieses größten Moduls machten 8 % des Flusses aus, was eine Größenordnung mehr ist als der mittlere Fluss pro Modul (0,2 %) (Z-Score = 13,3, p < 10−5). Der Vergleich mit dem größten Modul in jedem gemischten Netzwerk zeigte, dass sich die Anzahl der eindeutigen Plasmide (physischen Knoten) innerhalb eines Moduls zwar nicht unterschied (p = 0,35), der Fluss im größten Modul des beobachteten Netzwerks jedoch deutlich größer war als im größten Modul Module in den gemischten Netzwerken (p = 0,003) (Ergänzende Abbildung 3B). Daher findet innerhalb dieses großen Moduls mehr genetischer Austausch statt als erwartet, wenn Plasmide zufällig unter den Kühen verteilt würden. Zusammengenommen deuten diese Ergebnisse auf einen Teil des Netzwerks hin, in dem ein unverhältnismäßig großer Genaustausch stattfand.

AA-Layer-Perspektivdarstellung des gesamten Netzwerks. Knoten sind Kühe, ihre Größe ist proportional zur Anzahl der Intralayer-Kanten innerhalb jeder Kuh. Knotenbezeichnungen geben die Kuh-ID und in Klammern die relative Stärke an, berechnet als Anzahl der Zwischenschichtkanten, die eine Kuh geteilt hat, durch die Gesamtzahl der Zwischenschichtkanten im Netzwerk. Eine Kante bedeutet, dass mindestens eine Zwischenschichtkante zwei Kühe verbindet und ihre Breite proportional zur Gesamtzahl der Zwischenschichtkanten zwischen Kühen ist. Knoten in Rot, Rosa oder beidem zeigen Kühe an, die im größten Modul, dem Beta-Lactamase-Modul, bzw. in beiden vorkommen. B Balkendiagramm der Anzahl der Module pro Kuh. Die Anzahl der Module pro Kuh lag zwischen 1 und 164, mit einem Median von 63. C Der Prozentsatz der Module, die von den Kühen gemeinsam genutzt wurden. Jede Zelle wird als Anzahl der Module berechnet, die Kuh j (Spalten) mit i (Zeilen) teilt, geteilt durch die Gesamtzahl der Module, die j hat. Dieses Maß führt zu einer asymmetrischen Matrix, da der Anteil in Bezug auf eine der Kühe im Paar berechnet wird und die Kühe eine unterschiedliche Anzahl von Modulen haben. Die Balken in B entsprechen den Matrixspalten in C und sind nach der Anzahl der Module pro Kuh geordnet, vom niedrigsten (links) zum höchsten (rechts). Die cyanfarbenen Rechtecke sind Beispiele für zwei Kühe, die sich einen hohen Anteil an Modulen teilen. Diese beiden Kühe sind auch Teil des größten und des Beta-Lactamase-Moduls (cyanfarbener Rand in A). Daher könnten sie Superspreizer von AMR-Genen sein.

Die Anzahl der Module, in denen Kühe anwesend waren, war verzerrt (Abb. 2B), deutete jedoch darauf hin, dass Kühe gemeinsame Übertragungswege haben. Um die mögliche Übertragung zwischen Kühen weiter zu untersuchen, haben wir die Modulteilung \(s_{ij} = \left| {m_i \cap m_j} \right|/m_j\) berechnet. Das heißt, die Anzahl der Module, die zwischen Kuhpaaren geteilt werden (mi, mj), von der Gesamtzahl der Module in Kuh mj. Die Modulteilung war stark asymmetrisch und lag zwischen 0 und 100 % (Median = 14 %) (Abb. 2C). Wie erwartet teilten sich Kühe mit wenigen Modulen alle oder die meisten davon. Es gab eine negative Korrelation zwischen der Anzahl der Module, die eine Kuh beherbergte, und dem durchschnittlichen Anteil der Module, die mit anderen Kühen geteilt wurden (Kendalls Tau = −0,785, p = 7,2e−7). Daher können einige Kühe als Knotenpunkte für viele interagierende Plasmidgruppen dienen und periphere Kühe mit Übertragungswegen verbinden. Dennoch teilten einige Kühe mit vielen Modulen immer noch einen hohen Anteil davon. Beispielsweise teilten vier der fünf Kühe mit der höchsten Modulzahl (125–164 Module) 53–69 % ihrer Module mit anderen Kühen. Somit gibt es potenzielle Hotspots für die Plasmidübertragung.

Der Anteil gemeinsam genutzter Module zwischen Kühen war höher als der Anteil gemeinsam genutzter Plasmide, der zwischen 0 und 66,6 % lag, mit einem Median von nur 0,71 % (ergänzende Abbildung 4). Fast die Hälfte (47,1 %) der Kuhpaare hatten keine gemeinsamen Plasmide. Während dieses Muster teilweise ein Artefakt der im Vergleich zu Modulen viel größeren Anzahl von Plasmiden ist, zeigt es auch, dass die Kühe zwar überwiegend keine identischen Plasmide beherbergen, aber dennoch gemeinsame Übertragungswege haben. Diese Beobachtung wurde weiter durch die geringe Korrelation zwischen dem Anteil gemeinsam genutzter Module und dem Anteil gemeinsam genutzter Plasmide gestützt (Kendalls Tau = 0,41, p < 2,2e−16).

Um die Vorstellung von Kühen als Übertragungsknotenpunkten zu validieren, verglichen wir die beobachtete Modulfreigabe mit der in den gemischten Netzwerken erhaltenen. Für jedes Kuhpaar haben wir einen Z-Score der Modulteilung (Methoden) berechnet. Von den 420 möglichen Paaren teilten 98 deutlich mehr (Z-Score > 1,96) und 194 deutlich weniger (Z-Score < −1,96) Module als die zufällige Erwartung. Der Trend hin zu weniger Kuhpaaren, die sich viele Module teilen, steht wiederum im Einklang mit einer möglichen Superausbreitung im Netzwerk, dieses Mal auf Kuhebene. Zusammengenommen veranschaulichen diese Ergebnisse, dass die Anzeichen einer möglichen Superausbreitung nicht nur auf Plasmidebene, sondern auch auf Kuhebene beobachtet werden.

Anschließend fragten wir, wie sich die Netzwerkstruktur auf die Ausbreitung eines hypothetischen AMR-Plasmid-Gens in der Kuhpopulation auswirken könnte. Um dieses Problem anzugehen, haben wir ein stochastisches agentenbasiertes Modell der Genübertragung erstellt. In diesem Modell liegt das Gen zunächst in einem einzelnen Plasmid (Zustandsknoten) vor. Wir haben zufällig 20 Startplasmide ausgewählt: 10 hochvernetzte Plasmide, die Teil des größten Moduls sind, und 10 periphere Plasmide aus den kleinsten Modulen (die zwei Zustandsknoten enthalten). In jedem Zeitschritt kommt eine bestimmte Anzahl von Plasmidpaaren in Kontakt. Wenn eines der Plasmide im Paar das Gen trägt, ist die Wahrscheinlichkeit, dass das Gen auf das zweite Plasmid übertragen wird, gleich der genetischen Ähnlichkeit (Kantengewicht) zwischen ihnen, da Untersuchungen gezeigt haben, dass pHGT positiv mit genetischer Ähnlichkeit korreliert [57]. ]. Bakterien sind in unserem Modell implizit und wir gehen davon aus, dass der Plasmidkontakt innerhalb von Bakterienzellen stattfindet. Das Gen kann auch aus einem Plasmid verloren gehen, wobei die Rate vom Grad des positiven Selektionsdrucks abhängt (höherer Selektionsdruck führt zu geringeren Verlustraten). Um die Kompromisse zwischen Plasmidkontakt und Selektionsdruck zu bestimmen, haben wir das Modell mit niedrigen (10 Plasmide in Kontakt), mittleren (100 Plasmide in Kontakt) und hohen (1000 Plasmide in Kontakt) Gesamtkontaktraten ausgeführt und den Selektionsdruck berücksichtigt durch Genverlustraten: hoch (0 Verlust pro Kopf), mittel (0,01 pro Kopf) und niedrig (0,1 pro Kopf). Wir ließen das Modell 1000 Zeitschritte lang laufen und maßen die Anzahl der Kühe, bei denen das AMR-Gen ankam.

Bei hohen Kontaktraten verbreitete sich das Gen bei jedem Grad des Selektionsdrucks schnell und in etwa der gleichen Zeit auf alle Kühe (Abb. 3). Bei mittlerem Kontakt könnte das Gen alle Kühe mit hohem oder mittlerem Selektionsdruck erreichen. Allerdings dauerte es im Durchschnitt etwa neunmal so viele Zeitschritte wie bei den Simulationen mit hohem Selektionsdruck. Bei geringem Kontakt war es dem Gen nur bei hohem Selektionsdruck möglich, alle Kühe zu erreichen, aber dies geschah nur in einem kleinen Prozentsatz der Simulationen (14–15 %), und wenn dies der Fall war, waren durchschnittlich etwa 900 Zeitschritte erforderlich ( Abb. 3, Ergänzungstabelle 1).

Ergebnisse von Simulationen der Genübertragung bei Kühen, wenn das Gen aus einem hochvernetzten Plasmid stammt. Jeder Punkt ist die Anzahl der Kühe mit dem Gen zu jedem Zeitschritt, gemittelt über 300 Simulationen pro Plasmid. Unter Kontakt versteht man die Kontaktrate zwischen Plasmiden. Wenn Plasmide einander begegnen und infolgedessen Gene mit hoher Geschwindigkeit austauschen, wird das Gen schnell an die gesamte Kuhpopulation weitergegeben. Ergebnisse von Simulationen beginnend mit peripheren Plasmiden finden Sie in der ergänzenden Abbildung 5.

Die Muster der Genübertragung waren nahezu identisch, wenn entweder in stark verbundenen oder peripheren Plasmiden begonnen wurde (Abb. 3, ergänzende Abb. 5, ergänzende Tabelle 1). Eine ähnliche Dynamik zwischen stark vernetzten oder peripheren Plasmiden kann auf die Tatsache zurückzuführen sein, dass sich ein Plasmid, sobald es eine gut vernetzte Kuh erreicht, extrem schnell auf andere ausbreitet (Abb. 2). Selbst die fünf Kühe, die nicht Teil des größten Moduls sind, enthielten beispielsweise noch andere große Module (9–18 Zustandsknoten). Selbst bei geringem oder mittlerem Selektionsdruck kann die Konnektivität zwischen Kuhmodulen es den Genen ermöglichen, über pHGT schnell alle Wirte in dieser Population zu erreichen, wenn der Kontakt zwischen Plasmiden hoch genug ist. Ein weiterer möglicher Faktor ist die hier untersuchte geringe Kuhpopulationsgröße (n = 21).

Bisher haben wir gezeigt, dass es nicht zufällige Signaturen für unverhältnismäßige Beiträge von Plasmiden und Kühen zum Genaustausch gibt. Diese Muster deuten jedoch nicht auf bestimmte Mechanismen hin, durch die ein Genaustausch stattfinden kann. Wir gehen davon aus, dass solche Informationen in der Verteilung der Linkgewichte enthalten sind. Insbesondere sollte sich die Plasmidverbreitung durch eine hohe Ähnlichkeit zwischen Plasmiden (sehr starke Verbindungen) manifestieren, da es sich bei den beiden Knoten im Wesentlichen um dasselbe Plasmid handelt. Im Gegensatz dazu deuten niedrige Linkgewichte auf pHGT hin, da ein kleiner Abschnitt der DNA der Plasmide gemeinsam genutzt wird (z. B. durch Rekombination). Die Verteilung der Kantengewichte im Netzwerk zeigte zwei abrupte Brüche bei 0,5 und 0,95 (Abb. 4A, B). Wir nehmen an, dass diese Brüche pHGT (Kantengewichte < 0,5) und Ausbreitung (Kantengewichte > 0,95) entsprechen. Zwischen diesen beiden Szenarien liegt ein drittes, das wir „Entfernung“ nennen. Bei der Fernverbreitung breitet sich ein Plasmid aus und erfährt dann eine genetische Veränderung durch Mutation oder Umlagerungen durch Transposons. Während es in diesem Szenario unmöglich ist, den besonderen Mechanismus der genetischen Veränderung durch paarweise genetische Ähnlichkeit zu bestimmen, könnte ein solcher Mechanismus erklären, warum die Fernverbreitung zwischen HGT und Ausbreitung liegt.

AA vereinfachte Visualisierung jedes mehrschichtigen Subnetzwerks (ähnlich Abb. 2A). Knoten sind Kühe und ihre Größe ist proportional zur Anzahl der Intralayer-Kanten in ihnen. Kanten kennzeichnen Zwischenschichtkanten zwischen Kühen und ihre Breite ist proportional zur Gesamtzahl der Zwischenschichtkanten. B Die Verteilung der Kantengewichte im Netzwerk weist zwei abrupte Brüche (vertikale graue Linien) bei 0,5 und 0,95 auf. C-Venn-Diagramm, das die Anzahl der von den drei Subnetzwerken gemeinsam genutzten Plasmide darstellt. Prozentsätze werden in Bezug auf die Gesamtzahl der Plasmide im Datensatz berechnet. Die Kreisgröße veranschaulicht die Anzahl der Plasmide und Kanten im Subnetzwerk.

Die Aufteilung in Teilnetzwerke stellt eine Hypothese dar, dass diese Mechanismen (pHGT und Ausbreitung) die beobachtete Kantengewichtsverteilung steuern. Der erste Schritt zur Lösung dieser Hypothese besteht darin, zu testen, ob diese Verteilung nicht zufällig durch Sequenzähnlichkeit bestimmt wird, also das Muster, das sich aus dem Genaustausch ergibt. Wir haben die Alignment-Länge zwischen Plasmidpaaren 1000-mal ersatzlos neu abgetastet und alle anderen Werte gleich gelassen. Anschließend haben wir die Kantengewichte für den neu abgetasteten Datensatz neu berechnet. Die beiden abrupten Unterbrechungen gab es in den erneut abgetasteten Netzwerken nicht. Darüber hinaus unterschied sich die beobachtete Kantengewichtsverteilung signifikant von der durch Resampling erhaltenen Verteilung (Kolmogorov-Smirnov-Test, D = 0,25, p <0,0001), was darauf hindeutet, dass die beobachtete Verteilung wahrscheinlich das Ergebnis biologischer Prozesse ist (ergänzende Abbildung 6).

Anschließend untersuchten wir jeden Genaustauschmechanismus, indem wir das Netzwerk entsprechend den Verbindungsgewichten in drei mehrschichtige Teilnetzwerke unterteilten (Abb. 4A, B). Die Größe der Subnetzwerke variierte, wobei das Subnetzwerk mit entfernter Ausbreitung die Anzahl der Plasmide und Kanten dominierte (Abb. 4C). Während Kanten nur zu einem Subnetzwerk gehören können, können Plasmide zu mehreren Subnetzwerken gehören (Abb. 4C). Das pHGT-Subnetzwerk hatte die höchste Dichte an Intra- (0,50 %) und Inter-Layer-Kanten (0,78 %), verglichen mit der jüngsten Ausbreitung (Intra-Layer = 0,38 %; Inter-Layer = 0,22 %) und der entfernten Ausbreitung (Intra-Layer = 0,38 %; Inter-Layer = 0,22 %). Schicht = 0,11 %; Zwischenschicht = 0,25 %) Teilnetze. Diese Unterschiede in der Dichte weisen auf die Bedeutung von pHGT für die Steuerung genetischer Ähnlichkeitsmuster im Netzwerk hin.

Wir fragten dann, ob funktionelle Plasmidmerkmale die Plasmidbedeutung und die modulare Struktur beeinflussen. Zu diesem Zweck untersuchten wir die Rolle von Plasmid-Mobilitätsgenen, die die Fähigkeit zur Übertragung auf neue bakterielle Wirte ermöglichen (Methoden). Plasmide, die konjugativ (oder selbstübertragbar) sind, kodieren für alle notwendigen Proteine, um sich selbst zu übertragen, während diejenigen, die mobilisierbar sind, die Maschinerie eines anderen Elements in der Zelle, insbesondere den Paarungskomplex, für die Übertragung nutzen müssen [58,59,60 ]. Im Allgemeinen ist mindestens die Hälfte der Plasmide nicht mobilisierbar (weder konjugativ noch mobilisierbar) [58]. Wir haben die Wirkung von Mob-Genen auf den Grad der Plasmide, den Modulfluss und die Eigenschaften der Module, in denen sie vorkommen, mithilfe von Mann-Whitney-Wilcoxon-Tests gemessen. Im Datensatz hatten 235 Plasmide (17,4 %) Mob-Gene. Wir fanden heraus, dass Plasmide mit Mob-Genen im Vergleich zu Plasmiden ohne Mob-Gene einen deutlich höheren Grad und einen größeren Fluss aufwiesen, jedoch nicht bei einer größeren Anzahl von Kühen gefunden wurden. Module, die Plasmide mit Mob-Genen enthielten (83 von 414), waren größer, enthielten mehr einzigartige Plasmide, umfassten mehr Kühe und hatten einen größeren Durchfluss (Tabelle 1).

Alle 12 Plasmide im größten Modul (Abb. 2A) enthielten ein mobM-Gen, von dem bekannt ist, dass es weit über Plasmide verteilt ist, die aus Enterokokken, Streptokokken und Staphylokokken isoliert wurden. Die beiden ersteren sind in der Pansenumgebung weit verbreitet und bestehen aus bekannten Vertretern wie Streptococcus bovis und Enterococcus faecalis [61], was das Vorhandensein von Plasmiden in diesem Modul erklären könnte. Ein Plasmid mit einem Mobilitätsgen weist wahrscheinlich hohe Ausbreitungsraten zwischen Bakterienwirten dieser Abstammungslinien und damit zwischen Kühen auf. Daher könnte dieses Modul aus Plasmiden bestehen, die sich mit den Genomen ihrer bakteriellen Wirte und untereinander rekombinieren, wenn sie in denselben Wirten vorkommen. Es ist wichtig zu beachten, dass Plasmid-Plasmid-Wechselwirkungen über das Bakteriengenom vermittelt werden könnten. Daher ist es für die Rekombination nicht unbedingt erforderlich, dass Plasmide zeitlich in derselben Zelle zusammenfallen. Eine alternative Hypothese ist, dass diese Plasmide zu einem gemeinsamen Plasmid-Vorfahren gehören, dessen mehrfache Kopien bei der Mobilisierung über Wirte hinweg genetische Veränderungen erfahren haben. Diese Hypothese wird durch die Tatsache gestützt, dass 95 % der Kanten im Modul Streukanten waren. Dennoch schließen sich diese beiden Szenarien der Plasmid-Rekombination und der Plasmid-Vorfahren-Modifikation nicht gegenseitig aus.

Wir identifizierten ORFs im Zusammenhang mit antimikrobieller Resistenz in 12 Plasmiden (0,9 %). Acht davon betrafen Beta-Lactam, drei wegen Tetracyclinresistenz und einer wegen Penicillin-bindendem Protein. Interessanterweise wurden Plasmide mit Beta-Lactam- und Tetracyclin-Resistenz in zwei verschiedene Module aufgeteilt, die keine anderen Plasmide enthielten. Das Modul, das die Beta-Lactam-resistenten Plasmide enthielt, umfasste 11 verschiedene Kühe und war damit gemessen an der Anzahl der Legehennen das drittgrößte im Netzwerk (Abb. 2A). Von den Kanten, die Plasmide mit Beta-Lactam-Resistenz verbinden, gehörten 77 % zum Subnetzwerk mit entfernter Ausbreitung, während der Rest zum Subnetzwerk mit neuerer Ausbreitung gehörte. Alle Verbindungen zwischen den drei Plasmiden mit Tetracyclinresistenz entsprachen dem Fernverbreitungsnetzwerk. Daher ist die Plasmidverbreitung wahrscheinlich der Hauptmechanismus für die Ausbreitung einer plasmidvermittelten Antibiotikaresistenz zwischen Wirten. Dies legt nahe, dass der selektive Druck auf Antibiotikaresistenzgene die Verbreitung und Persistenz dieser Plasmide bei Kühen fördern könnte.

Eine erhebliche Lücke beim Verständnis der Ausbreitung von AMR besteht darin, zu verstehen, wie sich plasmidübertragene AMR-Gene innerhalb und zwischen mikrobiellen Gemeinschaften und tierischen Wirten ausbreiten. Wir haben diese Lücke geschlossen, indem wir auf Theorien und Methoden der Mikroben- und Krankheitsökologie zurückgegriffen haben und dabei mehrschichtige Netzwerke genetischer Ähnlichkeit zwischen Plasmiden in einer Population von Milchkühen genutzt haben. Während Netzwerke zur genetischen Ähnlichkeit von Plasmiden zuvor verwendet wurden, um Plasmide zu klassifizieren (33, 34, 37) und die Übertragung von Plasmid-Genen über Umgebungen und Geographie hinweg auf evolutionären Skalen zu identifizieren (18, 38, 39), sind diese Skalen für die Übertragung weniger relevant innerhalb von Tierpopulationen. Hier verwendeten wir die Signatur, die der genetische Austausch zwischen Plasmiden in ihren Sequenzähnlichkeitsmustern hinterlässt, um die Plasmidübertragung zwischen Wirten in einem Ausmaß zu verstehen, das für die Übertragung plasmidvermittelter antimikrobieller Resistenzen relevant ist.

Insbesondere fanden wir Hinweise auf eine Superausbreitung, einschließlich der stark verzerrten Verteilungen für den Knotengrad auf Plasmidebene und die gemeinsame Nutzung von Modulen auf der Ebene der Kühe. Darüber hinaus haben wir gezeigt, dass das Modul, das Plasmide mit einem mobM-Gen enthält, und das Modul aus Plasmiden mit einem Beta-Lactam-Resistenzgen bei acht der 21 Kühe übereinstimmen. Diese Kühe könnten Superverbreiter der Beta-Lactam-Resistenz sein, da ihr Übergreifen vom Beta-Lactam-Modul auf das größte Modul eine schnelle Übertragung des Gens in der gesamten Kuhpopulation bewirken könnte. Super-Spreading wurde bei der Ausbreitung antimikrobieller Resistenzen sowohl bei Menschen [62,63,64] als auch bei Kühen [65] festgestellt. Soziale Netzwerke von Kühen haben auch gezeigt, dass die meisten Individuen relativ wenige Verbindungen zu anderen haben, während einige Individuen stark vernetzt sind, was ein weiterer Hinweis auf die Möglichkeit einer Superverbreitung im Falle eines Ausbruchs ist [66].

Die Identifizierung von Super-Spreading-Mustern ist wichtig, da sie als Leitfaden für Management- und Kontrollstrategien dienen können, um die Ausbreitung von Krankheitserregern oder antimikrobiellen Resistenzen zu verhindern und die Wirksamkeit von Interventionen zu erhöhen, indem sie auf die am besten vernetzten Personen oder Gruppen im Netzwerk abzielen [51, 65, 67]. ]. Das von uns vorgestellte Übertragungsmodell ist ein neuartiger Ansatz in dieser Richtung, da es die Struktur von Plasmidähnlichkeitsnetzwerken mit der Genübertragung verknüpft. Während Plasmidähnlichkeitsnetzwerke typischerweise zur Unterscheidung von Prozessen verwendet werden, die beobachtete Strukturen erzeugt haben, kann unser Modell darüber hinaus verwendet werden, um mehrere Hypothesen hinsichtlich der Auswirkung der Netzwerkstruktur auf die potenzielle Genübertragung zu testen.

Das Vorhandensein von Mob-Genen beeinflusste die Plasmidkonnektivität und die Netzwerkstruktur. Frühere Studien ergaben auch, dass konjugative und mobilisierbare Plasmide stärker miteinander verbunden sind als nicht mobilisierbare [39, 68]. Plasmide mit Mob-Genen haben möglicherweise einen höheren Knotengrad, da sie sich schneller zwischen Bakterien verteilen können und häufiger auf andere Plasmide treffen, insbesondere da mobilisierbare oder konjugative Plasmide eher in verschiedenen Bakterienfamilien vorkommen. Besonders deutlich wurde dies bei den Plasmiden des größten Moduls. Im Gegensatz dazu ist es wahrscheinlicher, dass nicht mobilisierbare Plasmide auf eine einzelne Spezies beschränkt sind [34]. Es ist jedoch auch wichtig zu berücksichtigen, dass sich viele kleine Plasmide immer noch schnell in Bakterienpopulationen ausbreiten können, obwohl die Mechanismen derzeit nicht genau verstanden sind [68].

Durch die Analyse der Modularität in unserem Netzwerk konnten wir potenzielle Übertragungswege zwischen Hosts identifizieren. Wirte mit ähnlichen Plasmiden teilen mit größerer Wahrscheinlichkeit AMR-Gene, wie für Krankheitserregertypen gezeigt wurde [42]. Die Tatsache, dass alle Plasmide mit Beta-Lactam- und Tetracyclin-Resistenz in unterschiedlichen Modulen gefunden wurden, stützt die Idee, dass Module potenzielle Genübertragungswege darstellen. Diese Schlussfolgerung wird durch unsere Beobachtung gestützt, dass die Plasmidmobilität die modulare Struktur stark beeinflusst. Das Vorhandensein mehrerer großer Module, die einen großen Teil der Pansenökosysteme der Kühe in dieser Population umfassen, legt nahe, dass sich sowohl Plasmide als auch die Gene, die sie tragen, schnell in dieser Wirtspopulation verbreiten können. Das dynamische Modell unterstützte dieses Ergebnis. Da die Konnektivität der Module zwischen Kühen hoch ist, wird ein Gen, selbst wenn es in einer peripheren Kuh auftritt, schnell auf andere übertragen.

Das Netzwerk wurde von Zwischenschichtkanten dominiert, die Plasmide in verschiedenen Kühen verbanden. Wir gehen davon aus, dass die Konnektivität zwischen den Schichten hauptsächlich durch den Bakterientransfer zwischen Kühen vermittelt wird, während die Konnektivität innerhalb der Schichten durch die Plasmidkonjugation im Pansen jeder einzelnen Kuh vermittelt wird. Untersuchungen zur plasmidvermittelten antimikrobiellen Resistenz im Gesundheitswesen zeigten, dass Plasmide häufig über einen einzelnen Bakterienstamm zwischen Individuen übertragen werden. Gleichzeitig neigen sie dazu, innerhalb des Darmmikrobioms innerhalb von Individuen zwischen Arten zu übertragen [62]. Somit könnten unsere Ergebnisse darauf hindeuten, dass diese Plasmide zwischen Kühen übertragen werden, die von besonders effizienten mikrobiellen Kolonisatoren getragen werden. Es wurde jedoch auch gezeigt, dass sich Plasmide unabhängig von der Übertragung von Bakterien zwischen menschlichen Wirten verbreiten [69]. Unsere Plasmidomdaten umfassen nicht die beteiligten Bakterienwirte (siehe unten). Obwohl wir diese Hypothese nicht testen können, könnten zukünftige Studien in dieser Richtung Aufschluss über die relative Bedeutung von HGT- und pHGT-Prozessen auf mehreren Ebenen (Bakterienbewegung oder Plasmidbewegung) geben.

Wir nutzten die Ähnlichkeitsnetzwerke, um die Rolle von HGT und Ausbreitung zu erkennen, die beide eine wichtige Rolle bei der Ausbreitung antimikrobieller Resistenzen spielen [62, 69]. Unsere erste Untersuchung dieser neuen Hypothesen zeigte, dass die deutlich segmentierte Kantengewichtsverteilung nicht zufällig war und daher wahrscheinlich durch biologische Prozesse bestimmt wurde. Dennoch bleibt die Unterteilung in pHGT, rezente Ausbreitung und entferntes Ausbreitungsnetzwerk eine Hypothese. Weitere Untersuchungen, sowohl durch Modellierung als auch durch Experimente, sind erforderlich, um diese Hypothese zu testen, indem pHGT- und Mutationsraten in Plasmidpopulationen beobachtet und ermittelt werden, unter welchen Bedingungen die Kantengewichtsverteilung reproduziert werden kann.

Unsere Ergebnisse zeigen eindeutig eine umfangreiche Verbreitung von Plasmiden zwischen Kühen, wir haben jedoch keine Informationen über den Verbreitungsmechanismus. Im Gesundheitswesen werden Plasmide zwischen Patienten über Gesundheitspersonal oder Umweltreservoirs übertragen [62, 69,70,71]. Bei Kühen könnten Plasmide während der Fellpflege über den Speichel übertragen werden, insbesondere wenn Pansenplasmide beim Wiederkäuen ausgespuckt oder auf andere Weise im Maul gefunden wurden. Alternativ kann die Übertragung auch über den fäkal-oralen Weg erfolgen, da Kühe den Genitalbereich anderer Personen reiben, schnüffeln oder lecken können [66]. Eine Übertragung könnte auch über Bioaerosole aus Fäkalien möglich sein [72]. Die Kombination unserer Plasmidähnlichkeitsnetzwerke mit sozialen Netzwerken unter Verwendung von Maßnahmen wie Nähe, Allogrooming oder gemeinsamer Raumnutzung zwischen Kühen [43, 66, 73] könnte weitere Erkenntnisse darüber liefern, wie Plasmide zwischen Individuen übertragen werden.

Unsere Studie weist mehrere Einschränkungen auf. Erstens haben wir die bakteriellen Wirte der Plasmide nicht explizit berücksichtigt. Zweitens verfügen wir über keine Messungen des sozialen Kontakts der Kühe. Drittens stellen unsere Daten nur eine einzige Momentaufnahme dar; Eine Längsschnitt-Zeitreihenanalyse könnte weitere Informationen über die Dynamik von Plasmidinteraktionen und deren Ausbreitung liefern [74]. Viertens basiert unsere Methode zur Berechnung der Plasmidähnlichkeit auf Alignments, die Umlagerungen im Genom von Plasmiden möglicherweise nicht berücksichtigen [33]. Schließlich betrachten wir nur zirkuläre Plasmide, obwohl lineare Plasmide auch AMR-Gene tragen können (siehe auch Methoden) [75]. Trotz dieser Einschränkungen liefert unsere Studie den ersten Einblick in den möglichen Genaustausch über Plasmide mit einer relevanten räumlich-zeitlichen Auflösung.

Zusammenfassend lässt sich sagen, dass genetische Ähnlichkeitsnetzwerke ein leistungsstarkes Werkzeug zum Verständnis des Übertragungspotenzials von Plasmiden und ihren Genen innerhalb von Wirtspopulationen darstellen. Wir haben gezeigt, dass Plasmide in großem Umfang zwischen Individuen innerhalb einer Population von Milchkühen übertragen werden, mit Anzeichen einer Superausbreitung sowohl auf der Ebene der Plasmide als auch auf der Ebene der Kühe. Plasmidfunktionen, insbesondere AMR und Mobilität, beeinflussen die Netzwerkstruktur. Die genetische Ähnlichkeit zwischen Plasmiden in dieser Kuhpopulation zeigt Anzeichen sowohl der Ausbreitung als auch des genetischen Austauschs und liefert Einblicke in die Art und Weise, wie sich plasmidvermittelte AMR über Wirte hinweg ausbreiten kann.

Wir verwendeten einen vorhandenen Datensatz von Plasmiden, die aus den Pansen von 22 einzelnen israelischen Holstein-Milchkühen sequenziert wurden, die auf demselben Bauernhof gehalten wurden (30). Dieser Versuchsaufbau umfasst eine typische und standardmäßige Haltungsdiät, die in mehreren Betrieben weltweit für intensive Landwirtschaftsregime angewendet wird. Dadurch konnten wir konsistente Bedingungen ohne bekannte Störfaktoren erzielen. Die Kühe in der Studie wurden nicht mit Antibiotika behandelt, da diese das Pansenmikrobiom schädigen, auf das sie angewiesen sind. Daher war die allgemeine Erwartung, AMR-Gene zu identifizieren, von vornherein nicht hoch.

Probenahme- und bioinformatische Protokolle wurden bereits beschrieben [30]. Kurz gesagt, von jeder Kuh wurden Pansenflüssigkeitsproben entnommen, DNA extrahiert, mit Phi29-Polymerase amplifiziert und mit dem Paired-End-Protokoll (GAIIX-Sequenzer und HiSeq [Illumina]) sequenziert (30). Die Lesevorgänge jeder Kuh wurden zunächst mithilfe von SPAdes zu Plasmid-Contigs zusammengesetzt (76). Wir haben uns auf Plasmide als mobile Elemente konzentriert und gleichzeitig chromosomale DNA eliminiert, die unsere Analysen verfälschen könnte. Daher verwendeten wir das Recycler-Tool [77], um nur zirkuläre Plasmide aus den Contigs auszuwählen, um geschlossene zirkuläre Sequenzen zu identifizieren, die keine bakteriellen Chromosomen sind. Trotz dieses strengen Ansatzes identifizierte die Methode dennoch Plasmide mit einer Größe von 2000–7297 bp, die AMR-Gene trugen.

Der vollständige Plasmiddatensatz enthielt 8741 Plasmidsequenzen. Jeder Sequenz wurde basierend auf der Kuh, bei der sie entdeckt wurde, ein Name zugewiesen. Wir verglichen paarweise Plasmidsequenzen mit dem BLASTn-Algorithmus [30]. Durch den Vergleich der Plasmidlänge, der Ausrichtungslänge und der prozentualen Identität haben wir im Datensatz identische Plasmidsequenzen entdeckt, die von verschiedenen Kühen sequenziert wurden. Identische Plasmide waren solche mit der gleichen Länge und 100 % Identität über 100 % ihrer Länge ohne Lücken im Alignment. Anschließend bestätigten wir, dass diese Plasmide identisch waren, indem wir sie in der Software Geneious (v.11) ausrichteten. Insgesamt 314 Sequenzen wurden als identisch mit mindestens einer anderen Sequenz im Datensatz identifiziert und folglich in 138 identischen Plasmiden gruppiert. Jedes identische Plasmid wurde aus 2 bis 5 Kühen zusammengesetzt, sodass 8565 einzigartige Plasmide übrig blieben. Wir haben kein weiteres Clustering durchgeführt. Jedem einzelnen Plasmid wurde eine Knoten-ID-Nummer (1–8565) zugewiesen. Identischen Plasmiden wurde die gleiche Knoten-ID zugewiesen. Jeder Kuh wurde außerdem eine eindeutige Legehennen-ID (1–22) zugewiesen. Kuh Nummer 2 enthielt keine Plasmide, die unseren Kriterien entsprachen, und wurde ausgeschlossen.

Da Contigs aus einzelnen Proben zusammengestellt wurden, haben wir die Lesevorgänge jeder einzelnen Kuh mithilfe von bbmap mit dem Parameter „ambig“ auf „all“ auf den vollständigen Satz von Plasmid-Contigs zurückgeführt, um festzustellen, ob zusätzliche Plasmide aus dem Datensatz nicht im gefunden wurden Die ursprüngliche Zusammensetzung war bei einzelnen Kühen vorhanden. Basierend auf der Lesekartierung haben wir die Abdeckung jeder Plasmidsequenz in jeder Kuh gemessen. Wir gingen davon aus, dass Plasmide bei einer Kuh vorhanden waren, wenn sie bei dieser Kuh zu 100 % abgedeckt waren.

Wir haben zuvor veröffentlichte Anmerkungen für Plasmid-ORFs verwendet (30). Diese ORFs wurden durch einen Vergleich mit der NCBI-NR-Proteindatenbank unter Verwendung eines maximalen E-Wert-Grenzwerts von 10–5 annotiert. Für jeden ORF wurde der Treffer mit dem niedrigsten E-Wert ausgewählt, es sei denn, es handelte sich um ein hypothetisches Protein. In diesem Fall wählten wir den nächstniedrigeren E-Wert. Wenn alle fünf Treffer mit dem niedrigsten E-Wert hypothetische Proteine ​​waren, wurde der ORF als hypothetisch annotiert. Annotierte Funktionen wurden dann basierend auf ihrer Beschreibung in der Datenbank manuell in Funktionskategorien wie „Plasmid“, „Phagen“ und „Zuckerstoffwechsel“ eingeordnet.

Wir haben zusätzliche bioinformatische Analysen aller Plasmide im Datensatz mithilfe des Resistance Gene Identifier (https://github.com/arpcard/rgi) durchgeführt. Wir haben keine zusätzlichen AMR-Gene entdeckt, aber diejenigen, die bereits in unserem Datensatz enthalten waren, wurden erneut verifiziert, was unsere vorherigen Analysen bestätigt [30]. Darüber hinaus haben wir für alle Plasmide im Datensatz die ORFs mithilfe von Prokka vorhergesagt und KofamScan verwendet, um KEGG-Orthologien zu identifizieren, was zu 15 KOs über 40 Plasmide führte. Wir haben speziell die Plasmide in Modul Nr. 1 (dem größten Modul) gesprengt. Da die Explosionsergebnisse ganzer Plasmide keine Treffer aufwiesen, haben wir auch manuell nach konservierten Domänen der Plasmide in Modul Nr. 1 und Modul Nr. 2 (die die Plasmide mit den Beta-Lactam-tragenden Plasmiden enthielten) gesucht, indem wir das Tool „Konservierte Domänen“ mit NCBI verwendet haben ( https://www.ncbi.nlm.nih.gov/Structure/cdd/wrpsb.cgi?RID=3FEF4TF8013&mode=all). Diese Ergebnisse finden Sie in den Zusatzinformationen.

Wir haben ungerichtete Netzwerke verwendet, da die Richtung des Austauschs oder der Divergenz zwischen Plasmiden nicht allein aus der Sequenzähnlichkeit ermittelt werden kann (37, 78). Für jedes Plasmidpaar haben wir ein Kantengewicht berechnet als:

Dabei sind i und j ausgerichtete Plasmide, ls die Länge des Alignments, li und lj die Gesamtlängen der Plasmide i und j, k die Anzahl der Alignments zwischen den Plasmiden und pi die prozentuale Identität zwischen den Plasmiden für a gegebene Ausrichtung. Während die Plasmidlänge im Datensatz zwischen 2.000 und 7.297 bp lag (Mittelwert = 2.751 bp), hatten ausgerichtete Plasmide im Allgemeinen eine ähnliche Länge, wobei 72 % zwischen 2.000 und 3.000 bp lagen.)

Vor dem Aufbau unserer Netzwerke führten wir eine Sensitivitätsanalyse durch, um den Grenzwert für die Plasmidlänge zu bestimmen, der in unsere Analyse einbezogen werden soll. Wir verglichen die Anzahl der Plasmide und Alignments (insgesamt, intralayer und interlayer), die in den Daten bei Schwellenwerten für die Plasmidlänge (500–3000 bp in Schritten von 500 bp) und die Alignmentlänge (20 % des kürzeren Plasmids in einem bestimmten Paar) beibehalten wurden und 20 % des Schwellenwerts). Während die Anzahl der Intralayer-Kanten bei allen Schwellenwerten relativ stabil war, stellten wir fest, dass die Anzahl der erhaltenen Interlayer-Kanten bei einem Längenschwellenwert von 2000 bp ein Plateau erreichte, während die beiden Ausrichtungsschwellenwerte praktisch keinen Einfluss hatten. Basierend auf diesen Ergebnissen beschränkten wir unsere Analysen auf Plasmidsequenzen > = 2000 bp und Alignments, die > = 20 % der Länge des kürzesten Plasmids in einem Paar abdeckten (ergänzende Abbildung 7). Die minimale prozentuale Identität für Alignments betrug >=70 % [30].

Wir haben den Intra-, Inter- und Gesamtgrad jedes Plasmids als Anzahl der Intra-Layer-Links, Inter-Layer-Links bzw. beider berechnet. Wir haben die Schiefe in der Verteilung der Gradzentralität und der Schichtverknüpfungen mithilfe der Funktion Schiefe in den Paketmomenten getestet [79]. Wir haben die Netzwerkdichte als Verhältnis zwischen der Gesamtzahl der realisierten Kanten (definiert als mindestens eine Ausrichtung, die sich über ≥20 % der Länge des kürzesten Plasmids in einem Paar erstreckt) dividiert durch die Gesamtzahl der potenziellen Kanten berechnet. Wir haben die Anzahl der potenziellen Intra- und Interlayer-Kanten, Pintra bzw. Pinter, wie folgt berechnet. Für Kanten innerhalb der Schicht:

wobei Nc die Anzahl der Plasmide in Kuh c ist und es C-Kühe gibt. Für Zwischenschichtkanten:

wobei N die Anzahl der Zustandsknoten (Plasmidschichtkombinationen) im Netzwerk ist: \(N = {\sum }_c^C N_c\).

Wir haben die Identität der Kühe, in denen Plasmide vorkommen, permutiert und so 1000 gemischte Netzwerke erstellt. Der Algorithmus bewahrte die Verteilung der Kantengewichte im Netzwerk sowie die Anzahl und Identität der Verbindungen zwischen einzigartigen Plasmiden. Es schränkte jedoch weder die Anzahl der Plasmide in einer Kuh noch die Anzahl der Kühe ein, in denen ein Plasmid vorkommen konnte. Wir berechneten die Dichte und das Verhältnis der Kanten zwischen den Schichten und den Kanten innerhalb der Schichten jedes gemischten Netzwerks, wie oben für das beobachtete Netzwerk beschrieben. Anschließend verglichen wir die Intra- und Interlayer-Dichte sowie das Verhältnis der Inter-:Intra-Layer-Dichte im beobachteten Netzwerk mit der Verteilung der Werte für diese Metriken in den gemischten Netzwerken. Um die Modulfreigabe in beobachteten und gemischten Netzwerken zu vergleichen, haben wir Z-Scores berechnet als

Wir haben die Netzwerkpartitionierung in Module mithilfe des Infomap-Algorithmus [54, 80] erhalten, der im Infomapecology R-Paket [56] implementiert ist. Kurz gesagt minimiert Infomap eine Funktion namens Kartengleichung mithilfe eines modifizierten und erweiterten Louvain-Algorithmus, um das Netzwerk so in Module zu unterteilen, dass die Menge an Informationen minimiert wird, die zur Beschreibung der Bewegungen eines zufälligen Wanderers im Netzwerk erforderlich sind. Module bezeichnen Gruppen von Knoten im Netzwerk, die stärker miteinander als mit anderen Knoten verbunden sind. Infomap ist ein nützliches Werkzeug zur Analyse dieser Art von Netzwerk, da es explizit die mehrschichtige Netzwerkstruktur berücksichtigt und recheneffizient ist [56]. Da Infomap auf dem Fluss basiert, ist es besonders relevant für diese Studie, deren Ziel es ist, nach Signaturen des Genflusses zu suchen [56]. Um festzustellen, ob die beobachtete Modularität und der beobachtete Fluss nicht zufällig waren, haben wir Infomap mit denselben Parametern wie im beobachteten Netzwerk auf jedes der gemischten Netzwerke (oben beschrieben) angewendet und die Verteilung der Modularität, der Moduleigenschaften, des Flusses und der Eigenschaften des verglichen größten Module in den gemischten Netzwerken zum beobachteten Netzwerk.

Beim Vergleich der Maße eines beobachteten Netzwerks mit denen, die aus gemischten Netzwerken erhalten wurden, berechneten wir p-Werte als den Anteil gemischter Netzwerke mit Werten, die größer oder kleiner als der beobachtete Wert waren. Der Vergleich beobachteter Netzwerke mit gemischten Netzwerken auf diese Weise ist eine etablierte und gängige Praxis in der Netzwerkökologie [81,82,83]. Wir haben alle Korrelationen und ihre p-Werte mithilfe der Funktion cor.test im Statistikpaket des Programms R berechnet. Wir haben Kendalls Tau verwendet, um alle Korrelationen aufgrund der Nichtnormalität der Daten und des Vorhandenseins von Ausreißern zu messen. Wir haben Mann-Whitney-Wilcoxon-Tests mit der Funktion wilcox.test im Statistikpaket des Programms R durchgeführt, wobei „paired“ auf „false“ gesetzt war.

Wir haben die direkte Methode von Gillespie [84] verwendet, um exakte stochastische Simulationen für unser Modell der Genverbreitung zu erhalten. Wir haben zwei Ereignisse in Betracht gezogen. Erstens könnte die Kopie des Gens in einem beliebigen Zustandsknoten (einem Plasmid in einer bestimmten Schicht) zufällig verloren gehen. Der Genverlust wurde durch eine Pro-Kopf-Verlustrate bestimmt, und daher wählten wir für jedes Verlustereignis mit gleicher Wahrscheinlichkeit ein Gen zur Entfernung aus den Zustandsknoten aus, die das Gen enthielten. Zweitens könnte jedes Paar von Zustandsknoten in Kontakt stehen und das Gen von einem Zustandsknoten auf einen anderen übertragen. Der Einfachheit halber haben wir eine konstante Kontaktrate (Kontakte pro Zeiteinheit) über alle Zustandsknoten hinweg berücksichtigt. Für jedes Kontaktereignis wählt der Algorithmus zufällig zwei Zustandsknoten aus. Wenn einer der Zustandsknoten das Gen enthält, kann es mit einer Wahrscheinlichkeit, die der Ähnlichkeit zwischen beiden Zustandsknoten entspricht, auf den anderen Zustandsknoten übertragen. Dadurch wird die Netzwerkstruktur explizit in das Modell einbezogen. Jede Simulation des Modells entspricht einer einzelnen Realisierung dieses stochastischen Prozesses. Für jedes der 20 Ausgangsplasmide ließen wir das Modell 300 Mal für 1000 einheitenlose Zeitschritte für jede einzigartige Kombination aus Kontakt- und Verlustrate laufen.

Die gesamte Datenverwaltung und -analyse wurde in R v.4.1.1 durchgeführt [85].

Alle Datendateien und R-Skripte, die für die statistische Analyse und die Generierung von Zahlen für diese Arbeit verwendet werden, sind im GitHub-Repository verfügbar:

https://github.com/Ecological-Complexity-Lab/Plasmid_multilayer_networks

WER. Bericht des Global Antimicrobial Resistance and Use Surveillance System (GLASS): 2021; https://apps.who.int/iris/bitstream/handle/10665/341666/9789240027336-eng.pdf

Van Boeckel TP, Glennon EE, Chen D, Gilbert M, Robinson TP, Grenfell BT, et al. Reduzierung des Einsatzes antimikrobieller Mittel bei Nutztieren. Wissenschaft. 2017;357:1350–2. https://doi.org/10.1126/science.aao1495

Artikel CAS PubMed Google Scholar

ONeill J. Antimikrobielle Mittel in Landwirtschaft und Umwelt: Reduzierung unnötiger Verwendung und Verschwendung. Rev Antimicrob-Resistenz; 2015:1–28.

Van Boeckel TP, Brower C, Gilbert M, Grenfell BT, Levin SA, Robinson TP, et al. Globale Trends beim Einsatz antimikrobieller Mittel bei Nutztieren. Proc Natl Acad Sci USA. 2015;112:5649–54. https://doi.org/10.1073/pnas.1503141112

Artikel CAS PubMed PubMed Central Google Scholar

Managaki S, Murata A, Takada H, Tuyen BC, Chiem NH. Verbreitung von Makroliden, Sulfonamiden und Trimethoprim in tropischen Gewässern: allgegenwärtiges Vorkommen von Veterinärantibiotika im Mekong-Delta. Umwelt-Sci-Technol. 2007;41:8004–10. https://doi.org/10.1021/es0709021

Artikel CAS PubMed Google Scholar

Woolhouse M, Ward M, van Bunnik B, Farrar J. Antimikrobielle Resistenz bei Menschen, Nutztieren und der weiteren Umwelt. Philos Trans R Soc Lond B Biol Sci. 2015;370:20140083 https://doi.org/10.1098/rstb.2014.0083

Artikel CAS PubMed PubMed Central Google Scholar

Noyes NR, Yang X, Linke LM, Magnuson RJ, Cook SR, Zaheer R, et al. Charakterisierung des Resistoms in Gülle, Boden und Abwasser aus Milch- und Rindfleischproduktionssystemen. Sci Rep. 2016;6:24645. https://doi.org/10.1038/srep24645

Artikel CAS PubMed PubMed Central Google Scholar

Agga GE, Cook KL, Netthisinghe AMP, Gilfillen RA, Woosley PB, Sistani KR. Persistenz von Antibiotikaresistenzgenen in der Hintergrundumgebung von Fleischrindern über zwei Jahre nach Einstellung des Betriebs. Plus eins. 2019;14:e0212510. https://doi.org/10.1371/journal.pone.0212510

Artikel CAS PubMed PubMed Central Google Scholar

Hudson JA, Frewer LJ, Jones G, Brereton PA, Whittingham MJ, Stewart G. Die Agrarlebensmittelkette und antimikrobielle Resistenz: eine Übersicht. Trends Lebensmittelwissenschaft Technol. 2017;69:131–47. https://doi.org/10.1016/j.tifs.2017.09.007

Artikel CAS Google Scholar

Gillings MR. Lateraler Gentransfer, bakterielle Genomentwicklung und das Anthropozän. Ann NY Acad Sci. 2017;1389:20–36. https://doi.org/10.1111/nyas.13213

Artikel PubMed Google Scholar

Rodríguez-Beltrán J, DelaFuente J, León-Sampedro R, MacLean RC, San Millán Á. Jenseits des horizontalen Gentransfers: Die Rolle von Plasmiden in der Bakterienevolution. Nat Rev Microbiol. 2021;6:347–59. https://doi.org/10.1038/s41579-020-00497-1

Artikel CAS Google Scholar

Zhang T, Zhang XX, Ye L. Das Plasmidmetagenom zeigt ein hohes Maß an Antibiotikaresistenzgenen und mobilen genetischen Elementen in Belebtschlamm. Plus eins. 2011;6:e26041. https://doi.org/10.1371/journal.pone.0026041

Artikel CAS PubMed PubMed Central Google Scholar

Li AD, Li LG, Zhang T. Erforschung von Antibiotikaresistenzgenen und Metallresistenzgenen in Plasmidmetagenomen aus Abwasseraufbereitungsanlagen. Vordere Mikrobiol. 2015;6:1025. https://doi.org/10.3389/fmicb.2015.01025

Artikel PubMed PubMed Central Google Scholar

Bukowski M, Piwowarczyk R, Madry A, Zagorski-Przybylo R, Hydzik M, Wladyka B. Prävalenz von Antibiotika- und Schwermetallresistenzdeterminanten und virulenzbedingten genetischen Elementen in Plasmiden von Staphylococcus aureus. Vordere Mikrobiol. 2019;10:805. https://doi.org/10.3389/fmicb.2019.00805

Artikel PubMed PubMed Central Google Scholar

Ramirez-Diaz MI, Diaz-Magaña A, Meza-Carmen V, Johnstone L, Cervantes C, Rensing C. Nukleotidsequenz des konjugativen Pseudomonas aeruginosa-Plasmids pUM505, das Virulenz- und Schwermetallresistenzgene enthält. Plasmid. 2011;66:7–18. https://doi.org/10.1016/j.plasmid.2011.03.002

Artikel CAS PubMed Google Scholar

Haenni M, Poirel L, Kieffer N, Châtre P, Saras E, Métayer V, et al. Gleichzeitiges Auftreten von Genen, die für β-Lactamase mit erweitertem Spektrum und MCR-1 kodieren, auf Plasmiden. Lancet Infect Dis. 2016;16:281–2. https://doi.org/10.1016/S1473-3099(16)00007-4

Artikel CAS PubMed Google Scholar

Peter S., Bosio M., Gross C., Bezdan D., Gutierrez J., Oberhettinger P. et al. Verfolgung der Übertragung von Antibiotikaresistenzen und der schnellen Plasmidentwicklung im Krankenhausumfeld durch Nanoporensequenzierung. mSphere. 2020;5. https://doi.org/10.1128/mSphere.00525-20

Halary S, Leigh JW, Cheaib B, Lopez P, Bapteste E. Netzwerk analysiert die Struktur der genetischen Vielfalt in unabhängigen genetischen Welten. Proc Natl Acad Sci USA. 2010;107:127–32. https://doi.org/10.1073/pnas.0908978107

Artikel PubMed Google Scholar

Bosi E, Fani R, Fondi M. Der Mosaikismus von Plasmiden, der durch den Nachweis und die Analyse atypischer Gene aufgedeckt wurde. BMC-Genom. 2011;12:403. https://doi.org/10.1186/1471-2164-12-403

Artikel CAS Google Scholar

Pesesky MW, Tilley R, Beck DAC. Mosaikplasmide sind in prokaryotischen Taxa reichlich vorhanden und ungleichmäßig verteilt. Plasmid. 2019;102:10–18. https://doi.org/10.1016/j.plasmid.2019.02.003

Artikel CAS PubMed Google Scholar

Casjens SR, Gilcrease EB, Vujadinovic M, Mongodin EF, Luft BJ, Schutzer SE, et al. Plasmiddiversität und phylogenetische Konsistenz im Lyme-Borreliose-Erreger Borrelia burgdorferi. BMC-Genom. 2017;18:165. https://doi.org/10.1186/s12864-017-3553-5

Artikel CAS Google Scholar

Madec JY, Haenni M. Antimikrobielles Resistenzplasmidreservoir in Lebensmitteln und lebensmittelproduzierenden Tieren. Plasmid. 2018;99:72–81. https://doi.org/10.1016/j.plasmid.2018.09.001

Artikel CAS PubMed Google Scholar

Ceccarelli D, Kant A, van Essen-Zandbergen A, Dierikx C, Hordijk J, Wit B, et al. Vielfalt von Plasmiden und Genen, die eine Resistenz gegen Cephalosporine mit erweitertem Spektrum in kommensalen Escherichia coli aus niederländischem Viehbestand in den Jahren 2007–2017 kodieren. Vordere Mikrobiol. 2019;10. https://doi.org/10.3389/fmicb.2019.00076

Auffret MD, Dewhurst RJ, Duthie CA, Rooke JA, John Wallace R, Freeman TC, et al. Das Pansenmikrobiom als Reservoir antimikrobieller Resistenz- und Pathogenitätsgene wird bei Fleischrindern direkt durch die Ernährung beeinflusst. Mikrobiom. 2017;5:159. https://doi.org/10.1186/s40168-017-0378-z

Artikel PubMed PubMed Central Google Scholar

Sabino YNV, Santana MF, Oyama LB, Santos FG, Moreira AJS, Huws SA, et al. Charakterisierung von Antibiotikaresistenzgenen in den Arten der Pansenmikrobiota. Nat Commun. 2019;10:5 https://doi.org/10.1038/s41467-019-13118-0

Artikel CAS PubMed PubMed Central Google Scholar

Brown Kav A, Benhar I, Mizrahi I. Pansenplasmide. In: Gophna U, Herausgeber. Lateraler Gentransfer in der Evolution. New York, NY: Springer New York; 2013. S. 105–20.

Mizrahi I, Wallace RJ, Moraïs S. Das Pansen-Mikrobiom: Gleichgewicht zwischen Ernährungssicherheit und Umweltauswirkungen. Nat Rev Microbiol. 2021;19:553–66. https://doi.org/10.1038/s41579-021-00543-6

Artikel CAS PubMed Google Scholar

Dionisio F, Zilhão R, Gama JA. Interaktionen zwischen Plasmiden und anderen mobilen genetischen Elementen beeinflussen deren Übertragung und Persistenz. Plasmid. 2019;102:29–36. https://doi.org/10.1016/j.plasmid.2019.01.003

Artikel CAS PubMed Google Scholar

Brown Kav A, Sasson G, Jami E, Doron-Faigenboim A, Benhar I, Mizrahi I. Einblicke in das Rinderpansenplasmidom. Proc Natl Acad Sci USA. 2012;109:5452–7. https://doi.org/10.1073/pnas.1116410109

Artikel PubMed Google Scholar

Kav AB, Rozov R, Bogumil D, Sørensen SJ, Hansen LH, Benhar I, et al. Aufklärung der Plasmidomverteilung und Interaktion mit seinem Wirtsmikrobiom. Umwelt Mikrobiol. 2020;22:32–44. https://doi.org/10.1111/1462-2920.14813

Artikel Google Scholar

Jørgensen TS, Xu Z, Hansen MA, Sørensen SJ, Hansen LH. Hunderte zirkulärer neuartiger Plasmide und DNA-Elemente wurden in einem Blinddarmmetamobilom einer Ratte identifiziert. Plus eins. 2014;9:e87924. https://doi.org/10.1371/journal.pone.0087924

Artikel CAS PubMed PubMed Central Google Scholar

He Q, Pilosof S, Tiedje KE, Ruybal-Pesántez S, Artzy-Randrup Y, Baskerville EB, et al. Netzwerke genetischer Ähnlichkeit offenbaren nichtneutrale Prozesse, die die Stammstruktur in Plasmodium falciparum prägen. Nat Commun. 2018;9:1817. https://doi.org/10.1038/s41467-018-04219-3

Artikel CAS PubMed PubMed Central Google Scholar

Acman M, van Dorp L, Santini JM, Balloux F. Eine groß angelegte Netzwerkanalyse erfasst biologische Merkmale bakterieller Plasmide. Nat Commun. 2020;11:2452. https://doi.org/10.1038/s41467-020-16282-w

Artikel CAS PubMed PubMed Central Google Scholar

Redondo-Salvo S, Fernandez-Lopez R, Ruiz R, Vielva L, de Toro M, Rocha EPC, et al. Wege für den horizontalen Gentransfer in Bakterien, aufgezeigt durch eine globale Karte ihrer Plasmide. Nat Commun. 2020;11:3 https://doi.org/10.1038/s41467-020-17278-2

Artikel CAS PubMed PubMed Central Google Scholar

Savary P, Foltête JC, Moal H, Vuidel G, Garnier S. Analyse von Landschaftseffekten auf Ausbreitungsnetzwerke und Genfluss mit genetischen Diagrammen. Mol Ecol Resour. 2021;21:1167–85. https://doi.org/10.1111/1755-0998.13333

Artikel PubMed Google Scholar

Pilosof S, He Q, Tiedje KE, Ruybal-Pesántez S, Day KP, Pascual M. Der Wettbewerb um Wirte moduliert eine große Antigenvielfalt, um eine persistente Stammstruktur in Plasmodium falciparum zu erzeugen. PLoS Biol. 2019;17:e3000336. https://doi.org/10.1371/journal.pbio.3000336

Artikel CAS PubMed PubMed Central Google Scholar

Brilli M, Mengoni A, Fondi M, Bazzicalupo M, Liò P, Fani R. Analyse von Plasmidgenen durch phylogenetische Profilierung und Visualisierung von Homologiebeziehungen mit Blast2Network. BMC Bioinform. 2008;9:551. https://doi.org/10.1186/1471-2105-9-551

Artikel CAS Google Scholar

Fondi M, Karkman A, Tamminen MV, Bosi E, Virta M, Fani R, et al. „Jedes Gen ist überall, aber die Umwelt wählt es aus“: globale Geolokalisierung des Genaustauschs in Umweltproben durch Netzwerkanalyse. Genome Biol Evol. 2016;8:1388–1400. https://doi.org/10.1093/gbe/evw077

Artikel PubMed PubMed Central Google Scholar

Tamminen M, Virta M, Fani R, Fondi M. Groß angelegte Analyse von Plasmidbeziehungen durch Gen-Sharing-Netzwerke. Mol Biol Evol. 2012;29:1225–40. https://doi.org/10.1093/molbev/msr292

Artikel CAS PubMed Google Scholar

Yamashita A, Sekizuka T, Kuroda M. Charakterisierung der Verbreitung antimikrobieller Resistenzen über Plasmidgemeinschaften, klassifiziert durch Netzwerkanalyse. Krankheitserreger. 2014;3:356–76. https://doi.org/10.3390/pathogens3020356

Artikel CAS PubMed PubMed Central Google Scholar

Pastor-Satorras R, Castellano C, Van Mieghem P, Vespignani A. Epidemische Prozesse in komplexen Netzwerken. Rev Mod Phys. 2015;87:925–79. https://doi.org/10.1103/RevModPhys.87.925

Artikel Google Scholar

Pilosof S., Morand S., Krasnov BR, Nunn CL. Potenzielle Parasitenübertragung in Multi-Host-Netzwerken basierend auf Parasiten-Sharing. Plus eins. 2015;10:e0117909 https://doi.org/10.1371/journal.pone.0117909

Artikel CAS PubMed PubMed Central Google Scholar

VanderWaal KL, Atwill ER, Isbell LA, McCowan B. Verknüpfung sozialer und Krankheitserregerübertragungsnetzwerke mithilfe mikrobieller Genetik bei Giraffen (Giraffa camelopardalis). J Anim Ecol.2014;83:406–14. https://doi.org/10.1111/1365-2656.12137

Artikel PubMed Google Scholar

Kauffman K, Werner CS, Titcomb G, Pender M, Rabezara JY, Herrera JP, et al. Vergleich potenzieller Übertragungsnetze auf der Grundlage von Umfragen zu sozialen Netzwerken, engen Kontakten und Umweltüberschneidungen im ländlichen Madagaskar. JR Soc-Schnittstelle. 2022;19:20210690. https://doi.org/10.1098/rsif.2021.0690

Artikel PubMed PubMed Central Google Scholar

Dallas TA, Han BA, Nunn CL, Park AW, Stephens PR, Drake JM. Wirtsmerkmale, die mit Artenrollen in Netzwerken zur gemeinsamen Nutzung von Parasiten verbunden sind. Oikos. 2019;128:23–32. https://doi.org/10.1111/oik.05602

Artikel Google Scholar

Matlock W, Chau KK, AbuOun M, Stubberfield E, Barker L, Kavanagh J, et al. Genomische Netzwerkanalyse von F-Typ-Plasmidpopulationen in der Umwelt und bei Nutztieren. ISME J. 2021;15:2322–35. https://doi.org/10.1038/s41396-021-00926-w

Artikel CAS PubMed PubMed Central Google Scholar

Pilosof S, Porter MA, Pascual M, Kéfi S. Die Vielschichtigkeit ökologischer Netzwerke. Nat Ecol Evol. 2017;1:0101. https://doi.org/10.1038/s41559-017-0101

Artikel Google Scholar

Paull SH, Song S, McClure KM, Sackett LC, Kilpatrick AM, Johnson PTJ. Von Superspreadern zu Krankheits-Hotspots: Verknüpfung der Übertragung über Wirte und Weltraum hinweg. Front-Ecol-Umgebung. 2012;10:75–82. https://doi.org/10.1890/110111

Artikel PubMed Google Scholar

Hutchinson MC, Bramon Mora B, Pilosof S, Barner AK, Kéfi S, Thébault E, et al. Den Wald vor lauter Bäumen sehen: Mehrschichtige Netzwerke für die Gemeinschaftsökologie einsetzen. Funktion Ecol. 2019;33:206–17. https://doi.org/10.1111/1365-2435.13237

Artikel Google Scholar

Kivelä M, Arenas A, Barthelemy M, Gleeson JP, Moreno Y, Porter MA. Mehrschichtige Netzwerke. J Complex Netw. 2014;2:203–71. https://doi.org/10.1093/comnet/cnu016

Artikel Google Scholar

Lloyd-Smith JO, Schreiber SJ, Kopp PE, Getz WM. Superspreading und die Auswirkung individueller Variation auf die Krankheitsentstehung. Natur. 2005;438:355–9. https://doi.org/10.1038/nature04153

Artikel CAS PubMed PubMed Central Google Scholar

Fortuna MA, Popa-Lisseanu AG, Ibáñez C, Bascompte J. Das räumliche Netzwerk einer Vogel-Raubtier-Fledermaus. Ökologie. 2009;90:934–44. https://doi.org/10.1890/08-0174.1

Artikel PubMed Google Scholar

Newman MEJ, Girvan M. Finden und Bewerten der Community-Struktur in Netzwerken. Phys Rev E Stat Nonlin Soft Matter Phys. 2004;69:026113. https://doi.org/10.1103/PhysRevE.69.026113

Artikel CAS PubMed Google Scholar

Rosvall M, Bergstrom CT. Karten von Zufallswanderungen in komplexen Netzwerken zeigen die Gemeinschaftsstruktur. Proc Natl Acad Sci USA. 2008;105:1118–23. https://doi.org/10.1073/pnas.0706851105

Artikel PubMed PubMed Central Google Scholar

De Domenico M, Lancichinetti A, Arenas A, Rosvall M. Die Identifizierung modularer Flüsse in mehrschichtigen Netzwerken zeigt eine stark überlappende Organisation in miteinander verbundenen Systemen. Phys Rev X. 2015;5:011027. https://doi.org/10.1103/PhysRevX.5.011027

Artikel CAS Google Scholar

Farage C, Edler D, Eklöf A, Rosvall M, Pilosof S. Identifizierung von Strömungsmodulen in ökologischen Netzwerken mithilfe von Infomap. Methoden Ecol Evol. 2021;12:778–86. https://doi.org/10.1111/2041-210x.13569

Artikel Google Scholar

Popa O, Hazkani-Covo E, Landan G, Martin W, Dagan T. Gerichtete Netzwerke offenbaren genomische Barrieren und DNA-Reparatur-Bypässe für den lateralen Gentransfer zwischen Prokaryoten. Genomres. 2011;21:599–609. https://doi.org/10.1101/gr.115592.110

Artikel CAS PubMed PubMed Central Google Scholar

Smillie C, Garcillán-Barcia MP, Francia MV, Rocha EPC, de la Cruz F. Mobilität von Plasmiden. Microbiol Mol Biol Rev. 2010;74:434–52. https://doi.org/10.1128/MMBR.00020-10

Artikel CAS PubMed PubMed Central Google Scholar

Garcillán-Barcia MP, Francia MV, de la Cruz F. Die Vielfalt konjugativer Relaxasen und ihre Anwendung bei der Plasmidklassifizierung. FEMS Microbiol Rev. 2009;33:657–87. https://doi.org/10.1111/j.1574-6976.2009.00168.x

Artikel CAS PubMed Google Scholar

Coluzzi C, Guédon G, Devignes MD, Ambroset C, Loux V, Lacroix T, et al. Ein Blick in die Welt der integrativen und mobilisierbaren Elemente in Streptokokken offenbart eine unerwartete Vielfalt und neuartige Familien von Mobilisierungsproteinen. Vordere Mikrobiol. 2017;8:443. https://doi.org/10.3389/fmicb.2017.00443

Artikel PubMed PubMed Central Google Scholar

Moraïs S, Mizrahi I. Inseln im Bach: vom individuellen zum gemeinschaftlichen Faserabbau im Pansen-Ökosystem. FEMS Microbiol Rev. 2019;43:362–79. https://doi.org/10.1093/femsre/fuz007

Artikel CAS PubMed PubMed Central Google Scholar

León-Sampedro R, DelaFuente J, Díaz-Agero C, Crellen T, Musicha P, Rodríguez-Beltrán J, et al. Pervasive Übertragung eines Carbapenem-Resistenzplasmids in der Darmmikrobiota von Krankenhauspatienten. Nat Microbiol. 2021;6:606–16. https://doi.org/10.1038/s41564-021-00879-y

Artikel CAS PubMed PubMed Central Google Scholar

Rocha LEC, Singh V, Esch M, Lenaerts T, Liljeros F, Thorson A. Dynamische Kontaktnetzwerke von Patienten und MRSA-Verbreitung in Krankenhäusern. Sci Rep. 2020;10:9336. https://doi.org/10.1038/s41598-020-66270-9

Artikel CAS PubMed PubMed Central Google Scholar

Lerner A, Adler A, Abu-Hanna J, Cohen Percia S, Kazma Matalon M, Carmeli Y. Ausbreitung von KPC-produzierenden Carbapenem-resistenten Enterobacteriaceae: die Bedeutung von Superspreizern und der rektalen KPC-Konzentration. Clin Microbiol Infect. 2015;21:470.e1–7. https://doi.org/10.1016/j.cmi.2014.12.015

Artikel CAS PubMed Google Scholar

Stein RA, Katz DE. Escherichia coli, Rinder und die Ausbreitung von Krankheiten. FEMS Microbiol Lett. 2017;364. https://doi.org/10.1093/femsle/fnx050.

de Freslon I, Martínez-López B, Belkhiria J, Strappini A, Monti G. Einsatz der Analyse sozialer Netzwerke zur Verbesserung des Verständnisses des Sozialverhaltens bei Milchvieh und seiner Auswirkungen auf die Krankheitsübertragung. Appl Anim Behav Sci. 2019;213:47–54. https://doi.org/10.1016/j.applanim.2019.01.006

Artikel Google Scholar

Rushmore J, Caillaud D, Hall RJ, Stumpf RM, Meyers LA, Altizer S. Netzwerkbasierte Impfung verbessert die Aussichten für die Krankheitsbekämpfung bei wilden Schimpansen. JR Soc-Schnittstelle. 2014;11:20140349. https://doi.org/10.1098/rsif.2014.0349

Artikel PubMed PubMed Central Google Scholar

Xue H, Cordero OX, Camas FM, Trimble W, Meyer F, Guglielmini J, et al. Ökoevolutionäre Dynamik von Episomen in ökologisch zusammenhängenden Bakterienpopulationen. MBio. 2015;6:e00552–15. https://doi.org/10.1128/mBio.00552-15

Artikel CAS PubMed PubMed Central Google Scholar

Evans DR, Griffith MP, Sundermann AJ, Shutt KA, Saul MI, Mustapha MM, et al. Systematische Erfassung des horizontalen Gentransfers über Gattungen hinweg bei multiresistenten Bakterien in einem einzelnen Krankenhaus. Elife. 2020;9. https://doi.org/10.7554/eLife.53886

Abe R, Oyama F, Akeda Y, Nozaki M, Hatachi T, Okamoto Y, et al. Krankenhausweite Ausbrüche von Carbapenem-resistenten Enterobacteriaceae breiten sich horizontal über ein klonales Plasmid aus, das bla IMP-1 in Kinderkrankenhäusern in Japan enthält. J Antimicrob Chemother. 2021;76:3314–7.

Artikel CAS PubMed Google Scholar

Bingen EH, Desjardins P, Arlet G, Bourgeois F, Mariani-Kurkdjian P, Lambert-Zechovsky NY, et al. Molekulare Epidemiologie der Plasmidausbreitung unter erweiterten Breitband-Beta-Lactamase-produzierenden Klebsiella pneumoniae-Isolaten in einem Kinderkrankenhaus. J Clin Microbiol. 1993;31:179–84. https://doi.org/10.1128/jcm.31.2.179-184.1993.

Bai H, He LY, Wu DL, Gao FZ, Zhang M, Zou HY, et al. Ausbreitung luftgetragener Antibiotikaresistenzen von Tierfarmen in die Umwelt: Verbreitungsmuster und Expositionsrisiko. Umwelt Int. 2022;158:106927 https://doi.org/10.1016/j.envint.2021.106927

Artikel CAS PubMed Google Scholar

Boyland NK, Mlynski DT, James R, Brent LJN, Croft DP. Die soziale Netzwerkstruktur einer dynamischen Gruppe von Milchkühen: von Mustern auf Einzel- bis Gruppenebene. Appl Anim Behav Sci. 2016;174:1–10. https://doi.org/10.1016/j.applanim.2015.11.016

Artikel Google Scholar

Björk JR, Dasari M, Grieneisen L, Archie EA. Primaten-Mikrobiome im Zeitverlauf: Längsschnittantworten auf aktuelle Fragen in der Mikrobiomforschung. Bin J Primatol. 2019;81:e22970. https://doi.org/10.1002/ajp.22970

Artikel PubMed PubMed Central Google Scholar

Dib JR, Wagenknecht M, Farías ME, Meinhardt F. Strategien und Ansätze in Plasmidomstudien – Plasmidvielfalt unter Missachtung linearer Elemente aufdecken? Vordere Mikrobiol. 2015;6. https://doi.org/10.3389/fmicb.2015.00463

Bankevich A, Nurk S, Antipov D, Gurevich AA, Dvorkin M, Kulikov AS, et al. SPAdes: ein neuer Genomassemblierungsalgorithmus und seine Anwendungen für die Einzelzellsequenzierung. J Comput Biol. 2012;19:455–77. https://doi.org/10.1089/cmb.2012.0021

Artikel CAS PubMed PubMed Central Google Scholar

Rozov R, Brown Kav A, Bogumil D, Shterzer N, Halperin E, Mizrahi I, et al. Recycler: ein Algorithmus zum Nachweis von Plasmiden aus De-novo-Assemblierungsgraphen. Bioinformatik. 2017;33:475–82. https://doi.org/10.1093/bioinformatics/btw651

Artikel CAS PubMed Google Scholar

Orlek A, Stoesser N, Anjum MF, Doumith M, Ellington MJ, Peto T, et al. Plasmidklassifizierung im Zeitalter der Sequenzierung des gesamten Genoms: Anwendung in Studien zur Epidemiologie der Antibiotikaresistenz. Vordere Mikrobiol. 2017;8:182. https://doi.org/10.3389/fmicb.2017.00182

Artikel PubMed PubMed Central Google Scholar

Komsta L, Novomestky F. Momente, Kumulanten, Schiefe, Kurtosis und verwandte Tests. R-Paketversion. 2015;14.

Rosvall M, Axelsson D, Bergstrom CT. Die Kartengleichung. Eur Phys J Spec Top. 2010;178:13–23. https://doi.org/10.1140/epjst/e2010-01179-1

Artikel Google Scholar

Bascompte J, Jordano P, Melián CJ, Olesen JM. Die verschachtelte Anordnung gemeinschaftlicher Pflanzen-Tier-Netzwerke. Proc Natl Acad Sci USA. 2003;100:9383–7. https://doi.org/10.1073/pnas.1633576100

Artikel CAS PubMed PubMed Central Google Scholar

Vázquez DP, Poulin R, Krasnov BR, Shenbrot GI. Artenreichtum und die Verteilung der Spezialisierung in Wirt-Parasit-Interaktionsnetzwerken. J Anim Ecol. 2005;74:946–55.

Artikel Google Scholar

Fortuna MA, Stouffer DB, Olesen JM, Jordano P, Mouillot D, Krasnov BR, et al. Verschachtelung versus Modularität in ökologischen Netzwerken: zwei Seiten derselben Medaille? J Anim Ecol. 2010;79:811–7. https://doi.org/10.1111/j.1365-2656.2010.01688.x

Artikel PubMed Google Scholar

Gillespie DT. Exakte stochastische Simulation gekoppelter chemischer Reaktionen. J Phys Chem. 1977;81:2340–61. https://doi.org/10.1021/j100540a008

Artikel CAS Google Scholar

R-Kernteam. R: eine Sprache und Umgebung für statistische Berechnungen; 2021.

Referenzen herunterladen

Diese Arbeit wurde durch ein Forschungsstipendium der Israel Science Foundation (ISF) 1281/20 für SP, DIP (2476/2-1) für IM, ISF (1947/19) für IM und ERC (866530) für IM unterstützt. JTS wurde durch ein Postdoktorandenstipendium des Zuckerman STEM Leadership Program unterstützt. VJO wurde durch ein Margarita Salas-Stipendium unterstützt, das vom spanischen Universitätsministerium und der „Europäischen Union – Next GenerationEU“ finanziert wurde.

Julie Teresa Shapiro

Aktuelle Adresse: Epidemiology and Surveillance Support Unit, Universität Lyon, Französische Agentur für Lebensmittel-, Umwelt- und Arbeitsschutz (ANSES), Lyon, Frankreich

Abteilung für Biowissenschaften, Ben-Gurion-Universität des Negev, Be'er Sheva, Israel

Julie Teresa Shapiro, Alvah Zorea, Vincent J. Ontiveros, Itzhak Mizrahi und Shai-Philosophen

Nationales Institut für Biotechnologie im Negev, Ben-Gurion-Universität des Negev, Be'er Sheva, Israel

Alvah Zorea & Itzhak Mizrahi

Programm für Mathematische Genomik, Abteilung für Systembiologie, Columbia University Irving Medical Center, New York, NY, USA

Aya Brown Kav

Institut für Aquatische Ökologie, Universität Girona, Girona, Spanien

Vicente J. Ontiveros

Die Goldman Sonnenfeldt School of Sustainability and Climate Change, Ben-Gurion-Universität des Negev, Be'er Sheva, Israel

Shai-Philosoph

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SP und JTS haben die Studie konzipiert. JTS, AZ, AKB und VJO erstellten und analysierten die Daten. SP überwachte die Forschung. JTS, SP und IM haben Fördermittel eingeworben. JTS und SP haben das Papier mit Beiträgen der Co-Autoren verfasst. Alle Autoren haben zur Durchsicht und Bearbeitung des Artikels beigetragen.

Korrespondenz mit Julie Teresa Shapiro oder Shai Pilosof.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Shapiro, JT, Zorea, A., Kav, AB et al. Mehrschichtige Netzwerke mit genetischer Plasmidähnlichkeit offenbaren mögliche Wege der Genübertragung. ISME J 17, 649–659 (2023). https://doi.org/10.1038/s41396-023-01373-5

Zitat herunterladen

Eingegangen: 31. August 2022

Überarbeitet: 11. Januar 2023

Angenommen: 16. Januar 2023

Veröffentlicht: 09. Februar 2023

Ausgabedatum: Mai 2023

DOI: https://doi.org/10.1038/s41396-023-01373-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt