Классификация бактерии: Фенотипическая классификация бактерий | справочник Пестициды.ru

Содержание

Филогенетическая классификация бактерий | справочник Пестициды.ru

Современная систематика бактерий характеризуется теми же проблемами, что и классификация других микроорганизмов. Несмотря на успехи, достигнутые в создании филогенетической системе классификации, сохраняет свое значение фенотипическая классификация, более удобная для идентификации организмов. В настоящее время отсутствует детализированная эволюционная система прокариот. Решение это проблемы – дело далекого будущего[2][1].

Принципы филогенетической классификации

Система классификации прокариот, основанная на сопоставлении последовательности нуклеотидов в 16S-рРНК положена в основу многотомной энциклопедии прокариот – Руководство по систематике бактерий Берджи (Bergeys Manual of Determinative Bacteriology), первый том которой вышел в 2001 г[1].

Данная филогенетическая система, основанная на исследовании нуклеотидных последовательностей только одного гена рибосомной РНК – является только оной из технически удобных и разработанных систем упорядочения многочисленных организмов в целях их идентификации.

Построить логически верную таксономию бактерий с учетом только этого признака практически невозможно[1].

В указанном труде все прокариоты делят на 26 филогенетических «ветвей» (групп) на основании строения их 16S-рРНК. В том числе 23 группы представлены эубактериями и три – архебактериями. Основная часть этих групп содержит виды прокариот, не выделенных в виде чистых культур и не изученных детально[1].

Из 23 групп эубактерий две представлены грамположительными бактериями, остальные группы – грамотрицательными бактериями[1].

Грамотрицательные бактерии

Грамотрицательные бактерии представлены крупной группой Протеобактерий (Proteobacteria) и 20 группами остальных бактерий с данным типом клеточной стенки[1].

Протеобактерии – чрезвычайно разнообразная в морфологическом, физиологическом и биохимическом плане группа грамотрицательных бактерий. Для ее представителей характерны все типы энергетического метаболизма и питания[1].

Клетки большинства видов Протеобактеррий характеризуются:

В этой группе имеются неподвижные бактерии и подвижные за счет жгутиков. По отношению к молекулярному кислороду Протеобактерии бывают облигатными аэробами, облигатными и факультативными анаэробами. Однако на основании различий в нуклеотидных последовательностях 16S-рРНК группу Протеобактерий делят на пять подгрупп: альфа, бета, гамма, дельта и эпсилон[1].

Кроме протеобактерий, к грамотрицательным относятся и другие группы эубактерий: водородные термофилы, зеленые серные бактерии, зеленые нитчатые бактерии, цианобактерии, цитофаги, спирохеты, бактероиды, хламидии, дейнококки, хлорофлексусы, планктомицеты, фузобактерии, термодесульфобактерии, фибробактерии

[1].

Грамположительные бактерии

Филогенетические группы грамположительных бактерий: Actinobacteria и Firmicutes[1].

Группа Actinobacteria или «актиномицетная ветвь» состоит из родов, имеющих в ДНК высокое содержание ГЦ-пар: Geodermatophilus, Streptomyces, Frankia, Arthrobacter, Actinomyces, Bifidobacterium, Propionibacterium, Micrococcus, Actinoplanes,Rhodococcus, Corynebacterium, Nocardia, Mycobacterium[1].

Группа Firmicutes или «клостридиальная ветвь» – это в основном грамположительные бактерии, характеризующиеся низким содержанием ГЦ-пар в ДНК[1].

В группу

Firmicutes входят роды: Clostridium, Pediococcus, Streptococcus, Lactococcus, Enterococcus, Listeria, Leuconostoc, Caryophanon, Sarcina, Staphylococcus, Bacillus, Sporosаrcina, Heliobacterium, Mycoplasma, Desulfotomaculum, Ureaplasma[1].

Архебактерии

В состав архебактерий включены три филогенетические группы: Crenarchaeota, Euryarchaeota, Korarchaeota[1].

Crenarchaeota – экстремально термофильные бактерии, большинство из которых осуществляют метаболизм серы, некоторые способны восстанавливать ионы железа и молибдена[1].

Euryarchaeota – облигатные анаэробные метаногенные архебактерии, экстремальные термофилы и галофиты[1].

Korarchaeota – археобактерии, обитающие в горячих серных источниках. До настоящего времени представители этой группы не выделены в чистую культуру[1].

 

Статья составлена с использованием следующих материалов:

Литературные источники:

1.

Лысак В.В. Микробиология : учеб. пособие / В. В. Лысак. – Минск: БГУ, 2007 – 430 с

Источники из сети интернет:

2. Свернуть Список всех источников

%PDF-1.6 % 1 0 obj > /Metadata 2 0 R /Pages 3 0 R /StructTreeRoot 4 0 R /Type /Catalog >> endobj 5 0 obj /CreationDate (D:20170106094103Z) /Keywords /ModDate (D:20170131110101+02’00’) /Producer /Subject /Title /Creator >> endobj 2 0 obj > stream application/pdf

  • Библиотека УО «ВГМУ»2017-01-31T11:01:01+02:00УО «Витебский государственный медицинский университет» endstream endobj 3 0 obj > endobj 4 0 obj > /ParentTreeNextKey 41 /Type /StructTreeRoot >> endobj 6 0 obj > endobj 7 0 obj > endobj 8 0 obj > endobj 9 0 obj > endobj 10 0 obj > endobj 11 0 obj > endobj 12 0 obj > endobj 13 0 obj > endobj 14 0 obj > endobj 15 0 obj > endobj 16 0 obj > endobj 17 0 obj > endobj 18 0 obj > endobj 19 0 obj > endobj 20 0 obj > endobj 21 0 obj > endobj 22 0 obj > endobj 23 0 obj > endobj 24 0 obj > endobj 25 0 obj > endobj 26 0 obj > endobj 27 0 obj > endobj 28 0 obj > endobj 29 0 obj > endobj 30 0 obj > endobj 31 0 obj > endobj 32 0 obj > endobj 33 0 obj > endobj 34 0 obj > endobj 35 0 obj > endobj 36 0 obj > endobj 37 0 obj > endobj 38 0 obj > endobj 39 0 obj > endobj 40 0 obj > endobj 41 0 obj > endobj 42 0 obj > endobj 43 0 obj > endobj 44 0 obj > endobj 45 0 obj > endobj 46 0 obj > endobj 47 0 obj > endobj 48 0 obj > endobj 49 0 obj > endobj 50 0 obj > endobj 51 0 obj > endobj 52 0 obj > endobj 53 0 obj > endobj 54 0 obj > endobj 55 0 obj > endobj 56 0 obj > endobj 57 0 obj > endobj 58 0 obj > endobj 59 0 obj > endobj 60 0 obj > endobj 61 0 obj > endobj 62 0 obj > endobj 63 0 obj > endobj 64 0 obj > endobj 65 0 obj > endobj 66 0 obj > endobj 67 0 obj > endobj 68 0 obj > endobj 69 0 obj > endobj 70 0 obj > endobj 71 0 obj > endobj 72 0 obj > endobj 73 0 obj > endobj 74 0 obj > endobj 75 0 obj > endobj 76 0 obj > endobj 77 0 obj > endobj 78 0 obj > endobj 79 0 obj > endobj 80 0 obj > endobj 81 0 obj > endobj 82 0 obj > endobj 83 0 obj > endobj 84 0 obj > endobj 85 0 obj > endobj 86 0 obj > endobj 87 0 obj > endobj 88 0 obj > endobj 89 0 obj > endobj 90 0 obj > endobj 91 0 obj > endobj 92 0 obj > endobj 93 0 obj > endobj 94 0 obj > endobj 95 0 obj > endobj 96 0 obj > endobj 97 0 obj > endobj 98 0 obj > endobj 99 0 obj > endobj 100 0 obj > endobj 101 0 obj > endobj 102 0 obj > endobj 103 0 obj > endobj 104 0 obj > endobj 105 0 obj > endobj 106 0 obj > endobj 107 0 obj > endobj 108 0 obj > endobj 109 0 obj > endobj 110 0 obj > endobj 111 0 obj > endobj 112 0 obj > endobj 113 0 obj > endobj 114 0 obj > endobj 115 0 obj > endobj 116 0 obj > endobj 117 0 obj > endobj 118 0 obj > endobj 119 0 obj > endobj 120 0 obj > endobj 121 0 obj > endobj 122 0 obj > endobj 123 0 obj > endobj 124 0 obj > endobj 125 0 obj > endobj 126 0 obj > endobj 127 0 obj > endobj 128 0 obj > endobj 129 0 obj > endobj 130 0 obj > endobj 131 0 obj > endobj 132 0 obj > endobj 133 0 obj > endobj 134 0 obj > endobj 135 0 obj > endobj 136 0 obj > endobj 137 0 obj > endobj 138 0 obj > endobj 139 0 obj > endobj 140 0 obj > endobj 141 0 obj > endobj 142 0 obj > endobj 143 0 obj > endobj 144 0 obj > endobj 145 0 obj > endobj 146 0 obj > endobj 147 0 obj > endobj 148 0 obj > endobj 149 0 obj > endobj 150 0 obj > endobj 151 0 obj > endobj 152 0 obj > endobj 153 0 obj > endobj 154 0 obj > endobj 155 0 obj > endobj 156 0 obj > endobj 157 0 obj > endobj 158 0 obj > endobj 159 0 obj > endobj 160 0 obj > endobj 161 0 obj > endobj 162 0 obj > endobj 163 0 obj > endobj 164 0 obj > endobj 165 0 obj > endobj 166 0 obj > endobj 167 0 obj > endobj 168 0 obj > endobj 169 0 obj > endobj 170 0 obj > endobj 171 0 obj > endobj 172 0 obj > endobj 173 0 obj > endobj 174 0 obj > endobj 175 0 obj > endobj 176 0 obj > endobj 177 0 obj > endobj 178 0 obj > endobj 179 0 obj > endobj 180 0 obj > endobj 181 0 obj > endobj 182 0 obj > endobj 183 0 obj > endobj 184 0 obj > endobj 185 0 obj > endobj 186 0 obj > endobj 187 0 obj > endobj 188 0 obj > endobj 189 0 obj > endobj 190 0 obj > endobj 191 0 obj > endobj 192 0 obj > endobj 193 0 obj > endobj 194 0 obj > endobj 195 0 obj > endobj 196 0 obj > endobj 197 0 obj > endobj 198 0 obj > endobj 199 0 obj > endobj 200 0 obj > endobj 201 0 obj > endobj 202 0 obj > endobj 203 0 obj > endobj 204 0 obj > endobj 205 0 obj > endobj 206 0 obj > endobj 207 0 obj > endobj 208 0 obj > endobj 209 0 obj > endobj 210 0 obj > endobj 211 0 obj > endobj 212 0 obj > endobj 213 0 obj > endobj 214 0 obj > endobj 215 0 obj > endobj 216 0 obj > endobj 217 0 obj > endobj 218 0 obj > endobj 219 0 obj > endobj 220 0 obj > endobj 221 0 obj > endobj 222 0 obj > endobj 223 0 obj > endobj 224 0 obj > endobj 225 0 obj > endobj 226 0 obj > endobj 227 0 obj > endobj 228 0 obj > endobj 229 0 obj > endobj 230 0 obj > endobj 231 0 obj > endobj 232 0 obj > endobj 233 0 obj > endobj 234 0 obj > endobj 235 0 obj > endobj 236 0 obj > endobj 237 0 obj > endobj 238 0 obj > endobj 239 0 obj > endobj 240 0 obj > endobj 241 0 obj > endobj 242 0 obj > endobj 243 0 obj > endobj 244 0 obj > endobj 245 0 obj > endobj 246 0 obj > endobj 247 0 obj > endobj 248 0 obj > endobj 249 0 obj > endobj 250 0 obj > endobj 251 0 obj > endobj 252 0 obj > endobj 253 0 obj > endobj 254 0 obj > endobj 255 0 obj > endobj 256 0 obj > endobj 257 0 obj > endobj 258 0 obj > endobj 259 0 obj > endobj 260 0 obj > endobj 261 0 obj > endobj 262 0 obj > endobj 263 0 obj > endobj 264 0 obj > endobj 265 0 obj > endobj 266 0 obj > endobj 267 0 obj > endobj 268 0 obj > endobj 269 0 obj > endobj 270 0 obj > endobj 271 0 obj > endobj 272 0 obj > endobj 273 0 obj > endobj 274 0 obj > endobj 275 0 obj > endobj 276 0 obj > endobj 277 0 obj > endobj 278 0 obj > endobj 279 0 obj > endobj 280 0 obj > endobj 281 0 obj > endobj 282 0 obj > endobj 283 0 obj > endobj 284 0 obj > endobj 285 0 obj > endobj 286 0 obj > endobj 287 0 obj > endobj 288 0 obj > endobj 289 0 obj > endobj 290 0 obj > endobj 291 0 obj > endobj 292 0 obj > endobj 293 0 obj > endobj 294 0 obj > endobj 295 0 obj > endobj 296 0 obj > endobj 297 0 obj > endobj 298 0 obj > endobj 299 0 obj > endobj 300 0 obj > endobj 301 0 obj > endobj 302 0 obj > endobj 303 0 obj > endobj 304 0 obj > endobj 305 0 obj > endobj 306 0 obj > endobj 307 0 obj > endobj 308 0 obj > endobj 309 0 obj > endobj 310 0 obj > endobj 311 0 obj > endobj 312 0 obj > endobj 313 0 obj > endobj 314 0 obj > endobj 315 0 obj > endobj 316 0 obj > endobj 317 0 obj > endobj 318 0 obj > endobj 319 0 obj > endobj 320 0 obj > endobj 321 0 obj > endobj 322 0 obj > endobj 323 0 obj > endobj 324 0 obj > endobj 325 0 obj > endobj 326 0 obj > endobj 327 0 obj > endobj 328 0 obj > endobj 329 0 obj > endobj 330 0 obj > endobj 331 0 obj > endobj 332 0 obj > endobj 333 0 obj > endobj 334 0 obj > endobj 335 0 obj > endobj 336 0 obj > endobj 337 0 obj > endobj 338 0 obj > endobj 339 0 obj > endobj 340 0 obj > endobj 341 0 obj > endobj 342 0 obj > endobj 343 0 obj > endobj 344 0 obj > endobj 345 0 obj > endobj 346 0 obj > endobj 347 0 obj > endobj 348 0 obj > endobj 349 0 obj > endobj 350 0 obj > endobj 351 0 obj > endobj 352 0 obj > endobj 353 0 obj > endobj 354 0 obj > endobj 355 0 obj > endobj 356 0 obj > endobj 357 0 obj > endobj 358 0 obj > endobj 359 0 obj > endobj 360 0 obj > endobj 361 0 obj > endobj 362 0 obj > endobj 363 0 obj > endobj 364 0 obj > endobj 365 0 obj > endobj 366 0 obj > endobj 367 0 obj > endobj 368 0 obj > endobj 369 0 obj > endobj 370 0 obj > endobj 371 0 obj > endobj 372 0 obj > endobj 373 0 obj > endobj 374 0 obj > endobj 375 0 obj > endobj 376 0 obj > endobj 377 0 obj > endobj 378 0 obj > endobj 379 0 obj > endobj 380 0 obj > endobj 381 0 obj > endobj 382 0 obj > endobj 383 0 obj > endobj 384 0 obj > endobj 385 0 obj > endobj 386 0 obj > endobj 387 0 obj > endobj 388 0 obj > endobj 389 0 obj > endobj 390 0 obj > endobj 391 0 obj > endobj 392 0 obj > endobj 393 0 obj > endobj 394 0 obj > endobj 395 0 obj > endobj 396 0 obj > endobj 397 0 obj > endobj 398 0 obj > endobj 399 0 obj > endobj 400 0 obj > endobj 401 0 obj > endobj 402 0 obj > endobj 403 0 obj > endobj 404 0 obj > endobj 405 0 obj > endobj 406 0 obj > endobj 407 0 obj > endobj 408 0 obj > endobj 409 0 obj > endobj 410 0 obj > endobj 411 0 obj > endobj 412 0 obj > endobj 413 0 obj > endobj 414 0 obj > endobj 415 0 obj > endobj 416 0 obj > endobj 417 0 obj > endobj 418 0 obj > endobj 419 0 obj > endobj 420 0 obj > endobj 421 0 obj > endobj 422 0 obj > endobj 423 0 obj > endobj 424 0 obj > endobj 425 0 obj > endobj 426 0 obj > endobj 427 0 obj > endobj 428 0 obj > endobj 429 0 obj > endobj 430 0 obj > endobj 431 0 obj > endobj 432 0 obj > endobj 433 0 obj > endobj 434 0 obj > endobj 435 0 obj > endobj 436 0 obj > endobj 437 0 obj > endobj 438 0 obj > endobj 439 0 obj > endobj 440 0 obj > endobj 441 0 obj > endobj 442 0 obj > endobj 443 0 obj > endobj 444 0 obj > endobj 445 0 obj > endobj 446 0 obj > endobj 447 0 obj > endobj 448 0 obj > endobj 449 0 obj > endobj 450 0 obj > endobj 451 0 obj > endobj 452 0 obj > endobj 453 0 obj > endobj 454 0 obj > endobj 455 0 obj > endobj 456 0 obj > endobj 457 0 obj > endobj 458 0 obj > endobj 459 0 obj > endobj 460 0 obj > endobj 461 0 obj > endobj 462 0 obj > endobj 463 0 obj > endobj 464 0 obj > endobj 465 0 obj > endobj 466 0 obj > endobj 467 0 obj > endobj 468 0 obj > endobj 469 0 obj > endobj 470 0 obj > endobj 471 0 obj > endobj 472 0 obj > endobj 473 0 obj > endobj 474 0 obj > endobj 475 0 obj > endobj 476 0 obj > endobj 477 0 obj > endobj 478 0 obj > endobj 479 0 obj > endobj 480 0 obj > endobj 481 0 obj > endobj 482 0 obj > endobj 483 0 obj > endobj 484 0 obj > endobj 485 0 obj > endobj 486 0 obj > endobj 487 0 obj > endobj 488 0 obj > endobj 489 0 obj > endobj 490 0 obj > endobj 491 0 obj > endobj 492 0 obj > endobj 493 0 obj > endobj 494 0 obj > endobj 495 0 obj > endobj 496 0 obj > endobj 497 0 obj > endobj 498 0 obj > endobj 499 0 obj > endobj 500 0 obj > endobj 501 0 obj > endobj 502 0 obj > endobj 503 0 obj > endobj 504 0 obj > endobj 505 0 obj > endobj 506 0 obj > endobj 507 0 obj > endobj 508 0 obj > endobj 509 0 obj > endobj 510 0 obj > endobj 511 0 obj > endobj 512 0 obj > endobj 513 0 obj > endobj 514 0 obj > endobj 515 0 obj > endobj 516 0 obj > endobj 517 0 obj > endobj 518 0 obj > endobj 519 0 obj > endobj 520 0 obj > endobj 521 0 obj > endobj 522 0 obj > endobj 523 0 obj > endobj 524 0 obj > endobj 525 0 obj > endobj 526 0 obj > endobj 527 0 obj > endobj 528 0 obj > endobj 529 0 obj > endobj 530 0 obj > endobj 531 0 obj > endobj 532 0 obj > endobj 533 0 obj > endobj 534 0 obj > endobj 535 0 obj > endobj 536 0 obj > endobj 537 0 obj > endobj 538 0 obj > endobj 539 0 obj > endobj 540 0 obj > endobj 541 0 obj > endobj 542 0 obj > endobj 543 0 obj > endobj 544 0 obj > endobj 545 0 obj > endobj 546 0 obj > endobj 547 0 obj > endobj 548 0 obj > endobj 549 0 obj > endobj 550 0 obj > endobj 551 0 obj > endobj 552 0 obj > endobj 553 0 obj > endobj 554 0 obj > endobj 555 0 obj > endobj 556 0 obj > endobj 557 0 obj > endobj 558 0 obj > endobj 559 0 obj > endobj 560 0 obj > endobj 561 0 obj > endobj 562 0 obj > endobj 563 0 obj > endobj 564 0 obj > endobj 565 0 obj > endobj 566 0 obj > endobj 567 0 obj > endobj 568 0 obj > endobj 569 0 obj > endobj 570 0 obj > endobj 571 0 obj > endobj 572 0 obj > endobj 573 0 obj > endobj 574 0 obj > endobj 575 0 obj > endobj 576 0 obj > endobj 577 0 obj > endobj 578 0 obj > endobj 579 0 obj > endobj 580 0 obj > endobj 581 0 obj > endobj 582 0 obj > endobj 583 0 obj > endobj 584 0 obj > endobj 585 0 obj > endobj 586 0 obj > endobj 587 0 obj > endobj 588 0 obj > endobj 589 0 obj > endobj 590 0 obj > endobj 591 0 obj > endobj 592 0 obj > endobj 593 0 obj > endobj 594 0 obj > endobj 595 0 obj > endobj 596 0 obj > endobj 597 0 obj > endobj 598 0 obj > endobj 599 0 obj > endobj 600 0 obj > endobj 601 0 obj > endobj 602 0 obj > endobj 603 0 obj > endobj 604 0 obj > endobj 605 0 obj > endobj 606 0 obj > endobj 607 0 obj > endobj 608 0 obj > endobj 609 0 obj > endobj 610 0 obj > endobj 611 0 obj > endobj 612 0 obj > endobj 613 0 obj > endobj 614 0 obj > endobj 615 0 obj > endobj 616 0 obj > endobj 617 0 obj > endobj 618 0 obj > endobj 619 0 obj > endobj 620 0 obj > endobj 621 0 obj > endobj 622 0 obj > endobj 623 0 obj > endobj 624 0 obj > endobj 625 0 obj > endobj 626 0 obj > endobj 627 0 obj > endobj 628 0 obj > endobj 629 0 obj > endobj 630 0 obj > endobj 631 0 obj > endobj 632 0 obj > endobj 633 0 obj > endobj 634 0 obj > endobj 635 0 obj > endobj 636 0 obj > endobj 637 0 obj > endobj 638 0 obj > endobj 639 0 obj > endobj 640 0 obj > endobj 641 0 obj > endobj 642 0 obj > endobj 643 0 obj > endobj 644 0 obj > endobj 645 0 obj > endobj 646 0 obj > endobj 647 0 obj > endobj 648 0 obj > endobj 649 0 obj > endobj 650 0 obj > endobj 651 0 obj > endobj 652 0 obj > endobj 653 0 obj > endobj 654 0 obj > endobj 655 0 obj > endobj 656 0 obj > endobj 657 0 obj > endobj 658 0 obj > endobj 659 0 obj > endobj 660 0 obj > endobj 661 0 obj > endobj 662 0 obj > endobj 663 0 obj > endobj 664 0 obj > endobj 665 0 obj > endobj 666 0 obj > endobj 667 0 obj > endobj 668 0 obj > endobj 669 0 obj > endobj 670 0 obj > endobj 671 0 obj > endobj 672 0 obj > endobj 673 0 obj > endobj 674 0 obj > endobj 675 0 obj > endobj 676 0 obj > endobj 677 0 obj > endobj 678 0 obj > endobj 679 0 obj > endobj 680 0 obj > endobj 681 0 obj > endobj 682 0 obj > endobj 683 0 obj > endobj 684 0 obj > endobj 685 0 obj > endobj 686 0 obj > endobj 687 0 obj > endobj 688 0 obj > endobj 689 0 obj > endobj 690 0 obj > endobj 691 0 obj > endobj 692 0 obj > endobj 693 0 obj > endobj 694 0 obj > endobj 695 0 obj > endobj 696 0 obj > endobj 697 0 obj > endobj 698 0 obj > endobj 699 0 obj > endobj 700 0 obj > endobj 701 0 obj > endobj 702 0 obj > endobj 703 0 obj > endobj 704 0 obj > endobj 705 0 obj > endobj 706 0 obj > endobj 707 0 obj > endobj 708 0 obj > endobj 709 0 obj > endobj 710 0 obj > endobj 711 0 obj > endobj 712 0 obj > endobj 713 0 obj > endobj 714 0 obj > endobj 715 0 obj > endobj 716 0 obj > endobj 717 0 obj > endobj 718 0 obj > endobj 719 0 obj > endobj 720 0 obj > endobj 721 0 obj > endobj 722 0 obj > endobj 723 0 obj > endobj 724 0 obj > endobj 725 0 obj > endobj 726 0 obj > endobj 727 0 obj > endobj 728 0 obj > endobj 729 0 obj > endobj 730 0 obj > endobj 731 0 obj > endobj 732 0 obj > endobj 733 0 obj > endobj 734 0 obj > endobj 735 0 obj > endobj 736 0 obj > endobj 737 0 obj > endobj 738 0 obj > endobj 739 0 obj > endobj 740 0 obj > endobj 741 0 obj > endobj 742 0 obj > endobj 743 0 obj > endobj 744 0 obj > endobj 745 0 obj > endobj 746 0 obj > endobj 747 0 obj > endobj 748 0 obj > endobj 749 0 obj > endobj 750 0 obj > endobj 751 0 obj > endobj 752 0 obj > endobj 753 0 obj > endobj 754 0 obj > endobj 755 0 obj > endobj 756 0 obj > endobj 757 0 obj > endobj 758 0 obj > endobj 759 0 obj > endobj 760 0 obj > endobj 761 0 obj > endobj 762 0 obj > endobj 763 0 obj > endobj 764 0 obj > endobj 765 0 obj > endobj 766 0 obj > endobj 767 0 obj > endobj 768 0 obj > endobj 769 0 obj > endobj 770 0 obj > endobj 771 0 obj > endobj 772 0 obj > endobj 773 0 obj > endobj 774 0 obj > endobj 775 0 obj > endobj 776 0 obj > endobj 777 0 obj > endobj 778 0 obj > endobj 779 0 obj > endobj 780 0 obj > endobj 781 0 obj > endobj 782 0 obj > endobj 783 0 obj > endobj 784 0 obj > endobj 785 0 obj > endobj 786 0 obj > endobj 787 0 obj > endobj 788 0 obj > endobj 789 0 obj > endobj 790 0 obj > endobj 791 0 obj > endobj 792 0 obj > endobj 793 0 obj > endobj 794 0 obj > endobj 795 0 obj > endobj 796 0 obj > endobj 797 0 obj > endobj 798 0 obj > endobj 799 0 obj > endobj 800 0 obj > endobj 801 0 obj > endobj 802 0 obj > endobj 803 0 obj > endobj 804 0 obj > endobj 805 0 obj > endobj 806 0 obj > endobj 807 0 obj > endobj 808 0 obj > endobj 809 0 obj > endobj 810 0 obj > endobj 811 0 obj > endobj 812 0 obj > endobj 813 0 obj > endobj 814 0 obj > endobj 815 0 obj > endobj 816 0 obj > endobj 817 0 obj > endobj 818 0 obj > endobj 819 0 obj > endobj 820 0 obj > endobj 821 0 obj > endobj 822 0 obj > endobj 823 0 obj > endobj 824 0 obj > endobj 825 0 obj > endobj 826 0 obj > endobj 827 0 obj > endobj 828 0 obj > endobj 829 0 obj > endobj 830 0 obj > endobj 831 0 obj > endobj 832 0 obj > endobj 833 0 obj > endobj 834 0 obj > endobj 835 0 obj > endobj 836 0 obj > endobj 837 0 obj > endobj 838 0 obj > endobj 839 0 obj > endobj 840 0 obj > endobj 841 0 obj > endobj 842 0 obj > endobj 843 0 obj > endobj 844 0 obj > endobj 845 0 obj > endobj 846 0 obj > endobj 847 0 obj > endobj 848 0 obj > endobj 849 0 obj > endobj 850 0 obj > endobj 851 0 obj > endobj 852 0 obj > endobj 853 0 obj > endobj 854 0 obj > endobj 855 0 obj > endobj 856 0 obj > endobj 857 0 obj > endobj 858 0 obj > endobj 859 0 obj > endobj 860 0 obj > endobj 861 0 obj > endobj 862 0 obj > endobj 863 0 obj > endobj 864 0 obj > endobj 865 0 obj > endobj 866 0 obj > endobj 867 0 obj > endobj 868 0 obj > endobj 869 0 obj > endobj 870 0 obj > endobj 871 0 obj > endobj 872 0 obj > endobj 873 0 obj > endobj 874 0 obj > endobj 875 0 obj > endobj 876 0 obj > endobj 877 0 obj > endobj 878 0 obj > endobj 879 0 obj > endobj 880 0 obj > endobj 881 0 obj > endobj 882 0 obj > endobj 883 0 obj > endobj 884 0 obj > endobj 885 0 obj > endobj 886 0 obj > endobj 887 0 obj > endobj 888 0 obj > endobj 889 0 obj > endobj 890 0 obj > endobj 891 0 obj > endobj 892 0 obj > endobj 893 0 obj > endobj 894 0 obj > endobj 895 0 obj > endobj 896 0 obj > endobj 897 0 obj > endobj 898 0 obj > endobj 899 0 obj > endobj 900 0 obj > endobj 901 0 obj > endobj 902 0 obj > endobj 903 0 obj > endobj 904 0 obj > endobj 905 0 obj > endobj 906 0 obj > endobj 907 0 obj > endobj 908 0 obj > endobj 909 0 obj > endobj 910 0 obj > endobj 911 0 obj > endobj 912 0 obj > endobj 913 0 obj > endobj 914 0 obj > endobj 915 0 obj > endobj 916 0 obj > endobj 917 0 obj > endobj 918 0 obj > endobj 919 0 obj > endobj 920 0 obj > endobj 921 0 obj > endobj 922 0 obj > endobj 923 0 obj > endobj 924 0 obj > endobj 925 0 obj > endobj 926 0 obj > endobj 927 0 obj > endobj 928 0 obj > endobj 929 0 obj > endobj 930 0 obj > endobj 931 0 obj > endobj 932 0 obj > endobj 933 0 obj > endobj 934 0 obj > endobj 935 0 obj > endobj 936 0 obj > endobj 937 0 obj > endobj 938 0 obj > endobj 939 0 obj > endobj 940 0 obj > endobj 941 0 obj > endobj 942 0 obj > endobj 943 0 obj > endobj 944 0 obj > endobj 945 0 obj > endobj 946 0 obj > endobj 947 0 obj > endobj 948 0 obj > endobj 949 0 obj > endobj 950 0 obj > endobj 951 0 obj > endobj 952 0 obj > endobj 953 0 obj > endobj 954 0 obj > endobj 955 0 obj > endobj 956 0 obj > endobj 957 0 obj > endobj 958 0 obj > endobj 959 0 obj > endobj 960 0 obj > endobj 961 0 obj > endobj 962 0 obj > endobj 963 0 obj > endobj 964 0 obj > endobj 965 0 obj > endobj 966 0 obj > endobj 967 0 obj > endobj 968 0 obj > endobj 969 0 obj > endobj 970 0 obj > endobj 971 0 obj > endobj 972 0 obj > endobj 973 0 obj > endobj 974 0 obj > endobj 975 0 obj > endobj 976 0 obj > endobj 977 0 obj > endobj 978 0 obj > endobj 979 0 obj > endobj 980 0 obj > endobj 981 0 obj > endobj 982 0 obj > endobj 983 0 obj > endobj 984 0 obj > endobj 985 0 obj > endobj 986 0 obj > endobj 987 0 obj > endobj 988 0 obj > endobj 989 0 obj > endobj 990 0 obj > endobj 991 0 obj > endobj 992 0 obj > endobj 993 0 obj > endobj 994 0 obj > endobj 995 0 obj > endobj 996 0 obj > endobj 997 0 obj > endobj 998 0 obj > endobj 999 0 obj > endobj 1000 0 obj > endobj 1001 0 obj > endobj 1002 0 obj > endobj 1003 0 obj > endobj 1004 0 obj > endobj 1005 0 obj > endobj 1006 0 obj > endobj 1007 0 obj > endobj 1008 0 obj > endobj 1009 0 obj > endobj 1010 0 obj > endobj 1011 0 obj > endobj 1012 0 obj > endobj 1013 0 obj > endobj 1014 0 obj > endobj 1015 0 obj > endobj 1016 0 obj > >> /StructParents 1 /Type /Page /Annots [2232 0 R] >> endobj 1017 0 obj > >> /StructParents 2 /Type /Page >> endobj 1018 0 obj > >> /StructParents 5 /Type /Page >> endobj 1019 0 obj > >> /StructParents 6 /Type /Page >> endobj 1020 0 obj > >> /StructParents 9 /Type /Page >> endobj 1021 0 obj > >> /StructParents 10 /Type /Page >> endobj 1022 0 obj > >> /StructParents 13 /Type /Page >> endobj 1023 0 obj > >> /StructParents 14 /Type /Page >> endobj 1024 0 obj > >> /StructParents 17 /Type /Page >> endobj 1025 0 obj > >> /StructParents 18 /Type /Page >> endobj 1026 0 obj > >> /StructParents 21 /Type /Page >> endobj 1027 0 obj > >> /StructParents 22 /Type /Page >> endobj 1028 0 obj > >> /StructParents 25 /Type /Page >> endobj 1029 0 obj > >> /StructParents 26 /Type /Page >> endobj 1030 0 obj > >> /StructParents 27 /Type /Page >> endobj 1031 0 obj > >> /StructParents 28 /Type /Page >> endobj 1032 0 obj > >> /StructParents 29 /Type /Page >> endobj 1033 0 obj > >> /StructParents 30 /Type /Page >> endobj 1034 0 obj > >> /StructParents 31 /Type /Page >> endobj 1035 0 obj > >> /StructParents 32 /Type /Page >> endobj 1036 0 obj > >> /StructParents 33 /Type /Page >> endobj 1037 0 obj > >> /StructParents 34 /Type /Page >> endobj 1038 0 obj > >> /StructParents 35 /Type /Page >> endobj 1039 0 obj > >> /StructParents 36 /Type /Page >> endobj 1040 0 obj > >> /StructParents 37 /Type /Page >> endobj 1041 0 obj > >> /StructParents 38 /Type /Page >> endobj 1042 0 obj > >> /StructParents 39 /Type /Page >> endobj 1043 0 obj > >> /StructParents 40 /Type /Page >> endobj 1044 0 obj > endobj 1045 0 obj > endobj 1046 0 obj > endobj 1047 0 obj > endobj 1048 0 obj > endobj 1049 0 obj > endobj 1050 0 obj > endobj 1051 0 obj > endobj 1052 0 obj > endobj 1053 0 obj > endobj 1054 0 obj > endobj 1055 0 obj > endobj 1056 0 obj > endobj 1057 0 obj > endobj 1058 0 obj > endobj 1059 0 obj > endobj 1060 0 obj > endobj 1061 0 obj > endobj 1062 0 obj > endobj 1063 0 obj > endobj 1064 0 obj > endobj 1065 0 obj > endobj 1066 0 obj > endobj 1067 0 obj > endobj 1068 0 obj > endobj 1069 0 obj > endobj 1070 0 obj > endobj 1071 0 obj > endobj 1072 0 obj > endobj 1073 0 obj > endobj 1074 0 obj > endobj 1075 0 obj > endobj 1076 0 obj > endobj 1077 0 obj > endobj 1078 0 obj > endobj 1079 0 obj > endobj 1080 0 obj > endobj 1081 0 obj > endobj 1082 0 obj > endobj 1083 0 obj > endobj 1084 0 obj > endobj 1085 0 obj > endobj 1086 0 obj > endobj 1087 0 obj > endobj 1088 0 obj > endobj 1089 0 obj > endobj 1090 0 obj > endobj 1091 0 obj > endobj 1092 0 obj > endobj 1093 0 obj > endobj 1094 0 obj > endobj 1095 0 obj > endobj 1096 0 obj > endobj 1097 0 obj > endobj 1098 0 obj > endobj 1099 0 obj > endobj 1100 0 obj > endobj 1101 0 obj > endobj 1102 0 obj > endobj 1103 0 obj > endobj 1104 0 obj > endobj 1105 0 obj > endobj 1106 0 obj > endobj 1107 0 obj > endobj 1108 0 obj > endobj 1109 0 obj > endobj 1110 0 obj > endobj 1111 0 obj > endobj 1112 0 obj > endobj 1113 0 obj > endobj 1114 0 obj > endobj 1115 0 obj > endobj 1116 0 obj > endobj 1117 0 obj > endobj 1118 0 obj > endobj 1119 0 obj > endobj 1120 0 obj > endobj 1121 0 obj > endobj 1122 0 obj > endobj 1123 0 obj > endobj 1124 0 obj > endobj 1125 0 obj > endobj 1126 0 obj > endobj 1127 0 obj > endobj 1128 0 obj > endobj 1129 0 obj > endobj 1130 0 obj > endobj 1131 0 obj > endobj 1132 0 obj > endobj 1133 0 obj > endobj 1134 0 obj > endobj 1135 0 obj > endobj 1136 0 obj > endobj 1137 0 obj > endobj 1138 0 obj > endobj 1139 0 obj > endobj 1140 0 obj > endobj 1141 0 obj > endobj 1142 0 obj > endobj 1143 0 obj > endobj 1144 0 obj > endobj 1145 0 obj > endobj 1146 0 obj > endobj 1147 0 obj > endobj 1148 0 obj > endobj 1149 0 obj > endobj 1150 0 obj > endobj 1151 0 obj > endobj 1152 0 obj > endobj 1153 0 obj > endobj 1154 0 obj > endobj 1155 0 obj > endobj 1156 0 obj > endobj 1157 0 obj > endobj 1158 0 obj > endobj 1159 0 obj > endobj 1160 0 obj > endobj 1161 0 obj > endobj 1162 0 obj > endobj 1163 0 obj > endobj 1164 0 obj > endobj 1165 0 obj > endobj 1166 0 obj > endobj 1167 0 obj > endobj 1168 0 obj > endobj 1169 0 obj > endobj 1170 0 obj > endobj 1171 0 obj > endobj 1172 0 obj > endobj 1173 0 obj > endobj 1174 0 obj > endobj 1175 0 obj > endobj 1176 0 obj > endobj 1177 0 obj > endobj 1178 0 obj > endobj 1179 0 obj > endobj 1180 0 obj > endobj 1181 0 obj > endobj 1182 0 obj > endobj 1183 0 obj > endobj 1184 0 obj > endobj 1185 0 obj > endobj 1186 0 obj > endobj 1187 0 obj > endobj 1188 0 obj > endobj 1189 0 obj > endobj 1190 0 obj > endobj 1191 0 obj > endobj 1192 0 obj > endobj 1193 0 obj > endobj 1194 0 obj > endobj 1195 0 obj > endobj 1196 0 obj > endobj 1197 0 obj > endobj 1198 0 obj > endobj 1199 0 obj > endobj 1200 0 obj > endobj 1201 0 obj > endobj 1202 0 obj > endobj 1203 0 obj > endobj 1204 0 obj > endobj 1205 0 obj > endobj 1206 0 obj > endobj 1207 0 obj > endobj 1208 0 obj > endobj 1209 0 obj > endobj 1210 0 obj > endobj 1211 0 obj > endobj 1212 0 obj > endobj 1213 0 obj > endobj 1214 0 obj > endobj 1215 0 obj > endobj 1216 0 obj > endobj 1217 0 obj > endobj 1218 0 obj > endobj 1219 0 obj > endobj 1220 0 obj > endobj 1221 0 obj > endobj 1222 0 obj > endobj 1223 0 obj > endobj 1224 0 obj > endobj 1225 0 obj > endobj 1226 0 obj > endobj 1227 0 obj > endobj 1228 0 obj > endobj 1229 0 obj > endobj 1230 0 obj > endobj 1231 0 obj > endobj 1232 0 obj > endobj 1233 0 obj > endobj 1234 0 obj > endobj 1235 0 obj > endobj 1236 0 obj > endobj 1237 0 obj > endobj 1238 0 obj > endobj 1239 0 obj > endobj 1240 0 obj > endobj 1241 0 obj > endobj 1242 0 obj > endobj 1243 0 obj > endobj 1244 0 obj > endobj 1245 0 obj > endobj 1246 0 obj > endobj 1247 0 obj > endobj 1248 0 obj > endobj 1249 0 obj > endobj 1250 0 obj > endobj 1251 0 obj > endobj 1252 0 obj > endobj 1253 0 obj > endobj 1254 0 obj > endobj 1255 0 obj > endobj 1256 0 obj > endobj 1257 0 obj > endobj 1258 0 obj > endobj 1259 0 obj > endobj 1260 0 obj > endobj 1261 0 obj > endobj 1262 0 obj > endobj 1263 0 obj > endobj 1264 0 obj > endobj 1265 0 obj > endobj 1266 0 obj > endobj 1267 0 obj > endobj 1268 0 obj > endobj 1269 0 obj > endobj 1270 0 obj > endobj 1271 0 obj > endobj 1272 0 obj > endobj 1273 0 obj > endobj 1274 0 obj > endobj 1275 0 obj > endobj 1276 0 obj > endobj 1277 0 obj > endobj 1278 0 obj > endobj 1279 0 obj > endobj 1280 0 obj > endobj 1281 0 obj > endobj 1282 0 obj > endobj 1283 0 obj > endobj 1284 0 obj > endobj 1285 0 obj > endobj 1286 0 obj > endobj 1287 0 obj > endobj 1288 0 obj > endobj 1289 0 obj > endobj 1290 0 obj > endobj 1291 0 obj > endobj 1292 0 obj > endobj 1293 0 obj > endobj 1294 0 obj > endobj 1295 0 obj > endobj 1296 0 obj > endobj 1297 0 obj > endobj 1298 0 obj > endobj 1299 0 obj > endobj 1300 0 obj > endobj 1301 0 obj > endobj 1302 0 obj > endobj 1303 0 obj > endobj 1304 0 obj > endobj 1305 0 obj > endobj 1306 0 obj > endobj 1307 0 obj > endobj 1308 0 obj > endobj 1309 0 obj > endobj 1310 0 obj > endobj 1311 0 obj > endobj 1312 0 obj > endobj 1313 0 obj > endobj 1314 0 obj > endobj 1315 0 obj > endobj 1316 0 obj > endobj 1317 0 obj > endobj 1318 0 obj > endobj 1319 0 obj > endobj 1320 0 obj > endobj 1321 0 obj > endobj 1322 0 obj > endobj 1323 0 obj > endobj 1324 0 obj > endobj 1325 0 obj > endobj 1326 0 obj > endobj 1327 0 obj > endobj 1328 0 obj > endobj 1329 0 obj > endobj 1330 0 obj > endobj 1331 0 obj > endobj 1332 0 obj > endobj 1333 0 obj > endobj 1334 0 obj > endobj 1335 0 obj > endobj 1336 0 obj > endobj 1337 0 obj > endobj 1338 0 obj > endobj 1339 0 obj > endobj 1340 0 obj > endobj 1341 0 obj > endobj 1342 0 obj > endobj 1343 0 obj > endobj 1344 0 obj > endobj 1345 0 obj > endobj 1346 0 obj > endobj 1347 0 obj > endobj 1348 0 obj > endobj 1349 0 obj > endobj 1350 0 obj > endobj 1351 0 obj > endobj 1352 0 obj > endobj 1353 0 obj > endobj 1354 0 obj > endobj 1355 0 obj > endobj 1356 0 obj > endobj 1357 0 obj > endobj 1358 0 obj > endobj 1359 0 obj > endobj 1360 0 obj > endobj 1361 0 obj > endobj 1362 0 obj > endobj 1363 0 obj > endobj 1364 0 obj > endobj 1365 0 obj > endobj 1366 0 obj > endobj 1367 0 obj > endobj 1368 0 obj > endobj 1369 0 obj > endobj 1370 0 obj > endobj 1371 0 obj > endobj 1372 0 obj > endobj 1373 0 obj > endobj 1374 0 obj > endobj 1375 0 obj > endobj 1376 0 obj > endobj 1377 0 obj > endobj 1378 0 obj > endobj 1379 0 obj > endobj 1380 0 obj > endobj 1381 0 obj > endobj 1382 0 obj > endobj 1383 0 obj > endobj 1384 0 obj > endobj 1385 0 obj > endobj 1386 0 obj > endobj 1387 0 obj > endobj 1388 0 obj > endobj 1389 0 obj > endobj 1390 0 obj > endobj 1391 0 obj > endobj 1392 0 obj > endobj 1393 0 obj > endobj 1394 0 obj > endobj 1395 0 obj > endobj 1396 0 obj > endobj 1397 0 obj > endobj 1398 0 obj > endobj 1399 0 obj > endobj 1400 0 obj > endobj 1401 0 obj > endobj 1402 0 obj > endobj 1403 0 obj > endobj 1404 0 obj > endobj 1405 0 obj > endobj 1406 0 obj > endobj 1407 0 obj > endobj 1408 0 obj > endobj 1409 0 obj > endobj 1410 0 obj > endobj 1411 0 obj > endobj 1412 0 obj > endobj 1413 0 obj > endobj 1414 0 obj > endobj 1415 0 obj > endobj 1416 0 obj > endobj 1417 0 obj > endobj 1418 0 obj > endobj 1419 0 obj > endobj 1420 0 obj > endobj 1421 0 obj > endobj 1422 0 obj > endobj 1423 0 obj > endobj 1424 0 obj > endobj 1425 0 obj > endobj 1426 0 obj > endobj 1427 0 obj > endobj 1428 0 obj > endobj 1429 0 obj > endobj 1430 0 obj > endobj 1431 0 obj > endobj 1432 0 obj > endobj 1433 0 obj > endobj 1434 0 obj > endobj 1435 0 obj > endobj 1436 0 obj > endobj 1437 0 obj > endobj 1438 0 obj > endobj 1439 0 obj > endobj 1440 0 obj > endobj 1441 0 obj > endobj 1442 0 obj > endobj 1443 0 obj > endobj 1444 0 obj > endobj 1445 0 obj > endobj 1446 0 obj > endobj 1447 0 obj > endobj 1448 0 obj > endobj 1449 0 obj > endobj 1450 0 obj > endobj 1451 0 obj > endobj 1452 0 obj > endobj 1453 0 obj > endobj 1454 0 obj > endobj 1455 0 obj > endobj 1456 0 obj > endobj 1457 0 obj > endobj 1458 0 obj > endobj 1459 0 obj > endobj 1460 0 obj > endobj 1461 0 obj > endobj 1462 0 obj > endobj 1463 0 obj > endobj 1464 0 obj > endobj 1465 0 obj > endobj 1466 0 obj > endobj 1467 0 obj > endobj 1468 0 obj > endobj 1469 0 obj > endobj 1470 0 obj > endobj 1471 0 obj > endobj 1472 0 obj > endobj 1473 0 obj > endobj 1474 0 obj > endobj 1475 0 obj > endobj 1476 0 obj > endobj 1477 0 obj > endobj 1478 0 obj > endobj 1479 0 obj > endobj 1480 0 obj > endobj 1481 0 obj > endobj 1482 0 obj > endobj 1483 0 obj > endobj 1484 0 obj > endobj 1485 0 obj > endobj 1486 0 obj > endobj 1487 0 obj > endobj 1488 0 obj > endobj 1489 0 obj > endobj 1490 0 obj > endobj 1491 0 obj > endobj 1492 0 obj > endobj 1493 0 obj > endobj 1494 0 obj > endobj 1495 0 obj > endobj 1496 0 obj > endobj 1497 0 obj > endobj 1498 0 obj > endobj 1499 0 obj > endobj 1500 0 obj > endobj 1501 0 obj > endobj 1502 0 obj > endobj 1503 0 obj > endobj 1504 0 obj > endobj 1505 0 obj > endobj 1506 0 obj > endobj 1507 0 obj > endobj 1508 0 obj > endobj 1509 0 obj > endobj 1510 0 obj > endobj 1511 0 obj > endobj 1512 0 obj > endobj 1513 0 obj > endobj 1514 0 obj > endobj 1515 0 obj > endobj 1516 0 obj > endobj 1517 0 obj > endobj 1518 0 obj > endobj 1519 0 obj > endobj 1520 0 obj > endobj 1521 0 obj > endobj 1522 0 obj > endobj 1523 0 obj > endobj 1524 0 obj > endobj 1525 0 obj > endobj 1526 0 obj > endobj 1527 0 obj > endobj 1528 0 obj > endobj 1529 0 obj > endobj 1530 0 obj > endobj 1531 0 obj > endobj 1532 0 obj > endobj 1533 0 obj > endobj 1534 0 obj > endobj 1535 0 obj > endobj 1536 0 obj > endobj 1537 0 obj > endobj 1538 0 obj > endobj 1539 0 obj > endobj 1540 0 obj > endobj 1541 0 obj > endobj 1542 0 obj > endobj 1543 0 obj > endobj 1544 0 obj > endobj 1545 0 obj > endobj 1546 0 obj > endobj 1547 0 obj > endobj 1548 0 obj > endobj 1549 0 obj > endobj 1550 0 obj > endobj 1551 0 obj > endobj 1552 0 obj > endobj 1553 0 obj > endobj 1554 0 obj > endobj 1555 0 obj > endobj 1556 0 obj > endobj 1557 0 obj > endobj 1558 0 obj > endobj 1559 0 obj > endobj 1560 0 obj > endobj 1561 0 obj > endobj 1562 0 obj > endobj 1563 0 obj > endobj 1564 0 obj > endobj 1565 0 obj > endobj 1566 0 obj > endobj 1567 0 obj > endobj 1568 0 obj > endobj 1569 0 obj > endobj 1570 0 obj > endobj 1571 0 obj > endobj 1572 0 obj > endobj 1573 0 obj > endobj 1574 0 obj > endobj 1575 0 obj > endobj 1576 0 obj > endobj 1577 0 obj > endobj 1578 0 obj > endobj 1579 0 obj > endobj 1580 0 obj > endobj 1581 0 obj > endobj 1582 0 obj > endobj 1583 0 obj > endobj 1584 0 obj > endobj 1585 0 obj > endobj 1586 0 obj > endobj 1587 0 obj > endobj 1588 0 obj > endobj 1589 0 obj > endobj 1590 0 obj > endobj 1591 0 obj > endobj 1592 0 obj > endobj 1593 0 obj > endobj 1594 0 obj > endobj 1595 0 obj > endobj 1596 0 obj > endobj 1597 0 obj > endobj 1598 0 obj > endobj 1599 0 obj > endobj 1600 0 obj > endobj 1601 0 obj > endobj 1602 0 obj > endobj 1603 0 obj > endobj 1604 0 obj > endobj 1605 0 obj > endobj 1606 0 obj > endobj 1607 0 obj > endobj 1608 0 obj > endobj 1609 0 obj > endobj 1610 0 obj > endobj 1611 0 obj > endobj 1612 0 obj > endobj 1613 0 obj > endobj 1614 0 obj > endobj 1615 0 obj > endobj 1616 0 obj > endobj 1617 0 obj > endobj 1618 0 obj > endobj 1619 0 obj > endobj 1620 0 obj > endobj 1621 0 obj > endobj 1622 0 obj > endobj 1623 0 obj > endobj 1624 0 obj > endobj 1625 0 obj > endobj 1626 0 obj > endobj 1627 0 obj > endobj 1628 0 obj > endobj 1629 0 obj > endobj 1630 0 obj > endobj 1631 0 obj > endobj 1632 0 obj > endobj 1633 0 obj > endobj 1634 0 obj > endobj 1635 0 obj > endobj 1636 0 obj > endobj 1637 0 obj > endobj 1638 0 obj > endobj 1639 0 obj > endobj 1640 0 obj > endobj 1641 0 obj > endobj 1642 0 obj > endobj 1643 0 obj > endobj 1644 0 obj > endobj 1645 0 obj > endobj 1646 0 obj > endobj 1647 0 obj > endobj 1648 0 obj > endobj 1649 0 obj > endobj 1650 0 obj > endobj 1651 0 obj > endobj 1652 0 obj > endobj 1653 0 obj > endobj 1654 0 obj > endobj 1655 0 obj > endobj 1656 0 obj > endobj 1657 0 obj > endobj 1658 0 obj > endobj 1659 0 obj > endobj 1660 0 obj > endobj 1661 0 obj > endobj 1662 0 obj > endobj 1663 0 obj > endobj 1664 0 obj > endobj 1665 0 obj > endobj 1666 0 obj > endobj 1667 0 obj > endobj 1668 0 obj > endobj 1669 0 obj > endobj 1670 0 obj > endobj 1671 0 obj > endobj 1672 0 obj > endobj 1673 0 obj > endobj 1674 0 obj > endobj 1675 0 obj > endobj 1676 0 obj > endobj 1677 0 obj > endobj 1678 0 obj > endobj 1679 0 obj > endobj 1680 0 obj > endobj 1681 0 obj > endobj 1682 0 obj > endobj 1683 0 obj > endobj 1684 0 obj > endobj 1685 0 obj > endobj 1686 0 obj > endobj 1687 0 obj > endobj 1688 0 obj > endobj 1689 0 obj > endobj 1690 0 obj > endobj 1691 0 obj > endobj 1692 0 obj > endobj 1693 0 obj > endobj 1694 0 obj > endobj 1695 0 obj > endobj 1696 0 obj > endobj 1697 0 obj > endobj 1698 0 obj > endobj 1699 0 obj > endobj 1700 0 obj > endobj 1701 0 obj > endobj 1702 0 obj > endobj 1703 0 obj > endobj 1704 0 obj > endobj 1705 0 obj > endobj 1706 0 obj > endobj 1707 0 obj > endobj 1708 0 obj > endobj 1709 0 obj > endobj 1710 0 obj > endobj 1711 0 obj > endobj 1712 0 obj > endobj 1713 0 obj > endobj 1714 0 obj > endobj 1715 0 obj > endobj 1716 0 obj > endobj 1717 0 obj > endobj 1718 0 obj > endobj 1719 0 obj > endobj 1720 0 obj > endobj 1721 0 obj > endobj 1722 0 obj > endobj 1723 0 obj > endobj 1724 0 obj > endobj 1725 0 obj > endobj 1726 0 obj > endobj 1727 0 obj > endobj 1728 0 obj > endobj 1729 0 obj > endobj 1730 0 obj > endobj 1731 0 obj > endobj 1732 0 obj > endobj 1733 0 obj > endobj 1734 0 obj > endobj 1735 0 obj > endobj 1736 0 obj > endobj 1737 0 obj > endobj 1738 0 obj > endobj 1739 0 obj > endobj 1740 0 obj > endobj 1741 0 obj > endobj 1742 0 obj > endobj 1743 0 obj > endobj 1744 0 obj > endobj 1745 0 obj > endobj 1746 0 obj > endobj 1747 0 obj > endobj 1748 0 obj > endobj 1749 0 obj > endobj 1750 0 obj > endobj 1751 0 obj > endobj 1752 0 obj > endobj 1753 0 obj > endobj 1754 0 obj > endobj 1755 0 obj > endobj 1756 0 obj > endobj 1757 0 obj > endobj 1758 0 obj > endobj 1759 0 obj > endobj 1760 0 obj > endobj 1761 0 obj > endobj 1762 0 obj > endobj 1763 0 obj > endobj 1764 0 obj > endobj 1765 0 obj > endobj 1766 0 obj > endobj 1767 0 obj > endobj 1768 0 obj > endobj 1769 0 obj > endobj 1770 0 obj > endobj 1771 0 obj > endobj 1772 0 obj > endobj 1773 0 obj > endobj 1774 0 obj > endobj 1775 0 obj > endobj 1776 0 obj > endobj 1777 0 obj > endobj 1778 0 obj > endobj 1779 0 obj > endobj 1780 0 obj > endobj 1781 0 obj > endobj 1782 0 obj > endobj 1783 0 obj > endobj 1784 0 obj > endobj 1785 0 obj > endobj 1786 0 obj > endobj 1787 0 obj > endobj 1788 0 obj > endobj 1789 0 obj > endobj 1790 0 obj > endobj 1791 0 obj > endobj 1792 0 obj > endobj 1793 0 obj > endobj 1794 0 obj > endobj 1795 0 obj > endobj 1796 0 obj > endobj 1797 0 obj > endobj 1798 0 obj > endobj 1799 0 obj > endobj 1800 0 obj > endobj 1801 0 obj > endobj 1802 0 obj > endobj 1803 0 obj > endobj 1804 0 obj > endobj 1805 0 obj > endobj 1806 0 obj > endobj 1807 0 obj > endobj 1808 0 obj > endobj 1809 0 obj > endobj 1810 0 obj > endobj 1811 0 obj > endobj 1812 0 obj > endobj 1813 0 obj > endobj 1814 0 obj > endobj 1815 0 obj > endobj 1816 0 obj > endobj 1817 0 obj > endobj 1818 0 obj > endobj 1819 0 obj > endobj 1820 0 obj > endobj 1821 0 obj > endobj 1822 0 obj > endobj 1823 0 obj > endobj 1824 0 obj > endobj 1825 0 obj > endobj 1826 0 obj > endobj 1827 0 obj > endobj 1828 0 obj > endobj 1829 0 obj > endobj 1830 0 obj > endobj 1831 0 obj > endobj 1832 0 obj > endobj 1833 0 obj > endobj 1834 0 obj > endobj 1835 0 obj > endobj 1836 0 obj > endobj 1837 0 obj > endobj 1838 0 obj > endobj 1839 0 obj > endobj 1840 0 obj > endobj 1841 0 obj > endobj 1842 0 obj > endobj 1843 0 obj > endobj 1844 0 obj > endobj 1845 0 obj > endobj 1846 0 obj > endobj 1847 0 obj > endobj 1848 0 obj > endobj 1849 0 obj > endobj 1850 0 obj > endobj 1851 0 obj > endobj 1852 0 obj > endobj 1853 0 obj > endobj 1854 0 obj > endobj 1855 0 obj > endobj 1856 0 obj > endobj 1857 0 obj > endobj 1858 0 obj > endobj 1859 0 obj > endobj 1860 0 obj > endobj 1861 0 obj > endobj 1862 0 obj > endobj 1863 0 obj > endobj 1864 0 obj > endobj 1865 0 obj > endobj 1866 0 obj > endobj 1867 0 obj > endobj 1868 0 obj > endobj 1869 0 obj > endobj 1870 0 obj > endobj 1871 0 obj > endobj 1872 0 obj > endobj 1873 0 obj > endobj 1874 0 obj > endobj 1875 0 obj > endobj 1876 0 obj > endobj 1877 0 obj > endobj 1878 0 obj > endobj 1879 0 obj > endobj 1880 0 obj > endobj 1881 0 obj > endobj 1882 0 obj > endobj 1883 0 obj > endobj 1884 0 obj > endobj 1885 0 obj > endobj 1886 0 obj > endobj 1887 0 obj > endobj 1888 0 obj > endobj 1889 0 obj > endobj 1890 0 obj > endobj 1891 0 obj > endobj 1892 0 obj > endobj 1893 0 obj > endobj 1894 0 obj > endobj 1895 0 obj > endobj 1896 0 obj > endobj 1897 0 obj > endobj 1898 0 obj > endobj 1899 0 obj > endobj 1900 0 obj > endobj 1901 0 obj > endobj 1902 0 obj > endobj 1903 0 obj > endobj 1904 0 obj > endobj 1905 0 obj > endobj 1906 0 obj > endobj 1907 0 obj > endobj 1908 0 obj > endobj 1909 0 obj > endobj 1910 0 obj > endobj 1911 0 obj > endobj 1912 0 obj > endobj 1913 0 obj > endobj 1914 0 obj > endobj 1915 0 obj > endobj 1916 0 obj > endobj 1917 0 obj > endobj 1918 0 obj > endobj 1919 0 obj > endobj 1920 0 obj > endobj 1921 0 obj > endobj 1922 0 obj > endobj 1923 0 obj > endobj 1924 0 obj > endobj 1925 0 obj > endobj 1926 0 obj > endobj 1927 0 obj > endobj 1928 0 obj > endobj 1929 0 obj > endobj 1930 0 obj > endobj 1931 0 obj > endobj 1932 0 obj > endobj 1933 0 obj > endobj 1934 0 obj > endobj 1935 0 obj > endobj 1936 0 obj > endobj 1937 0 obj > endobj 1938 0 obj > endobj 1939 0 obj > endobj 1940 0 obj > endobj 1941 0 obj > endobj 1942 0 obj > endobj 1943 0 obj > endobj 1944 0 obj > endobj 1945 0 obj > endobj 1946 0 obj > endobj 1947 0 obj > endobj 1948 0 obj > endobj 1949 0 obj > endobj 1950 0 obj > endobj 1951 0 obj > endobj 1952 0 obj > endobj 1953 0 obj > endobj 1954 0 obj > endobj 1955 0 obj > endobj 1956 0 obj > endobj 1957 0 obj > endobj 1958 0 obj > endobj 1959 0 obj > endobj 1960 0 obj > endobj 1961 0 obj > endobj 1962 0 obj > endobj 1963 0 obj > endobj 1964 0 obj > endobj 1965 0 obj > endobj 1966 0 obj > endobj 1967 0 obj > endobj 1968 0 obj > endobj 1969 0 obj > endobj 1970 0 obj > endobj 1971 0 obj > endobj 1972 0 obj > endobj 1973 0 obj > endobj 1974 0 obj > endobj 1975 0 obj > endobj 1976 0 obj > endobj 1977 0 obj > endobj 1978 0 obj > endobj 1979 0 obj > endobj 1980 0 obj > endobj 1981 0 obj > endobj 1982 0 obj > endobj 1983 0 obj > endobj 1984 0 obj > endobj 1985 0 obj > endobj 1986 0 obj > endobj 1987 0 obj > endobj 1988 0 obj > endobj 1989 0 obj > endobj 1990 0 obj > endobj 1991 0 obj > endobj 1992 0 obj > endobj 1993 0 obj > endobj 1994 0 obj > endobj 1995 0 obj > endobj 1996 0 obj > endobj 1997 0 obj > endobj 1998 0 obj > endobj 1999 0 obj > endobj 2000 0 obj > endobj 2001 0 obj > endobj 2002 0 obj > endobj 2003 0 obj > endobj 2004 0 obj > endobj 2005 0 obj > endobj 2006 0 obj > endobj 2007 0 obj > endobj 2008 0 obj > endobj 2009 0 obj > endobj 2010 0 obj > endobj 2011 0 obj > endobj 2012 0 obj > endobj 2013 0 obj > endobj 2014 0 obj > endobj 2015 0 obj > endobj 2016 0 obj > endobj 2017 0 obj > endobj 2018 0 obj > endobj 2019 0 obj > endobj 2020 0 obj > endobj 2021 0 obj > endobj 2022 0 obj > endobj 2023 0 obj > endobj 2024 0 obj > endobj 2025 0 obj > endobj 2026 0 obj > endobj 2027 0 obj > endobj 2028 0 obj > endobj 2029 0 obj > endobj 2030 0 obj > endobj 2031 0 obj > endobj 2032 0 obj > endobj 2033 0 obj > endobj 2034 0 obj > endobj 2035 0 obj > endobj 2036 0 obj > endobj 2037 0 obj > endobj 2038 0 obj > endobj 2039 0 obj > endobj 2040 0 obj > endobj 2041 0 obj > endobj 2042 0 obj > endobj 2043 0 obj > endobj 2044 0 obj > endobj 2045 0 obj > endobj 2046 0 obj > endobj 2047 0 obj > endobj 2048 0 obj > endobj 2049 0 obj > endobj 2050 0 obj > endobj 2051 0 obj > endobj 2052 0 obj > endobj 2053 0 obj > endobj 2054 0 obj > endobj 2055 0 obj > endobj 2056 0 obj > endobj 2057 0 obj > endobj 2058 0 obj > endobj 2059 0 obj > endobj 2060 0 obj > endobj 2061 0 obj > endobj 2062 0 obj > endobj 2063 0 obj > endobj 2064 0 obj > endobj 2065 0 obj > endobj 2066 0 obj > endobj 2067 0 obj > endobj 2068 0 obj > endobj 2069 0 obj > endobj 2070 0 obj > endobj 2071 0 obj > endobj 2072 0 obj > endobj 2073 0 obj > endobj 2074 0 obj > endobj 2075 0 obj > endobj 2076 0 obj > endobj 2077 0 obj > endobj 2078 0 obj > endobj 2079 0 obj > endobj 2080 0 obj > endobj 2081 0 obj > endobj 2082 0 obj > endobj 2083 0 obj > endobj 2084 0 obj > endobj 2085 0 obj > endobj 2086 0 obj > endobj 2087 0 obj > endobj 2088 0 obj > endobj 2089 0 obj > endobj 2090 0 obj > endobj 2091 0 obj > endobj 2092 0 obj > endobj 2093 0 obj > endobj 2094 0 obj > endobj 2095 0 obj > endobj 2096 0 obj > endobj 2097 0 obj > endobj 2098 0 obj > endobj 2099 0 obj > endobj 2100 0 obj > endobj 2101 0 obj > endobj 2102 0 obj > endobj 2103 0 obj > endobj 2104 0 obj > endobj 2105 0 obj > endobj 2106 0 obj > endobj 2107 0 obj > endobj 2108 0 obj > endobj 2109 0 obj > endobj 2110 0 obj > endobj 2111 0 obj > endobj 2112 0 obj > endobj 2113 0 obj > endobj 2114 0 obj > endobj 2115 0 obj > endobj 2116 0 obj > endobj 2117 0 obj > endobj 2118 0 obj > endobj 2119 0 obj > endobj 2120 0 obj > endobj 2121 0 obj > endobj 2122 0 obj > endobj 2123 0 obj > endobj 2124 0 obj > endobj 2125 0 obj > endobj 2126 0 obj > endobj 2127 0 obj > endobj 2128 0 obj > endobj 2129 0 obj > endobj 2130 0 obj > endobj 2131 0 obj > endobj 2132 0 obj > endobj 2133 0 obj > endobj 2134 0 obj > endobj 2135 0 obj > endobj 2136 0 obj > endobj 2137 0 obj > endobj 2138 0 obj > endobj 2139 0 obj > endobj 2140 0 obj > endobj 2141 0 obj > endobj 2142 0 obj > endobj 2143 0 obj > endobj 2144 0 obj > endobj 2145 0 obj > endobj 2146 0 obj > endobj 2147 0 obj > endobj 2148 0 obj > endobj 2149 0 obj > endobj 2150 0 obj > endobj 2151 0 obj > endobj 2152 0 obj > endobj 2153 0 obj > endobj 2154 0 obj > endobj 2155 0 obj > endobj 2156 0 obj > endobj 2157 0 obj > endobj 2158 0 obj > endobj 2159 0 obj > endobj 2160 0 obj > endobj 2161 0 obj > endobj 2162 0 obj > endobj 2163 0 obj > endobj 2164 0 obj > endobj 2165 0 obj > endobj 2166 0 obj > endobj 2167 0 obj > endobj 2168 0 obj > endobj 2169 0 obj > endobj 2170 0 obj > endobj 2171 0 obj > endobj 2172 0 obj > endobj 2173 0 obj > endobj 2174 0 obj > endobj 2175 0 obj > endobj 2176 0 obj > endobj 2177 0 obj > endobj 2178 0 obj > endobj 2179 0 obj > endobj 2180 0 obj > endobj 2181 0 obj > endobj 2182 0 obj > endobj 2183 0 obj > endobj 2184 0 obj > endobj 2185 0 obj > endobj 2186 0 obj > endobj 2187 0 obj > endobj 2188 0 obj > endobj 2189 0 obj > endobj 2190 0 obj > endobj 2191 0 obj > endobj 2192 0 obj > endobj 2193 0 obj > endobj 2194 0 obj > endobj 2195 0 obj > endobj 2196 0 obj > endobj 2197 0 obj > endobj 2198 0 obj > endobj 2199 0 obj > endobj 2200 0 obj > endobj 2201 0 obj > endobj 2202 0 obj > endobj 2203 0 obj > endobj 2204 0 obj > endobj 2205 0 obj > endobj 2206 0 obj > endobj 2207 0 obj > endobj 2208 0 obj > endobj 2209 0 obj > endobj 2210 0 obj > endobj 2211 0 obj > endobj 2212 0 obj > endobj 2213 0 obj > endobj 2214 0 obj > endobj 2215 0 obj > endobj 2216 0 obj > endobj 2217 0 obj > endobj 2218 0 obj > endobj 2219 0 obj > endobj 2220 0 obj > endobj 2221 0 obj > stream xuSMo1Uή6Jhۦ-.
    6ڸYc$Z(X:J2IРb%.,? vެ,1K[+[e6/˓Wǯ’ǃ-z- 7>yW޷z»H锬6`ԓj=HCbRlQ_=Q9Et](|4″V (*e89| l yYSb;v:’;3cx+爀&Trf{,o7H.)R>v D1 !E» FhLaBF7ikMFmaTڲ}[email protected]?8|h endstream endobj 2222 0 obj > stream x+w,*LKL.,HHLOsrqV04г4U0

    Классификация бактерий | Обучонок

    1.2 Классификация бактерий


    Формы бактерий
    Клетки бактерии бывают следующих форм:
    • Круглые (кокки).
    • Палочковидные (бациллы, клостридии).
    • Извилистые (спирохеты, спириллы, вибрионы).

    Многие микроорганизмы имеют свойство сливаться в колонии и различаются по типу соединений:

    • Диплококки – кокки, которые соединены парами.
    • Стрептококки – кокки, которые создают цепочки.
    • Стафилококки – кокки, которые скапливаются гроздьями.
    • Стрептобактерии – цепочка палочковидных микроорганизмов.

    Особенностью палочковидных бактерий является способность к спорообразованию. Их называют бациллами, к ним относятся

    • Клостридии (газовая гангрену, ботулизм).
    • Бациллюс (сибирская язва, ряд пищевых отравлений).

    Споры бактерий – это законсервированная клетка микроорганизма, которая сохраняется долгое время без повреждений, она практически не подвержена разным влияниям. Они термоустойчивы, не повреждаются под воздействием химикатов. Единственное воздействие – ультрафиолетовые лучи, под ними высушенные бактерии погибают.

    Споры образуются только тогда, если бактерия попадает в неблагоприятные условия. На ее развитие внутри клетки уходит около 18-20 часов. В это время бактерия теряет воду, уменьшается ее размер, она становится легче, а под внешней мембраной образуется плотная оболочка. В таком виде бактерия может замирать на сотни лет.

    Когда же спора бактерии оказывается в благоприятных условиях, она начинает прорастать в жизнеспособную бактерию. Процесс занимает около 4-6 часов.


    Виды бактерий

    По влиянию бактерий на человека их можно разделить на три вида:

    • Патогенные.
    • Условно-патогенные.
    • Непатогенные.

    Непатогенные бактерии – те, которые не приводят к болезням, даже при большой численности. Самые известные — это молочнокислые бактерии, которые активно используются для приготовления сыров, кисломолочных продуктов, теста и многого другого.

    Еще один важный вид – бифидобактерии, которые являются основой кишечной флоры. У младенцев на грудном вскармливании они составляют до 90% от всех видов, живущих в желудочно-кишечном тракте.

    Они выполняют такие важные функции:

    • Обеспечивают физиологическую защиту кишечника от проникновения патогенных организмов.
    • Вырабатывают органические кислоты, которые препятствуют размножению болезнетворных микробов.
    • Помогают синтезировать витамины (К, группа В), а также белки.
    • Усиливают всасывание витамина D.

    Роль бактерий этого вида велика, без них невозможно нормальное пищеварение и усвоение питательных веществ.

    Условно-патогенные бактерии. В составе здоровой микрофлоры присутствуют бактерии, которые относятся к условно-патогенным. Эти бактерии могут годами жить на коже, в носоглотке или кишечнике человека и не вызывать инфекций. Но при благоприятных условиях (ослабление иммунитета) их количество вырастает и становится угрозой.

    Простым примером условно-патогенной бактерии является золотистый стафилококк – он приводит к более 100 заболеваниям. При этом у большинства людей в различных анализах эта бактерия обнаруживается, но болезни не вызывает.

    Среди других представителей вида условно-патогенных микробов стрептококки, кишечная палочка, хеликобактер пилори (способна вызывать язвы и гастриты, но у 90% людей живет как часть здоровой микрофлоры).

    Избавляться от таких видов бактерий не имеет смысла, поскольку они широко распространены в окружающей среде. Единственным способом профилактики инфекций является укрепление иммунитета и защита организма от дисбактериоза.

    Патогенные бактерии ведут себя иначе – их наличие в организме всегда означает развитие инфекции. Даже маленькая колония способна принести вред.

    Большинство из таких микроорганизмов выделяют два типа токсинов:

    • Эндотоксины – яды, образующиеся при разрушении клетки.
    • Экзотоксины – яды, которые бактерия вырабатывает в процессе жизнедеятельности. Это самые опасные вещества, которые приводят к смертельной интоксикации.

    Лечение таких инфекций направлено на уничтожение болезнетворных бактерий на снятие отравления., которое они вызвали. Причем в случае заражения такими микробами, как столбнячная палочка, именно введение анатоксина является основой терапии. Другие известные бактерии: сальмонелла, синегнойная палочка, гонококк, бледная трепонема, шигелла, туберкулезная палочка.

    Классы бактерий. Ученые разделяют бактерии по многим признакам, по типу строения, способности к передвижению и другим особенностям. Однако наиболее важными остаются классификации по Граму и по типу дыхания.


    Анаэробные и аэробные бактерии

    Среди всего разнообразия бактерий выделяют два крупных класса:

    • Анаэробные – те, которые живут без кислорода.
    • Аэробные – те, которым нужен кислород.

    Особенностью анаэробных бактерий — их способность жить в средах, где другие не выживают. Наиболее опасные глубокие загрязненные раны, в которых бактерии развиваются быстро.

    Характерными признаками роста бактерий в организме человека являются такие:

    • Прогрессирующий некроз ткани.
    • Подкожные нагноения.
    • Абсцессы.
    • Внутренние поражения.

    К анаэробам принадлежат бактерии, вызывающие столбняк, газовую гангрену, токсические поражения желудочно-кишечного тракта. Также анаэробный класс бактерий включает условно-патогенные микробы, которые живут на коже и в кишечнике. Опасными они становятся при попадании в открытую рану.

    К аэробному классу бактерий, вызывающих болезни относятся:

    • Туберкулезная палочка.
    • Холерный вибрион.
    • Палочка туляремии.

    Бактерии способны жить и при маленьком уровне кислорода. Они называются факультативно аэробными, ярким примером группы являются сальмонелла и кокки (стрептококк, стафилококк).

    Грамположительные и грамотрицательные бактерии

    В 1884 году датский врач Ганс Грам открыл, что разные бактерии по-разному окрашиваются под воздействием метиленового фиолетового. Одни сохраняют цвет после промывания, другие утрачивает его.

    На основе этого были выделены такие классы бактерий:

    • Грамотрицательные (Грам−) – обесцвечивающиеся.
    • Грамположительные (Грам+) – окрашивающиеся.

    Окрашивание анилиновыми красителями – простая технология, которая дает возможность быстро выявлять характеристики мембранной стенки бактерии. У тех микробов, которые не окрашиваются по Граму, она более мощная и прочная, а значит, и бороться с ними сложнее. Грамотрицательные бактерии, прежде всего, более устойчивы к антителам, которые вырабатывает иммунная система человека.

    К этому классу принадлежат микробы, вызывающие такие болезни:

    • Сифилис.
    • Лептоспироз.
    • Хламидиоз.
    • Менингококковая инфекция.
    • Гемофильная инфекция
    • Бруцеллез.
    • Легионеллез.

    Класс бактерий Грам+ включает такие микроорганизмы:
    • Стафилококк.
    • Стрептококк.
    • Клостридии (возбудители ботулизма и столбняка).
    • Листерии.
    • Дифтерийная палочка.

    1.3 Интересные факты о бактериях

    Ученые открыли структуру упаковки светочувствительных молекул зеленых бактерий, помогающую организмам чрезвычайно эффективно перерабатывать солнечный свет в химическую энергию, необходимую им для жизни. Открытие может в будущем привести к созданию нового поколения солнечных батарей, считают авторы исследования, опубликованного в журнале Proceedings of the National Academy of Sciences.

    Зеленые бактерии, ставшие предметом исследования ученых, используют энергию света для переработки соединений серы или железа, подобно тому, как растения используют солнечный свет в фотосинтезе. При этом организмы вынуждены довольствоваться очень ограниченным количеством солнечного света, так как живут они в водах горячих гидротермальных источников или в морях на глубине более 100 метров.

    Японские специалисты создали первый в мире микродвигатель, который приводится в действие бактериями. Его главный вращающийся компонент имеет диаметр 20 миллионных метра.

    Бактерия и бацилла – это одно и то же. Первое слово — греческого происхождения, а второе – латинского.

    Существуют бактерии, которые помогают чистить зубы. Ученые из шведского Каролинского института скрестили эти бактерии с обычными йогуртовыми и теперь пытаются сделать трансгенный йогурт, который позволит нам не чистить зубы.

    Общий вес бактерий, живущих в организме человека, составляет 2 килограмма.

    Во рту человека около 40 000 бактерий. Во время поцелуя от одного человека другому передается 278 различных культур бактерий. К счастью, 95 процентов из них не представляют опасности.

    Перейти к разделу: 3. Исследовательская работа по обнаружению бактерий

    Классификация твердых частиц и аэрозолей в воздухе по размеру и воздействию на организм

    Одним из основных загрязнителей в городах и помещениях являются твердые частицы. К ним относятся не только обычные пылевые частицы, но и целый спектр контаминирующих агентов, оказывающих прямое влияние на здоровье человека – аллергены, сажа, вирусы, бактерии и прочее.

    Размеры загрязняющих примесей и обычно выражаются в микронах (1 микрон (микрометр) равен 0,000001 метра равен 0,001 мм). Человеческий глаз способен разглядеть частицы размером 40 микрон и более.

    Все частицы и аэрозоли можно классифицировать по размеру. Размер определяет физическое поведение частиц в воздухе, возможность их попадания в организм, а также определяет методы задержания этих частиц при очистке и обеззараживании воздуха. Мелкие частицы пыли могут быть опасны для людей. Во многих странах концентрация мелких частиц обязательно должна измеряться на рабочих местах.

    Крупные частицы — больше чем 100 микрон.

    • Быстро падают из воздуха (оседают на пол и горизонтальные поверхности)
    • включает волосы, снег, грязь от насекомых, комнатную пыль, скопление сажи, крупный песок
    • Могут попасть в нос и рот в процессе дыхания. Эффективно задерживаются в дыхательных путях и бронхах, не проникая в легкие. Опасны в очень больших концентрациях, увеличивают нагрузку на дыхательные пути, могут вызывать рак, аллергические реакции.
    • Задерживаются обычными фильтрами грубой очистки класса G2 и выше.

    Средний размер частиц — в пределах до 10 микрон. Относятся к PM10 по принятой в США классификации размеров частиц.

    • Медленно падают из воздуха (оседают на пол и горизонтальные поверхности)
    • включает цветочную пыльцу, большие бактерии, частицы золы в воздухе, угольную пыль, мелкий песок, и мелкую пыль
    • Частицы, которые через дыхательные пути попадают в легкие, но не попадают в зону газообмена и не всасываются в кровь. Зашлаковывают легкие, могут вызывать рак, астму, аллергические реакции.
    • Задерживаются фильтрами тонкой очистки класса F5 и выше.

    Мелкие частицы — менее 1 микрона. Относятся к PM1 по принятой в США классификации размеров частиц.

    • Очень медленно падают из воздуха (оседают на пол и горизонтальные поверхности). В спокойной атмосфере процесс может занять от дней до годов для оседания. В возмущенной атмосфере они могут никогда не осесть
    • включает вирусы, мелкие бактерии, металлургическую копоть, сажу, пары масла, табачный дым, копоть
    • Частицы, которые проникают в зону легких, отвечающую за газообмен. Через альвеолы могут всасываться в кровь, вызывая зашлаковывание сердечно-сосудистой системы, аллергические реакции, интоксикацию адсорбированными на поверхности частиц химическими соединениями.
    • Задерживаются фильтрами высокой эффективности НЕРА класса Н11 и выше.

    Размеры некоторых примесей и частиц приведены в таблице ниже.

    Частица

    Размер частицы (микроны)

    Автомобильные выбросы в воздух 1 — 150
    Асбест 0.7 — 90
    Бром (бромин) 0.1 — 0.7
    Вирусы 0.005 — 0.3
    Волос 5 — 200
    Волос человеческий (1й источник) 40 — 300
    Волос человеческий (2й источник) 60 — 600
    Глина 0.1 — 50
    Горчица (порошок) 6 — 10
    Дезодорант 6 — 10
    Дрожжи (споры) 1 — 50
    Дюйм 25400
    Дым от автотранспортных средств, дровяного отопления, открытого горения, индустриальных процессов до 2. 5
    Дым от горения смолы 0.01 — 1
    Дым от натуральных веществ 0.01 — 0.1
    Дым от синтетических веществ 1 — 50
    Дымок от тления или воспламенения кухонного жира 0.03 — 0.9
    Желатиновая пыль 5 — 90
    Иголочное ушко 1230
    Имбирь (молотый) 25 — 40
    Капля воды (мельчайшая возможная — в тумане намного капли намного больше) 0.5 — 5
    Кислород 0.0005
    Копоть (сажа) 0.01 — 0.1
    Копоть металлургическая 0.1 — 1000
    Кофе (порошок) 5 — 400
    Крахмал 3 — 100
    Крахмал кукурузный (маисовый) 0. 1 — 0.8
    Масла пары 0.03 — 1
    Микроб 0.3 — 60
    Мука известковая 10 — 1000
    Мука измельченная 1 — 100
    Мука костная 3 — 300
    Нить текстильная 10 — 1000
    Паутина 2 — 3
    Перец Кайенский 15 — 1000
    Песок речной 100 — 10000
    Пестициды & Гербициды 0.001
    Пигмент краски 0.1 — 5
    Плесени споры 10 — 30
    Плесневый гриб 3 — 12
    Порошок железных опилок 4 — 20
    Порошок (тонер) для ксерокса 0. 5 — 15
    Пудра для лица 0.1 — 30
    Пылинки взвешенные 100 — 300
    Пыль атмосферная 0.001 — 40
    Пыль атмосферная (обычная) 0.001 — 30
    Пыль зерновая 5 — 1000
    Пыль зольная 1 — 1000
    Пыль древесного угля 0.2 — 3
    Пыль древесных опилок 30 — 600
    Пыль металлургическая 0.1 — 1000
    Пыль свинцовая 2
    Пыль текстильная 6 — 20
    Пыль увлажнителя 0.9 — 3
    Пыль угольная 1 — 100
    Пыль цементная (цемент) 3 — 100
    Пыль чайного листа 8 — 300
    Пыльца испанского мха (обычный мох) 150 — 750
    Пыльца цветочная 10 — 1000
    Радиоактивные осадки 0. 1 — 10
    Сажа (угольная) 0.2 — 10
    Сахарная пудра 0.0008 — 0.005
    Соль морская (молотая) 0.035 — 0.5
    Спора (гриба) 3 — 40
    Споры сибирской язвы 1-5
    Средство от насекомых (пыль) 0.5 — 10
    Стекловата 1000
    Стекловолокно 1 — 1000
    Табачный дым 0.01 — 4
    Тальк (порошок) 0.5 — 50
    Точка на принтере 615
    Туман (пар) 70 — 350
    Углекислый газ 0. 00065
    Угольные газообразные продукты горения 0.08 — 0.2
    Удобрения 10 — 1000
    Цинковая (известковая) пыль 0.7 — 20
    Минимальный размер соединительного вещества в электротехнических устройствах 0.1 — 0.7
    Эритроциты (Красные кровяные тельца) 5 — 10

    Классификация бактерий — Справочник химика 21

    Таблица 6. Классификация бактерий по степени их чувствительности к антибиотикам

        Классификация бактерий служит постоянно предметом дискуссий и разногласий. Это обусловлено простотой и однообразием строения и развития и недостаточностью опознавательных признаков у прокариотов. Широко используемые в микробиологической классификации биохимические признаки не стабильны в различных естественных условиях существования микробной популяции или в различных искусственных условиях поддержания штамма. Эта биохимическая нестабильность особенно часто наблюдается у гетеротрофных бактерий. [c.52]

        Первые системы классификации бактерий в XX в. основывались на тех же принципах, которые использовали ботаники при построении системы классификации высших растений. Основное внимание уделялось морфологическим признакам бактерий. Однако вскоре стало ясно, что морфологические признаки недостаточны для удовлетворительного распределения бактерий по таксономическим группам. Необходимость ис- [c.135]

        В связи с тем что на протяжении последнего десятилетия появились в литературе предложения использовать для классификации бактерий соотношение нуклеотидов в составе ДНК отдельных видов микробов [12—15], следует кратко остановиться на этом вопросе. Нуклеотидный состав ДНК в значительной степени зависит от систематического положения организма. В лаборатории Чаргаффа установлена видовая специфичность [c.53]

        Схема современной классификации бактерий [c. 24]

        Цитохромы типа с могут способствовать выявлению эволюции метаболических путей. Цитохромы с вводят нас в обширную область прокариотов. В принципе структуры этих белков можно использовать для установления определенного порядка среди бактерий таким же образом, как митохондриальные цитохромы с были применены в таксономических целях к эукариотическим организмам. Первые попытки такой классификации бактерий уже сделаны [509, 571]. Однако, поскольку в бактериях может осуществляться переход межродового гена [507, 508], построение филогенетического дерева затрудняется генами, которые переходят из одной ветви в другую. [c.227]

        Приводим в очень сокращенном виде классификацию бактерий по 8-му изданию определителя Берги. Некоторые систематические группы нами описаны в начале главы I, им уделяется меньше внимания. Прокариоты разделены на следующие части  [c.56]


        Красильников И. А. О классификации бактерий.— Микробиология, 1948, [c. 240]

        Изучение нуклеотидного состава ДНК позволило уточнить систематическое положение ряда бактерий. Одним из первых примеров, на котором было показано значение состава азотистых оснований ДНК для упорядочения классификации бактерий,- явилось выявление существенных [c.14]

        Книга посвящена изложению наиболее прогрессивных ускоренных и экспрессных методов определения в воде общего числа микроорганизмов, сапрофитных бактерий, бактерий группы кишечных палочек, энтерококков, клостридий, стафилококков, а также методов их идентификации с учетом новых тестов, комбинированных сред и в рамках современной классификации бактерий обращено внимание на методы, пригодные в экспедиционных и полевых условиях. [c.2]

        Очевидно, недостаточно полная информация, которую дает даже комплекс всех доступных исследователю фенотипических свойств, приводит к необходимости подкреплять характеристику по физиологическим и другим свойствам бактерий данными о структуре их ДНК. Поскольку ДНК представляет собой наследственный материал клетки, можно полагать, что подобный подход наиболее надежно способствует приближению к естественной классификации бактерий. Однако изучение нуклеотидного состава ДНК явилось лишь самым начальным этапом в упорядочении систематики бактерий на основе строения генома. Для ее дальнейшего усовершенствования необходимо более глубокое изучение строения ДНК и в частности нуклеотидной последовательности. О сходстве нуклеотидных последовательностей ДНК дает возможность судить метод молекулярной гибридизации ДНК, уже нашедший достаточно широкое применение в современных исследованиях. [c.79]

        Выражение достаточно сходными из приведенного выше определения бактериального вида является источником большинства затруднений в классификации бактерий, так как то, что один человек считает достаточно сходным, не обязательно представляется таковым для другого. Однако совершенно очевидно чем больше известно о какой-то группе бактерий, тем более вероятно, что различные исследователи смогут прийти к одной приемлемой схеме классификации. Исторически сложившийся способ характеристики бактерий заключается в качественном описании как можно большего числа фенотипических признаков, основанных на морфологии, структуре, культивировании, питании, биохимии, метаболизме, патогенных и антигенных свойствах и экологии. Рутинные и специальные тесты для выявления многих из этих признаков описаны в гл. 20. Методы нумерической таксономии, приведенные в гл. 21, полезны для количественного определения сходства на основе фенотипических признаков они могут помочь в достижении объективности, которая иногда отсутствует в тех случаях, когда бактерии классифицируют по интуиции. Фенотипическое сходство не обязательно означает филогенетическую связь или родственность (обш-ность происхождения), однако в последние годы появились методы, основанные на гомологии нуклеиновых кислот, позволяющие группировать бактерии по степени их родства. Эти методы, описанные в гл. 22, позволяют сравнивать бактерии по нуклеотидным последовательностям их ДНК или РНК.[c.6]

        Классификация живых организмов отражает уровень наших знаний в этой области и имеет обобщающее значение. В XX в. проблема классификации бактерий стала настоятельной в связи со стремительно увеличивавшимся как вш.ирь (описание новых видов), так и вглубь (более детальное разностороннее изучение уже описанных видов) объемом знаний об этих организмах. [c.135]

        Форма тела каждого вида бактерий постоянна. Она лежит в основе классификации бактерий (рис. 109). Бактерии, имеющие форму шариков, называют кокками, палочки — бациллами, запятой — вибрионами, спирально закрученных — спириллами. Некоторые бактерии имеют вид [c.291]

        Важным критерием при классификации бактерий является их способность окрашиваться по Граму. В зависимости от способности связывать основный краситель кристаллический фиолетовый, применяемый в виде комплекса с иодом, бактерии делятся на грамположительные и грамотрицательные. Указанная способность определяется структурой клеточных стенок (гл. 5). Большинство актиномицетов, кокков, а также спорообразующие палочки относятся к категории грамположительных бактерий, тогда как Е. oli, другие кишечные бактерии и псевдомона ды — грамотрицательные (табл. 1-1). [c.25]

        Первые предложенные схемы классификации бактерий были крайне субъективны. Это привело группу систематиков бактерий к использованию иного подхода для определения степени сходства между прокариотами — нумерической систематики. В основе ее лежат идеи, сформулированные в середине ХУП в. французским ботаником М.Адансоном (М.Ас1ап80п, 1727—1806) все признаки объекта считаются равноценными при описании исследуемого объекта используется максимальное количество признаков, которые могут быть изучены и определены степень сходства устанавливается на основании количества совпадаюших признаков и выражается в виде коэффициента сходства. Последний для двух сравниваемых штаммов получают путем определения отношения числа одинаковых признаков к общему числу изученных признаков. Значение коэффициента сходства меняется в диапазоне от 1 (полная идентичность) до О (несовпадение ни по одному изученному признаку). [c.157]


        Искусственные классификации бактерий проще и задачи их менее сложны. Они создавались с целью ускоренной каталогизации микробов и ускоренного распознавания или идентифика-ци 1 практически важных полезных или вредных организмов. Искусственная, или номенклатурная, классификация положена и в основу систематики бактерий, использованной в большинстве определителей бактерий, в том числе и в изданных в СССР Л. М. Горовиц-Власовой [69], В. Д. Штибена и И. К. Бабич [273], Цион [265] и Берги [18]. Из них для определения бактерий, выделенных из очистных сооружений, отстойников, лагун, водоемов, сборников промстоков, очистительных прудов, карт на полях орошения и различных водоемов, загрязненных сточными водами, можно рекомендовать лишь определители Берги [18]—русский перевод 4-го издания Н. А. Красильникова [145] и 7—8-е издания Берги [298, 299].[c.52]

        Изложение ускоренных и эксирессных методов исследования воды на общее количество микроорганизмов, сапрофитных бактерий, бактерий группы кишечных пало,-чек, энтерококков, клостридий, стафилококков, а также методов их идентификации с использованием новых тестов и комбинированных сред в рамках новой классификации бактерий будет способствовать применению [c.3]

        Таким образом, на примере рода Plesiomonas видны трудности классификации бактерий и необходимость применения методов геносистематики, которые, как уже рассматривалось выше, позволяют более надежно судить о родстве организмов. [c.92]

        В настоящей монографии дан обзор применения при классификации бактерий в основном двух методов геносистематики определения нуклеотидного состава ДНК1 и степени гомологии последовательностей нуклеотидов ДНК. [c.126]

        Неожиданное открытие способности к связыванию азота в группе столь разнообразных и широко распространенных организмов, как фотосинтезирующие бактерии, потребовало пересмотра классификации бактерий. Многие организмы, отнесенные некогда к роду Azotoba ter в силу своей способности фиксировать азот, отличаются от типичных видов Azotoba ter по целому ряду признаков, таких, как форма клеток, форма колоний, оптимальное для роста значение pH среды и т. д. Деркс, указывая на то, что способность связывать азот, по-видимому, широко распространена, подчеркивал, что эту [c.60]

        На примере строения филума Proteoba teria видно, что выделенные на основании молекулярно-генетического подхода большие группы получаются сборными с точки зрения морфологофизиологической классификации бактерий. Стремление ввести филогенетические критерии вызвало передвижку многих таксонов в другие группы, разделение и переопределение таксонов. [c.325]

        Некоторые бактерии, главным образом относящиеся к родам lostridium и Ba illus, образуют эндоспоры (т. е. споры, которые располагаются внутри клеток). Споры представляют собой толстостенные долгоживущие образования, отличающиеся очень высокой устойчивостью, особенно к нагреванию, коротковолновому облучению и высушиванию. Локализация спор в клетке бывает различной и служит важным признаком для идентификации и классификации бактерий (см. рис. 2.10). [c.25]

        До недавнего времени эстеразы микроорганизмов изучались сравнительно мало. Лишь в последнее десятилетие характеристика эстеразпой активности отдельных систематических групп микроорганизмов привлекла значительное внимание, прежде всего, в связи с возможностью использования ее в качестве дополнительного признака при классификации бактерий и грибов и выявлении патогенных штаммов некоторых микроорганизмов. Что касается работ, связанных с изучением свойств микробных эстераз, их специфичности и механизма действия, то они но только сравнительно немногочисленны, но зачастую и трудно сопоставимы. Последнее объясняется прежде всего том, что, поскольку природные субстраты микробных экстераз неизвестны, выбор того или иного субстрата для определения ферментативной активности всегда произволен. Кроме того, отдельные исследования выполнены с микроорганизмами, выращенными на различных средах и находящихся на различных стадиях роста, или на ферментных препаратах разной степени очистки.[c.22]

        Много лет назад Клюйвер и Ван-Ниль [1015] сделали вывод, что для классификации бактерий морфология остается первым и самым надежным признаком . Этот вывод позже повторили в своих работах Стэниер и Ван-Ниль [1785], а также Ван-Ниль [1912, 1916]. Впрочем, уже в то время эти авторы подчеркивали важность для классификации физиологических, конкретнее, катаболических процессов. Эти процессы в большинстве своем обеспечивают клетки энергией. Значительно позднее Стэниер пришел к выводу, что из функциональных признаков для таксономических целей наиболее удобно использовать метаболические процессы. [c.33]

        Никакой официальной, или принятой в международном масштабе, схемы классификации бактерий не существует, но наибо лее популярной и широко применяемой является схема, приведенная в Определителе бактерий Берги [1]. Недавно был издан сокращенный вариант Определителя бактерий Берги , специально предназначенный для целей идентификации 2]. Полезность этого руководства опреде1ляется несколькими [c. 6]

        Недостаток метода классификации бактерий на основании сравнения их геномов состоит в том, что с его помои ью оценивается суммарно вся генетическая информация клетки, что делает этот метод нечувствительным к незначительным информационным отклонениям, которые, однако, могут определять важные свойства организма. Поясним это примером. Для автотрофной ассимиляции углекислоты клетка помимо ферментов, имеющихсяу гетеротрофных организмов, должна иметь два специфических фермента рибулозодифосфаткарбоксилазу и фос-форибулокиназу. Информация об этих ферментах записана в геноме с помощью 3-1Q2 пар оснований. Всего же бактериальный геном содержит порядка 10 пар оснований. Таким образом, признак, характеризующий способность к автотрофной ассимиляции углекислоты у бактерий, приводит к ничтожному изменению в общем строении бактериального генома, которое не определяется используемым методом. Однако важность этого признака, определяющего способность микроорганизмов к автотрофии, в таксономическом отношении не вызывает сомнений.[c.139]

        Бактерии составляют обширную группу микроорганизмов, широко распространенную в природе и играющую важную роль в практической деятельности человека, в частности в процессах очистки сточных вод. До сих пор не существует единой классификации бактерий, поскольку систематика их очень сложна. Наиболее распространенным и авторитетным является «Руководство Берги по определению бактерий». При его составлении авторы преследовали цель быстрой идентификации бактерий по совокупности морфологических и культуральных признаков с учетом некоторых физиологических особенностей. Бактерии разделены на 19 групп, названия которых включают легко определяемые признаки. Например, группа 3 имеет название «Бактерии, образующие слизистую оболочку», группа 5 «Спирохеты», группа 17 «Акциномицеты и родственные им организмы» и Т.Д. [c.45]


    Классификация аэробных спорообразующих бактерий — это… Что такое Классификация аэробных спорообразующих бактерий?

            По современным представлениям, аэробные спорообразующие бактерии, или бациллы, объединяются в отдельный род Bacillus семейства Bacillaceae. Этот род, включающий много разнообразных видов, имеет ряд характерных особенностей и отличается от других бактериальных организмов комплексом морфолого-физиологических признаков, из которых наиболее важными являются палочковидная форма клеток, способность образовывать эндоспоры, потребность в свободном кислороде для роста.

            Общая краткая характеристика объединяемых в род бацилл аэробных спорообразующих бактерий сводится к следующему.

            Бациллы —свободноживущие, одноклеточные, нефотосинтезирующие, аэробные, палочковидные клетки, образующие типичные эндоспоры. Относятся к гетеротрофным организмам. Размножаются поперечным делением клеток. Ветвление и почкование клеток как способ размножения не отмечены. Поперечный размер клеток варьирует в пределах 0,4—2 мкм. Вегетативные клетки имеют вид прямых или слабоизогнутых палочек с параллельными сторонами и округлыми концами, которые в редких случаях резко обрезанные.

            Расположение клеток различное — от одиночных до длинных цепочек. За исключением сибиреязвенного бацилла, бактерии этого рода подвижные, снабжены перитрихиально расположенными жгутиками.

            Большинство видов является грамположительными бактериями, часть — грамвариабильными. Клетки хорошо окрашиваются обычными анилиновыми красками. Ни один представитель рода не является типично кислотоустойчивым организмом. У многих видов отмечается наличие внутриклеточного жира, гликогена, волютина и других включений. Капсула встречается лишь у сибиреязвенного бацилла и некоторых других видов при специфических условиях роста.

            В бактериальных клетках в общем количестве оснований ДНК 32—65 мол.% гуанина и цитозина.

            Большинство видов, исключая некоторые, главным образом энтомопатогенные, формы, хорошо растет на мясопептонном агаре (МПА) при реакции среды, близкой к нейтральной. Отдельные виды развиваются в щелочной среде и требуют особых источников азота или углерода.

            Культуральные особенности видов, выросших на разных средах, резко различны. На твердых питательных средах образуются колонии от 1—2 до 5 мм и более в диаметре: гладкие, зернистые, пленчатые, складчато-морщинистые и сухие, слизеобразующие и пастообразные с характерной структурой края. При развитии на жидких средах обнаруживается тенденция к образованию поверхностной пленки.

            Встречаются виды, образующие на поверхности агаризованных сред подвижные колонии.

            Большинство видов бактерий активно продуцируют ферменты, гидролизующие белки, крахмал и другие субстраты. Многие виды обладают антагонистическими свойствами и вырабатывают антибиотики полипептидной природы. Отдельные виды нуждаются в присутствии витаминов, аминокислот и других дополнительных факторов роста. Кислоту и газ продуцируют лишь бактерии некоторых видов, все остальные при росте на углеводах образуют одну кислоту. Оптимальная температура роста обычно варьирует в пределах 30—40° С. Встречаются виды, развивающиеся при температуре ниже 12° С и выше 50° С.

            Некоторые аэробные бактерии — возбудители болезней. Вас. anthracis вызывает сибирскую язву у человека и животных; Вас. larvae — возбудитель американского гнильца медоносной пчелы; Вас. alvei и Вас. pulvifaciens трактуются как организмы, играющие определенную роль в болезнях пчел; Вас. popilliae и Вас. lentimorbus — возбудители молочной болезни японского жука; некоторые виды группы Вас. cereus-thuringiensis вырабатывают специфические энтомоцидные токсины.

            Классификация видов аэробных спорообразующих бактерий разработана недостаточно полно. Одной из причин этого является ограниченность различий во внешних признаках бактерий. Известно, что большинство видов различаются между собой малозначимыми признаками строения и развития клеток, по форме колоний, а также физиологическим признакам. Многие вопросы биологии спороносных бактерий требуют глубоких исследований.

            Хорошо изучены только те виды, которые имеют практическое значение (патогенные, бродильные формы, продуценты различных антибиотиков, ферментов и т. д.). Вопросы систематики спорообразующих бактерий изучались специалистами прикладных наук для диагностических целей, в основном санитарно-гигиенического назначения.

            Для выделения бактерий в самостоятельные виды одни авторы считают решающими ферментативные свойства организмов, другие — морфологические и культуральные признаки, третьи — цитологические особенности бактериальной клетки и т. д. Во всех подобных случаях принципы систематики меняются по мере выявления новых особенностей в строении и физиологических свойствах организмов и использования их в качестве признаков видовой идентификации. Систематика разных видов спорообразующих бактерий отражает степень их изученности, а следовательно, должна развиваться и изменяться по мере накопления новых данных.

            Вопросы систематики бактерий представляют исключительную важность для работ по изысканию и изучению образования разнообразных физиологически активных веществ микробного происхождения. Биологический вид представляет единство специфических морфологических и физиолого-биохимических признаков организма, определяющих все особенности его жизнедеятельности, распространения и взаимодействия с внешней средой. В связи с этим образование того или иного продукта жизнедеятельности, как и характерные биологические особенности, невозможно представить в отрыве от видовой принадлежности микроорганизма.

            Работы в области систематики спорообразующих бактерий и определения их положения в мире микроорганизмов начались еще до открытия спор у бактерий. Термин Bacillus на разных этапах развития микробиологии использовался вольно для обозначения как спороносных, так и неспороносных бактерий. В сущности, подобное положение сохранилось до наших дней, и мы нередко затрудняемся не только идентифицировать описанные виды, но и установить их истинную принадлежность к спорообразующим бактериям. Многие спорообразующие бактерии именовались различными авторами под родовыми названиями, которые в настоящее время служат обозначением родов неспороносных бактерий и других микроорганизмов, что еще более осложняет точное представление об описываемом организме.

            Таксономия бактерий раннего периода в основном была конструктивной и имела диагностическое назначение. На этом этапе рассматривались подходы к созданию крупных систематических категорий.

            По мере накопления фактического материала начали предпринимать попытки классификации по аналитическому принципу, учитывая родственные взаимоотношения микроорганизмов.

            Систематика спорообразующих бактерий развивалась по мере эволюции взглядов на принципы дифференциации и идентификации микробных видов, а также усовершенствования методов морфолого-фиэиологического изучения бактерий.

            Наиболее ранними в этом отношении были попытки микробиологов разграничить виды спорообразующих бактерий по морфологическим признакам, в частности по форме спор, способу их прорастания и т. п. Малозначимость этих признаков дифференциации и их неспецифичность привели к тому, что в дополнение к предыдущим описаниям было идентифицировано много новых видов, большинство из которых в последующем не были приняты или трактуются сейчас как синонимы других систематических категорий.

            Широкое распространение спорообразующих бактерий в окружающей среде и их частое обнаружение в различных продуктах, особенно при порче, вызвали к ним- определенный интерес. Первые работы по классификации этой группы бактерий были выполнены в основном представителями пищевой и санитарной микробиологии. При этом одни авторы основывались на морфологических признаках микроорганизмов, а другие — на физиологических.

            Классификация, основанная на различиях в способности аэробных спорообразующих бактерий сбраживать субстраты, предусматривала подразделение этих организмов на три группы по способности сбраживать глюкозу и образовывать ацетилметилкарбинол. Согласно другой классификации, которую в настоящее время используют наиболее часто, данный род бактерий разделяется на три группы по соотношению поперечных размеров спор и вегетативных клеток.

            Группа I — наиболее обширная — включает виды спороносных бактерий, у которых не отмечается отчетливого раздувания спорангия в процессе образования спор.

            Группа II объединяет бактерии, образующие овальные споры, раздувающие спорангий.

            Группа III охватывает бациллярные виды, характеризующиеся округлыми или шаровидными спорами, раздувающими спорангий; объединяет редко встречающиеся виды спорообразующих бактерий.

            Вопросы классификации различных видов аэробных спорообразующих бактерий разрабатывались многими отечественными авторами. Особенно тщательно были изучены морфологофизиологические особенности отдельных групп и видов этих бактерий Е. Н. Мишустиным с сотрудниками. Данные этих исследований свидетельствуют о большом многообразии видов и экологических разновидностей спорообразующих бактерий в зависимости от мест их обитания, почвенно-климатической зональности и микробного ценоза разных типов почв.

            В настоящее время для определения видов спорообразующих бактерий наряду с морфолого-физиологическими особенностями используют и многие другие признаки.

            Важными критериями для определения и дифференциации бактерий являются отношение к действию специфичных фагов, агглютинация с гомологичными сыворотками к споровому, соматическому и жгутиковому антигенам, рост при высокой концентрации солей, различной температуре и т. п.

            Многие отмеченные особенности применяются для внутривидового подразделения и выделения культур спороносных бактерий в отдельные разновидности, серотипы и другие мелкие систематические подразделения. В ряде случаев некоторые признаки служат основой для выделения культур спорообразующих бактерий в новые виды. Так, например, в качестве новых видов описаны психрофильные, развивающиеся при низкой температуре культуры спорообразующих бактерий. Подобным же образом выделены некоторые активные продуценты амилолитических и целлюлолитических ферментов. В литературе было описано много новых видов бацилл, патогенных для некоторых насекомых, растений и животных, что в большинстве случаев не подтвердилось в последующие годы.

            Успехи в области создания счетно-вычислительной техники дали основу для быстрой математической обработки данных по родству и отдаленности организмов. Применение этой техники в бактериальной таксономии получило название числовой таксономии и было введено в микробиологию в последние годы. Числовая таксономия рассматривает группирование и идентификацию организмов с учетом их подобия при анализе не менее чем 50—60 объективных признаков. Этот метод с разработкой схем подобия и разграничения уже использован рядом авторов для систематики различных видов спороносных бактерий.

            Особого внимания заслуживает разработка новых подходов к трактовке вопросов филогенетической таксономии бактерий с помощью биохимических исследований. Наибольший интерес в этом отношении представляют попытки классификации бактерий с использованием новейших данных молекулярной биологии.

    Жизнь растений: в 6-ти томах. — М.: Просвещение. Под редакцией А. Л. Тахтаджяна, главный редактор чл.-кор. АН СССР, проф. А.А. Федоров. 1974.

    Классификация бактерий ЖКТ. Бактероидеты и Фирмикуты

    КЛАССИФИКАЦИЯ ЖЕЛУДОЧНО-КИШЕЧНОЙ МИКРОБИОТЫ

    Микрофотография представителя фирмикутов (Faecalibacterium prausnitzii — слева) и бактероидетов (Bacteroides fragilis). Несмотря на то, что у приверженцев западной диеты (склонных к ожирению) наблюдается увеличение фирмикутов с уменьшением бактероидетов, Faecalibacterium prausnitzii из типа фирмикутов ассоциируется со здоровым кишечником.

    ФИРМИКУТЫ, БАКТЕРОИДИЕТЫ и ДРУГИЕ

    СОДЕРЖАНИЕ:

    1. Резюме
    2. Поворотные моменты в изучении микрофлоры ЖКТ
    3. Современный взгляд на состав микробиоты ЖКТ
    4. рис. Филогенетическое древо микробиоты ЖКТ человека
    5. Фирмикуты (Firmicutes)
    6. Бактероидеты (Bacteroidetes)
    7. рис. Филогенетическое древо ЖКТ, относящееся к классу Bacteroidia
    8. Заключение
    9. Структура и характеристики микробиома кишечника (кратко)
    10. Дополнительная информация
    11. Литература

    Резюме

    В разделе речь пойдет об уже выявленных представителях наиболее распространенных таксономических типов в составе микробиома человека. Вопросам же непосредственного (технического) выявления (обнаружения и идентификации) микроорганизмов посвящены такие разделы сайта как «метагеномный анализ микробиоты» и «секвенирование биополимеров». В любом случае это все взаимосвязанные понятия, объединенные задачей систематизации микроорганизмов и получения знаний об их функциональных характеристиках

    Микроорганизмы, которые населяют желудочно-кишечный тракт человека, представляют собой сложную экосистему с функциями, которые существенно способствуют нашему системному метаболизму и оказывают влияние на здоровье и болезни. В соответствии с его важностью, желудочно-кишечная микробиота человека была тщательно изучена. Несмотря на то, что значительная часть кишечных микроорганизмов еще не культивируется, в настоящее время идентифицировано более 1000 различных видов микроорганизмов, которые могут находиться в желудочно-кишечном тракте человека. В 2014 г. в обзоре рецензируемого научного журнала Fems Microbiology Reviews был приведен систематический обзор и подробные ссылки на 1057 микробных видов кишечника — Eukarya (92), Archaea (8) и Bacteria (957), основанные на филогенетической структуре их малых субъединичных последовательностей генов рибосомальной РНК (SSU рРНК). Кроме того, в работе были объединены знания о распространенности, численности, стабильности, физиологии, генетике и связи со здоровьем человека этих желудочно-кишечных микроорганизмов, которые разбросаны по огромному количеству литературы, опубликованной за последние 150 лет. Эта подробная физиологическая и генетическая информация оказалась весьма полезной, т.к. способствовала расширению наших знаний о желудочно-кишечной микробиоте. Более того, опубликованный обзор, открывший в 2014 году возможности для будущих сравнительных и функциональных метагеномных и других высокопроизводительных исследований человеческого микробиома, является актуальным и по сей день. Данный раздел нашего сайта включает небольшую часть указанной научной работы, которая назщывается «Первые 1000 культивируемых видов человеческой микрофлоры желудочно-кишечного тракта», и авторами которой являются Мирьяна Раджилич-Стоянович (Mirjana Rajilić-Stojanović) и Виллем М. де Вос (Willem M de Vos). Данная страница содержит общую информацию о проблематике микробной идентификации, а также включает описание наиболее представительных членов микробного сообщества ЖКТ – Бактероидетов и Фирмикутов.

    Историческая перспектива

    Люди, как и другие высшие организмы, живут в симбиозе совместно со своей микробиотой (Backhed et al., 2005). Большинство человеческих микроорганизмов находятся в желудочно-кишечном тракте, где, помимо того, что способствуют пищеварению, они выполняют и другие различные функции, которые важны для человека-хозяина. Эти функции включают в себя производство витаминов, формирование иммунной системы, связь с клетками кишечника и даже модуляцию поведения хозяина (Backhed et al., 2005; Cryan & Dinan, 2012; Rajili c-Stojanovi c, 2013). Первое сообщение о живых существах в желудочно-кишечном тракте человека датируется 1681 годом, когда голландский натуралист и конструктор микроскопов Антони ван Левенгук сообщил о разнообразных «маленьких животных» в своем образце стула и определили то, что сейчас называют лямблиями (Giardia spp.) при диарее (Dobell, 1932). Прошло почти два столетия, прежде чем появились первые подробные описания чистых культур желудочно-кишечных микроорганизмов, наиболее ранним из которых является описание кишечного паразита эукариального Pentatrichomonas hominis (в то время называемого Trichomonas hominis) Казимира Давейна в 1854 году (Hemmeter, 1902). Поскольку P. hominis, как и другие кишечные эукарии, имеет очень низкую распространенность, это открытие не вызвало дальнейшего анализа желудочно-кишечной микробиоты. Тем не менее, интенсивные исследования желудочно-кишечной микробиоты последовали за первым культивированием кишечной бактерии, теперь известной как Escherichia coli (кишечная палочка). С исторической точки зрения это и некоторые другие события, которые называют поворотными моментами, могут быть признаны как повлиявшие на открытие компонентов желудочно-кишечной микробиоты. И эти поворотные моменты очевидны, если учитывать количество описанных видов желудочно-кишечного тракта с точки зрения времени (см. рис. 1).

    Первый поворотный момент отмечает описание желудочно-кишечной бактерии, которая представляет собой выделение Bacterium coli commune (позднее переименованное в E. coli), немецким педиатром Теодором Эшерихом (Theodor Escherich) в 1885 году (Shulman et al., 2007). Исследования, которые последовали вскоре после этого, привели к описанию представителей ряда основных желудочно-кишечных бактериальных групп, в том числе родов Bacteroides, Bifidobacterium и Bacillus, а также протеолитических кокков (Flügge, 1886; Veillon & Zuber, 1898; Moro, 1900; Tissier, 1900; Passini, 1905; Tissier, 1908; Distaso, 1911). В течение этого периода, который продолжался до конца шестидесятых годов 20-го века, Bifidobacterium и Bacteroides spp. считались доминирующими группами в желудочно-кишечном тракте человека. Аэробы, называемые колиформами, стрептококками и лактобациллами, были обнаружены в качестве второстепенных групп, в то время как клостридии, стафилококки и спорообразующие анаэробы были зарегистрированы как редкие и не всегда выявляемые (Haenel, 1970). Однако в настоящее время известно, что подавляющее большинство желудочно-кишечных микроорганизмов являются строгими анаэробами, и это было впервые показано в 1931 году (Sanborn, 1931). Таким образом, ранние исследования культивирования предоставили только частичное представление о желудочно-кишечной микробиоте и позволили выделить только меньшинство (10–25%) желудочно-кишечных микроорганизмов (Finegold, 1969).


    Рис. 1. Графическое представление совокупного числа культивируемых видов из бактерий, архей и эукарий из желудочно-кишечного тракта человека в зависимости от времени. Стрелками указаны поворотные точки исследования микробиоты желудочно-кишечного тракта: (1) выделение первых видов желудочно-кишечных бактерий, (2) внедрение строго анаэробных методов и (3) внедрение молекулярных методов в области исследования микробиоты желудочно-кишечного тракта.


    Усовершенствование методов анаэробного культивирования Робертом Хунгейтом (Hungate, 1969) ознаменовало второй поворотный момент в исследовании желудочно-кишечной микробиоты, примерно 50 лет назад (рис. 1). В этот второй период исследований микробиоты желудочно-кишечного тракта, который продолжался с начала семидесятых годов до молекулярной революции в начале этого столетия (рис. 1), было признано, что в микробиоте желудочно-кишечного тракта преобладают виды бактерий, принадлежащих к следующие родам: Bacteroides, Clostridium, Eubacterium, Veillonella, Ruminococcus, Bifidobacterium, Fusobacterium, Lactobacillus, Peptostreptococcus и Peptococcus (Moore & Holdeman, 1974a). Используя строгие анаэробные методы, по сообщениям, можно было культивировать до 88% общего микроскопического количества в пробах фекалий (Moore & Holdeman, 1974a). Однако из-за огромной сложности желудочно-кишечной микробиоты многие из сотен изолятов не были охарактеризованы выше уровня родов (Finegold et al., 1974; Moore & Holdeman, 1974a; Benno et al., 1986). Более того, поскольку обработка даже одного образца дала огромное количество различных изолятов, было физически невозможно сравнить их все и дать полное описание на основе морфологических, биохимических и физиологических характеристик, которые можно было определить в то время (Moore & Holdeman 1974b). Следовательно, из-за этих технических ограничений желудочно-кишечная микробиота оставалась только частично охарактеризованной.

    Наконец, третий поворотный момент в исследовании микробиоты желудочно-кишечного тракта можно объяснить введением молекулярных методов около десятка лет назад (рис. 1). Они включают в себя глобальные и независимые от культуры исследования, основанные на анализе последовательности малой субъединичной рибосомальной РНК (SSU рРНК), которая обеспечила молекулярную основу для микробной таксономии, которая используется в настоящее время (Woese et al. , 1990). Однако сложность микробной экосистемы желудочно-кишечного тракта препятствует быстрому применению методов, основанных на SSU рРНК, а также (мета) геномики (Zoetendal et al., 2008). Таким образом, первое исследование желудочно-кишечного тракта с использованием последовательностей SSU рРНК имело дело с одной взрослой выборкой (Wilson & Blitchington, 1996). Последующие исследования на основе SSU рРНК у нескольких взрослых продемонстрировали индивидуальность, временную стабильность и штаммоспецифичность кишечной микробиоты с разнообразием, которое только частично было учтено в исследованиях, основанных на культивировании (Zoetendal et al., 1998; Suau et al., 1999; Zoetendal et al. al., 2001). Эти новые открытия вызвали возрождение научного интереса к желудочно-кишечной микробиоте, который первоначально сравнивался с эпохой Возрождения (Tannock, 1999). Тем не менее, последующие годы показали, что это было скорее революцией, которая включила метагеномы и характеристики целого генома (Nelson et al. , 2010; Qin et al., 2010; Brown et al., 2013).

    В сочетании с исследованиями, основанными на культивировании, анализ последовательностей генов SSU рРНК в качестве филогенетических маркеров позволил быстро идентифицировать новые желудочно-кишечные изоляты и продемонстрировал необходимость реклассификации многих видов. Кроме того, секвенирование генов SSU рРНК позволили обнаружить еще не культивируемые микроорганизмы и их филогенетическое расположение. Наконец, область исследований расширилась до другого измерения с применением высокопроизводительных подходов, включая секвенирование следующего поколения (NGS) последовательностей генов SSU рРНК или всего геномного материала (Zoetendal et al., 2008). В результате последних метагеномных анализов были получены исходные данные из более чем 3 миллионов, в основном бактериальных, генов, присутствующих в желудочно-кишечном тракте человека (Qin et al., 2010; Brown et al., 2013), и продемонстрировано, что большинство желудочно-кишечных микроорганизмов содержат геномы, которые не еще не охарактеризованы (Qin et al. , 2010; Le Chatelier et al., 2013).

    Современный взгляд на состав микробиоты ЖКТ

    Современный взгляд на состав микробиоты желудочно-кишечного тракта совершенно иной, чем до молекулярной революции. Самое главное, очевидно, что многие желудочно-кишечные микроорганизмы еще не культивированы, и это, в частности, касается филогенетически различных бактериальных групп, принадлежащих к типу Фирмикутов — Firmicutes (Rajili c-Stojanovi c et al., 2007). Кроме того, несколько бактериальных групп, которые на основе исследований культивирования были признаны доминирующими желудочно-кишечными родами, были реклассифицированы и переименованы. В первую очередь это касается Бактероидов (Bacteroides spp.), которые были реклассифицированы в роды Alistipes, Prevotella, Paraprevotella, Parabacteroides и Odoribacter. Кроме того, очевидно, что в желудочно-кишечном тракте человека доминируют различные представители типа Бактероидетов (Bacteroidetes), а не рода Бактероидов (Bacteroides) в широком смысле.

    Кроме того, обилие Peptostreptococcus spp. продемонстрированные в исследованиях, основанных на культивировании, в первую очередь могут быть отнесены к Peptostreptococcocus productus (Holdeman et al., 1976). Однако анализ генов SSU рРНК показал, что этот вид не относится к роду Peptostreptococcocus, и этот вид был сначала классифицирован как Ruminococcus productus (Ezaki et al., 1994) и, наконец, как Blautia producta (Liu et al., 2008). Сегодня ясно, что виды Blautia, в отличие от видов Peptostreptococcus, образуют одну из наиболее распространенных групп в желудочно-кишечном тракте человека. Многие другие, так называемые доминантные роды, все еще нуждаются в серьезной реклассификации, и лучшим примером этого является род Clostridium, для которого детальный филогенетический анализ привел к предложенной группировке в 19 кластеров (Collins et al., 1994). Бактерии, принадлежащие к Clostridium spp. очень распространены в желудочно-кишечном тракте взрослого человека и, в частности, среди представителей видов, которые группируются в кластере Clostridium IV (группа C. leptum, основным компонентом которой является семейство Ruminococcacea) и кластере Clostridium XIVa (группа C. coccoides, который напоминает семейство Lachnospiraceae). Кроме того, род Ruminococcus является полифилетическим или парафилетическим, и его члены объединяются в две семьиRuminococcaceae и Lachnospiraceae. Недавнее метагеномное исследование показало, что численность Ruminococcus spp. является драйвером одного из предложенных энтеротипных статусов микробиоты (Arumugam et al., 2011). Однако, поскольку настоящий метагеномный анализ не дает точной филогенетической информации, неясно, какая из двух различных групп Ruminococcus spp., является фактическим драйвером этого статуса. Этот пример иллюстрирует необходимость систематического и подробного представления анализа микробиоты в филогенетической структуре.

    Обширный период изучения желудочно-кишечной микробиоты, ее сложности и различий между индивидуумами породил огромное количество информации, которая разбросана по литературе. Чтобы объединить знания о желудочно-кишечной микробиоте, накопленные с момента ее открытия, исследователи провели поиск публикаций, охватывающих более века (рис. 1). Они нашли ссылки, которые связывают желудочно-кишечную микробиоту человека с 1057 видами микроорганизмов кишечника, относящимися к Eukarya (92), Archaea (8) и бактериям (957). Эти виды были проанализированы в программной базе данных ARB последовательностей SSU рРНК (Pruesse et al., 2007). Представленные здесь филогенетические деревья были извлечены из эталонного филогенетического дерева базы данных SILVA (Yarza et al., 2008). Из этого филогенетического и литературного анализа становится ясно, что бактерии, которые группируются в типах Actinobacteria, Bacteroidetes, Firmicutes и Proteobacteria, являются самыми разнообразными и многочисленными микроорганизмами в желудочно-кишечном тракте взрослого человека (Рис.2.).

    Рис. 2. Филогенетическое древо микробиоты желудочно-кишечного тракта человека. Цифры в скобках указывают количество культивируемых видов, приведенных в каждом типе. Круговые диаграммы иллюстрируют распределение между числом видов с полной последовательностью генома (полные секторы), числом видов с частичной последовательностью генома (полузакрытые секторы) и числом видов без какой-либо последовательности генома (пустые секторы), приведенных для Архей (Archaea), домена Эукарий (Eukarya) и для каждого типа Бактерий. Цвет круговых диаграмм соответствует цвету филогенетического дерева.


    Желудочно-кишечная микробиота также содержит представителей менее разнообразных, хотя в некоторых случаях все еще обильных бактериальных типов, включая Verrucomicrobia, Lentisphaerae, Synergistetes, Planctomycetes, Tenericutes и Deinococcus-Thermus. В дополнение к этим установленным филогенетическим группам в желудочно-кишечном тракте человека могут быть обнаружены последовательности гена SSU рРНК еще не культивированных бактерий, которые кластеризуются в пределах типа-кандидата TM7, Melainabacteria и Gemmatimonacetes. Несколько видов архей, которые группируются в пределах двух типов, были обнаружены в желудочно-кишечном тракте человека. Euryarchaeota включает метаногены, которые представляют собой организмы, которые высоко адаптированы к желудочно-кишечному тракту человека, такие как некоторые виды Candida, в то время как многие другие виды эукариот могут присутствовать в небольшом количестве и могут быть «пассажирами». В целом, наш нынешний анализ подтверждает, что желудочно-кишечная микробиота человека состоит из представителей всех трех областей жизни — бактерий, архей и эукарий.

    Исследование микробиоты желудочно-кишечного тракта является очень динамичным, и за последнее десятилетие было обнаружено или описано 239 новых видов микроорганизмов желудочно-кишечного тракта, что подтверждает ранее высказанное мнение о том, что большинство ЖКТ-микробов являются культивируемыми, но еще не культивируются. В то время как традиционные среды и стратегии культивирования эффективны для получения новых видов в составе Actinobacteria, Bacteroidetes, Firmicutes и Proteobacteria phyla, для выявления желудочно-кишечных представителей типов Verrucomicrobia и Lentisphaerae необходимы разработка специфических сред и подходов к культивированию (Zoetendal et al. , 2003; Derrien et al., 2004). Это говорит о том, что для культивирования желудочно-кишечных микроорганизмов, принадлежащих к типу, в которых отсутствуют какие-либо культивируемые представители кишечника человека (например, тип-кандидат TM7 или род Oscillospira), следует разработать и применить альтернативные и творческие подходы к культивированию. Некоторые новые и многообещающие разработки включают использование высокопроизводительного твердофазного роста (Ingham et al., 2007), передовые подходы к культивированию с использованием гнотобиотических мышей (Goodman et al., 2011) или культивирование гелевых микрокапель (Fitzsimons et al., 2013). Использование высокопроизводительных систем культивирования, использующих большой набор питательных сред, связанных с геномной характеристикой, оказалось очень плодотворным (Lagier et al., 2012a; Dubourg et al., 2013; Hamad et al., 2013; Pfleiderer et al., 2013). Это недавнее внимание к культивированию желудочно-кишечных микроорганизмов отражает осознанную потребность в подробных физиологических, экологических и генетических исследованиях. В то время как различные функциональные метагеномные подходы были описаны и применены, именно интеграция с подходами культивирования необходима для дальнейшего понимания функции кишечной экосистемы в отношении здоровья и болезней. Сила этой комбинации была недавно проиллюстрирована на примере обильной бактерии-утилизатора слизи, Akkermansia muciniphila в качестве парадигмы (Belzer & de Vos, 2012). В настоящее время полный геном по крайней мере одного штамма из 225 желудочно-кишечных видов был полностью секвенирован, собран и опубликован, в то время как многие другие проекты геномного секвенирования продолжаются. Физиологические и генетические характеристики этих в настоящее время признанных видов микроорганизмов ЖКТ и их связь с конкретными функциями экосистемы или заболеваниями систематизированы в обзоре «The first 1000 cultured species of the humangastrointestinal microbiota», который призван обеспечить основу для будущих сравнительных и функциональных метагеномных и других высокопроизводительных подходов, применяемых в отношении желудочно-кишечной микробиоты.

    Фирмикуты (Firmicutes)

    В здоровых кишечных микробиомах, оцениваемых с помощью секвенирования, последовательно доминируют бактерии двух типов — Фирмикуты и Бактероидеты, хотя даже при рассмотрении этого широкого уровня классификации, индивидуумы различаются более чем на порядок по соотношению Firmicutes / Bacteroidetes

    См. отдельно: Есть ли связь между ожирением и кишечной микрофлорой?

    Фирмикуты (Firmicutes) являются самым разнообразным и многочисленным отделом (типом) желудочно-кишечной микробиоты, составляя более половины, а во многих случаях около 80% желудочно-кишечной микробиоты здоровых взрослых. Желудочно-кишечные Firmicutes распределены по четырем классам: Bacilli, Clostridia, Erysipelotrichi и Negativicutes. Традиционно считается, что в этот отдел (тип) входят грамположительные бактерии с низким содержанием гуанин-цитозинового состава (GC) в их ДНК, хотя недавние исследования показали, что грам-положительное окрашивание не является особенностью многих Firmicutes. Это можно проиллюстрировать на примере Фекалибактерии Faecalibacterium prausnitzii, которая является грамотрицательной бактерией, ранее классифицированной в рамках типа Fusobacteria (Duncan et al., 2002a), новых желудочно-кишечных изолятов, таких как Christensenella minuta (Morotomi et al., 2012), а также типичных грам-отрицательных бактерий, таких как члены семьи Veillonellacea (Marchandin et al., 2010).

    Хотя подавляющее большинство Firmicutes действительно являются бактериями с низким содержанием GC (гуанин-цитозинового состава ДНК), это также не является общей особенностью типа, как это видно на примере бактерии Anaerofustis stercorihominis, ДНК которой имеет содержание GC около 70% (Finegold et al., 2004). Большинство Firmicutes, особенно Clostridium spp. и Bacillus spp., являются спорообразующими, и это свойство придает особую ценность выживанию в желудочно-кишечном тракте и за его пределами. Наиболее распространенными желудочно-кишечными микроорганизмами являются представители класса Clostridia и внутри этого класса семейства Ruminococcaceae и Lachnospiraceae (Tap et al., 2009; Jalanka-Tuovinen et al., 2011).

    Другая разнообразная группа Firmicutes — это класс Bacilli, который включает в себя роды Lactobacillus, Enterococcus и Streptococcus, которые доминируют в верхней части желудочно-кишечного тракта. В соответствии с огромным разнообразием, Firmicutes в желудочно-кишечном тракте выполняют ряд различных функций, которые простираются от укрепления здоровья некоторыми пробиотическими видами Lactobacillus spp. к патогенным свойствам Clostridium difficile. В настоящее время подавляющее большинство некультивируемых жителей желудочно-кишечного тракта принадлежит к типу Firmicutes (Rajilic-Stojanovic et al. , 2007), что свидетельствует о том, что будущие исследования, как ожидается, значительно расширят наши знания о функциональном вкладе этой группы в экосистему и хозяина.

    Дополнительно о фирмикутах см. ниже по ссылке→

    См. отдельно: Соотношение Firmicutes / Bacteroidetes

    Бактероидеты (Bacteroidetes)

    Грам-отрицательные бактерии, принадлежащие к типу Bacteroidetes (бактероидеты), распространены, многочисленны и разнообразны в желудочно-кишечном тракте человека. Первый вид рода Bacteroides — Bacteroides fragilis — был выделен в 1898 году как человеческий патоген, связанный с аппендицитом среди других клинических случаев (Veillon & Zuber, 1898). Хотя некоторые Bacteroides spp. все еще считаются оппортунистическими патогенами, несколько десятилетий исследований показали, что многие виды Bacteroidetes хорошо приспособлены к желудочно-кишечному тракту, где они живут в большом количестве (до 1011 клеток на 1 г кишечного материала (Eggerth & Gagnon, 1933; Moore & Holdeman, 1974a; Benno et al. , 1986). Следовательно, они выполняют метаболические превращения (которые важны для хозяина), часто связанные с деградацией белков или сложных сахарных полимеров. Колонизация желудочно-кишечного тракта с помощью Bacteroidetes уже стимулируется у младенцев, поскольку неперевариваемые олигосахариды в материнском молоке поддерживают рост как Bacteroides, так и видов Bifidobacterium spp. (Marcobal et al., 2011). Кроме того, эксперименты на животных моделях показали, что колонизация нормального желудочно-кишечного тракта, как показано экспериментами с чистыми культурами Bacteroides spp., является результатом распознавания и отбора иммунной системой хозяина (Rakoff-Nahoum et al., 2004), опосредованными через toll-подобные рецепторы (Round et al., 2011; Lopez-Siles et al., 2012) и другие специфические взаимодействия между хозяином и микроорганизмом (Hooper et al., 2012).

    Долгое время считалось, что большинство грамм-отрицательных бактерий желудочно-кишечного тракта принадлежит к роду Bacteroides, но в последние годы многие ранее разработанные виды Bacteroides spp. были назначены на другие роды в типе  (отделе) Bacteroidetes. В настоящее время только четыре желудочно-кишечных Bacteroides spp. образуют глубокие ветви в филогенетическом дереве, что позволяет предположить, что эти бактерии (B. ureolyticus, B. galacturonicus, B. pectinophilus и B. coagulans) еще должны быть реклассифицированы в другие филогенетические группы. Аналогичная ситуация применима к Anaerorhabdus furcosa, которая до сих пор классифицируется как член семейства Bacteroidaceae, но основана на кластерах генных последовательностей генов SSU в типе Firmicutes. Большая часть представителей Bacteroidetes spp. желудочно-кишечного тракта принадлежит к следующим бактериальным семействам: Bacteroidaceae, Prevotellaceae, Rikenellaceae и Porphyromonadaceae (рис. 3)

    Рис. 3. Филогенетическое древо желудочно-кишечного тракта человека, относящееся к классу Bacteroidia. Регистрационные номера последовательностей генов SSU рРНК из базы данных GenBank предоставлены для каждого вида с указанием семейства. В серой области изображены глубоко укоренившиеся виды Bacteroides spp., которые основаны на кластере последовательностей генов SSU рРНК в отдаленных филогенетических группах.


    Эти виды бактерий имеют общую особенность: они производят янтарную кислоту, уксусную кислоту и в некоторых случаях пропионовую кислоту в качестве основных конечных продуктов. Виды, относящиеся к родам Alistipes, Bacteroides, Parabacteroides, Prevotella, Paraprevotella, Alloprevotella, Barnesiella и Tannerella, являются сахаролитическими, в то время как виды, принадлежащие к Odoribacter и Porphyromonas, являются преимущественно асахаролитическими. Некоторые виды Bacteroides и Prevotella spp. могут разлагать сложные растительные полисахариды, такие как крахмал, целлюлоза, ксиланы и пектины (Wu et al., 1992; Morotomi et al., 2009; Sakamoto & Ohkuma, 2012). Виды Bacteroidetes также играют важную роль в метаболизме белка, так как некоторые виды обладают протеолитической активностью, присваиваемой протеазам, которые связаны с клеточной стенкой (Macfarlane et al., 1986; Macfarlane et al., 1988), тогда как некоторые Bacteroides spp. потенциально могут использовать мочевину в качестве источника азота (Yatsunenko et al., 2012). Другие важные функции Bacteroides spp. включают деконъюгацию желчных кислот (Narushima et al., 2006) и рост на слизи (Leitch et al., 2007). Bacteroidetes вносят вклад в недавно предложенную классификацию желудочно-кишечной микробиоты по энтеротипам (Arumugam et al., 2011). Важность Bacteroidetes дополнительно иллюстрируется тем фактом, что эта группа является наиболее стабильным компонентом желудочно-кишечной микробиоты с течением времени у здоровых взрослых (Rajilic-Stojanovic et al. , 2013b). «Анекдотически», уникальный отчет о случае описал микробиоту критически больного пациента, у которого не было никаких Bacteroidetes — этот пациент скончался вскоре после взятия проб (Dubourg et al., 2013).

    Из-за их широкого метаболического потенциала роль Bacteroidetes в желудочно-кишечной микробиоте является сложной: в то время как снижение численности Bacteroidetes в некоторых случаях связано с ожирением (Ley, 2010) и синдромом раздраженного кишечника (Rajilic-Stojanovic et al., 2011), эта бактериальная группа, по-видимому, обогащена у пациентов, страдающих диабетом типа 1 и типа 2 (Larsen et al., 2010). Кроме того, как недавно было обнаружено, Bacteroides spp. в отличие от Prevotella spp. обогащены метагеномами субъектов с низким генным богатством, которые были связаны с ожирением, инсулинорезистентностью и дислипидемией, а также воспалительным фенотипом (Le Chatelier et al., 2013).


    Рис. 4. Филогенетическое древо желудочно-кишечного тракта человека, относящееся к классам Cytophagia и Sphingobacteria. Регистрационные номера последовательностей генов SSU рРНК из базы данных GenBank предоставлены для каждого вида с указанием семейства.


    Виды Bacteroidetes, принадлежащие к классам Flavobacteriales и Sphingobacteriales, обнаруживаются только в желудочно-кишечном тракте (рис. 4). За исключением Capnocytophaga spp. и Sphingobacterium spp. которые могут быть обнаружены в полости рта человека, другие бактерии этой группы, как правило, связаны с другими экосистемами (прежде всего почвой). Нет данных о роли этих бактерий в желудочно-кишечной микробиоте, но следует отметить, что некоторые из этих бактерий были обнаружены только в библиотеках клонов генов SSU рРНК микробиоты пациентов с воспалительными заболеваниями кишечника (Frank et al., 2007).

    Дополнитеьльно о бактероидетах см. ниже по ссылке→

    См. отдельно: Соотношение Firmicutes / Bacteroidetes

    Заключение

    Знания, полученные в течение более чем столетия изучения микробиоты желудочно-кишечного тракта человека, показали, что эта экосистема действительно является «забытым органом» человеческого организма. Множество данных о микробиоте желудочно-кишечного тракта сильно разбросано во времени и в пространстве, а потому обзорная работа по систематизации полученных знаний в этой области крайне необходима.

    В представленном разделе нашего сайта описание кишечных микроорганизмов в основном ограничено двумя типами. При этом Фирмикуты также описаны очень кратко, хотя и распределены по четырем классам: Bacilli, Clostridia,  Erysipelotrichi и Negativicutes. Поэтому, при желании более подробного ознакомления с этими и другими группами ЖКТ-бактерий, рекомендуем самостоятельно прочитать первоисточник, на основе которой создана эта страница (ссылка указана ниже). Указанная работа, которую проделали ученые специалисты Мирьяна Раджилич-Стоянович (Сербия) и Виллем М. де Вос (Голландия), заслуживает особого внимания и уважения.

    Хотя культивирование микробиоты желудочно-кишечного тракта является трудоемким, оно является важным этапом для детальной физиологической и биохимической характеристики отдельных изолятов желудочно-кишечного тракта, что необходимо для прогресса этой области исследований. Это все больше признается, и недавние исследования культивирования с высокой пропускной способностью доказали, что культивирование может быть использовано в качестве мощной методологии для обнаружения в настоящее время неизвестных обитателей желудочно-кишечного тракта (Lagier et al., 2012a; Dubourg et al., 2013; Pfleiderer et al., 2013). Будущее культивирование оставшейся части желудочно-кишечной микробиоты, как ожидается, улучшит наше понимание этой экосистемы.


    Дополнительная краткая информация о представителях наиболее распространенных таксономических типов в составе микробиома человека.

    Структура и характеристики микробиома кишечника

     

    По материалам монографии: Микробном человека / И.О. Стома, И.А. Карпов; БГМУ, Минский НПЦ хирургии, трансплантологии и гематологии. — Минск, 2018. — 122 с.

    Эволюция микроорганизмов продолжалась в кишечнике животных длитель­ное время, что привело к формированию сложной и богатой экосистемы. Ки­шечник млекопитающих густо заселен триллионами бактерий, принадлежащих к нескольким сотням различных видов [4]. Выделяют два вида разнообра­зия микробиоты человека: альфа-разнообразие (в пределах одного образца) и бета-разнообразие (между отдельными образцами). Несмотря на значитель­ное разнообразие видов микроорганизмов в составе микробиоты, большинство представителей принадлежит только к четырем типам в современной биологиче­ской систематике: Bacteroidetes, Firmicutes, Actinobacteria и Proteobacteria. Типы Firmicutes и Bacteroidetes составляют более 90% бактериальной популяции в тол­стой кишке, где плотность микробиоты наибольшая. При этом представители ти­пов Actinobacteria и Proteobacteria практически всегда присутствуют в составе микробиоты в относительно невысоком содержании [2,5]. Ниже мы охаракте­ризуем подробнее представителей наиболее распространенных таксономических типов в составе микробиома человека.

    1. Bacteroidetes (Бактероидеты)

    Тип Bacteroidetes представлен как анаэробными, так и аэробными неспо­рообразующими грамотрицательными бактериями, которые колонизируют практически все пространство кишечника. Род Bacteroides является одной из преобладающих групп в кишечнике в составе данного таксономического типа. Эти бактерии эффективно разлагают сложные полисахариды, устойчивые к пи­щеварительным ферментам человека. Биодеградация этих сложных углеводов дает на выходе набор короткоцепочечных жирных кислот (КЦЖК), а именно аце­тат, пропионат и бутират, которые реабсорбируются организмом хозяина и вовле­каются в биохимические энергетические процессы. Кроме того, КЦЖК участвуют в регулировке дифференциации эпителиальных клеток кишечника [6], созрева­нии и стимуляции иммунной системы [7], а также ряда других важных биологи­ческих процессов.

    Несмотря на то, что представители рода Bacteroides вносят важный вклад в мета­болические процессы человека и в целом поддерживают комменсальные отноше­ния с хозяином, некоторые представители обладают потенциалом патогенности при резком повышении их относительной плотности в просвете кишечника. При­мером является Bacteroides fragilis, который обычно локализуется в нижних от­делах кишечника и, как было ранее показано, оказывает благотворное влияние на организм человека, например стимулирует развитие иммунной системы [8]. Однако, в то же время Bacteroides fragilis является одним из облигатных анаэро­бов, которые чаще всего вызывают инфекционные осложнения. Наиболее рас­пространенной клинической формой в таких ситуациях являются интраабдоми­нальные абсцессы и инфекции кровотока, особенно у пациентов с нарушением барьерной функции слизистой кишечника или ее перфорацией.

    Большинство представителей рода Bacteroides, колонизирующих кишечник, не являются этиологическими предпосылками возникновения кишечных инфек­ций, за одним исключением: энтеротоксигенные штаммы В. fragilis продуциру­ют токсин В, fragilis, который вызывает колит, а ранее также ассоциировался с риском развития опухолей толстой кишки [9,10]. Кроме того, у представителей рода Bacteroides spp. отмечается наличие целого ряда механизмов антибиотикоре­зистентности и регистрируются наиболее высокие уровни устойчивости к анти­биотикам среди всех облигатных анаэробов [11].

    2. Firmicutes (Фирмикуты)

    Тип Firmicutes представлен как облигатными, так и факультативными анаэ­робными бактериями. Большинство представителей типа являются грампо­ложительными бактериями и способны формировать эндоспоры, обеспечи­вая экологическое преимущество для выживания в неблагоприятных условиях. В форме эндоспор данные бактерии могут выживать при отсутствии питатель­ных веществ и являются чрезвычайно устойчивыми к воздействию кислоро­да, ультрафиолетовому излучению, высыханию, экстремальным температурам и дезинфицирующим средствам. Данные формы позволяют представителям типа Firmicutes длительное время находиться в состоянии покоя и возвращаться к ме­таболически активному состоянию в благоприятных условиях.

    Один из наиболее клинически значимых классов в составе типа Firmicutes — это класс Clostridia, который в связи с высокой гетерогенностью дополнительно разделен на кластеры. Именно среди представителей кластеров Clostridium XlVa и IV были выявлены полезные микроорганизмы, принимающие участие в реализа­ции функций ЖКТ человека. Установлено, что данные бактерии концентрируют­ся в складках слизистой оболочки кишечника, поддерживая и регулируя функции кишечного эпителия [12]. Виды в составе данных кластеров, так же как и пред­ставители Bacteroides spp., продуцируют КЦЖК (бутират) в результате процес­сов ферментации, что способствует поддержанию функции кишечного эпителия. К тому же было выявлено, что представители этих кластеров поддерживают ло­кальный иммунный гомеостаз кишечника посредством привлечения регулятор­ных Т-лимфоцитов толстого кишечника [13].

    Стоит подчеркнуть, что другие кластеры класса Clostridia включают важ­ные патогены, которые могут вызывать инфекционные заболевания человека, а именно: представители кластера I — С. perfringens и С. tetani, а также кластера XI — С. difficile [14]. Наконец, еще один клинически значимый класс в составе типа Firmicutes — это класс Bacilli. Известными его представителями являются кисло­родоустойчивые бактерии Enterococcus spp. и Streptococcus spp., которые обычно определяются в кишечнике в низком относительном содержании, но обладают по­тенциалом к избыточному росту при различных патологических состояниях [15].

    3. Actinobacteria (Актинобактерии)

    Тип Actinobacteria состоит как из аэробных, так и анаэробных грамположитель­ных бактерий, однако отличается от типа Firmicutes более высоким содержанием гуанина и цитозина в структуре ДНК. Bifidobacteria spp. являются наиболее рас­пространенными обитателями ЖКТ в рамках данного типа [4]. Ранее было по­казано, что отдельные виды в пределах этого рода, в том числе В. longum, имеют пробиотические функции. В частности, данные микроорганизмы обеспечива­ли защиту от кишечных патогенов с помощью ряда процессов, а именно: прямой конкуренции, активности гидролазы желчных кислот, модуляции локального им­мунного ответа и способности создавать высокую пристеночную концентрацию вблизи кишечного эпителия [1,16].

    4. Proteobacteria (Протеобактерии)

    Тип Proteobacteria включает в себя широкий спектр грамотрицательных ми­кроорганизмов. В то время как основную массу бактерий ЖКТ составляют обли­гатные анаэробы, представители типа Proteobacteria являются факультативными анаэробами. Несмотря на то, что протеобактерии являются естественными оби­тателями ЖКТ человека, как правило, они являются меньшинством в структуре здорового дифференцированного микробиома. В составе типа стоит отметить се­мейство Enterobacteriaceae (класс Gammaproteobacteria), включающее многих воз­будителей инфекционных осложнений, а именно Escherichia coli и Klebsiella spp., которые обычно регистрируются в микробиоме ЖКТ в низком количестве, но имеют потенциал для чрезмерного роста и кишечного доминирования на фоне антибиотикотерапии и отдельных заболеваний [3,15].

    5. Анатомическое распределение микробиоты

    С точки зрения расположения микроорганизмов и условий локального биоце­ноза ЖКТ человека состоит из желудка, тонкой кишки, слепой кишки, ободочной кишки и прямой кишки. Имеется несколько важных показателей, претерпеваю­щих изменения в среде вдоль этого тракта. Например, рН и концентрация кис­лорода значительно меняют свои уровни, начинаясь от кислой среды и аэробных условий желудка и перетекая в нейтральную и анаэробную среду толстой киш­ки. Кроме того, источники питательных веществ для колонизирующих микроор­ганизмов меняются на протяжении всей длины ЖКТ [17]. В частности, наиболее простые углеводы всасываются в терминальной подвздошной кишке, и, следо­вательно, в отделах ЖКТ ниже илеоцекального клапана бактерии усваивают не­переваренные хозяином углеводы, сложные молекулы, а также мукопротеины. В результате комбинации вышеописанных факторов бактерии имеют специфи­ческое распределение в кишечнике человека. В толстой кишке общая плотность бактерий больше, чем в тонком кишечнике. В целом, в составе микробима тон­кой кишки преобладают представители Lactobacillales или Proteobacteria. Однако в толстом кишечнике уже Bacteroides и Clostridiales становятся доминирующими в составе микробиома [18].

    6. Возрастная динамика микробиома у детей

    Эволюция и созревание кишечного микробиома на ранних стадиях жизни яв­ляются важным фактором поддержания здоровья, а нарушение на ранних этапах формирования микробного сообщества у ребенка предрасполагает к развитию заболеваний, как в младенчестве, так и в зрелом возрасте, что наиболее изучено в контексте аллергических заболеваний и метаболических синдромов. Особенно интересно то, что после родов естественным путем микробиота но­ворожденных заселяется бактериями родового канала матери, а у новорожден­ных после выполнения кесарева сечения микробиота заселяется в основном бактериями, населяющими кожу взрослого человека, при этом стрептококки ста­новятся доминирующим видом в составе микробиоты у таких детей [19]. Также было высказано предположение, что данное обстоятельство может представлять собой фактор, предрасполагающий к последующему развитию инфекций в дет­ском возрасте [19]. Весьма значимыми являются результаты исследования, в ходе которого авторы после проведения кесарева сечения выполняли обработку кож­ных покровов новорожденных тампоном, смоченным в содержимом влагалища матери, что приводило к формированию адекватного состава микробиоты, сход­ного с характеристиками микробиоты детей после родов через естественные ро­довые пути [20].

    Исследования, включающие тысячи детей, выявили связь между использова­нием антибиотиков в течение первого года жизни и риском развития бронхиаль­ной астмы к 6-7 годам [21-24]. Более того, отдельные авторы приводили данные о повышении риска развития бронхиальной астмы у детей дошкольного возрас­та, чьи матери получали антибиотики в третьем триместре беременности [25,26]. Финскими исследователями было выявлено, что назначение макролидов у детей в возрасте 2-7 лет приводит к формированию особого профиля микробиоты, ха­рактеризующегося потерей представителей Actinobacteria и увеличением плотно­сти Bacteroidetes и Proteobacteria, индукцией генов антибиотикорезистентности и снижением активности гидролаз желчных кислот. При этом данный профиль ми­кробиоты положительно коррелировал либо с развитием впоследствии бронхи­альной астмы, либо с увеличением индекса массы тела [27]. Связь применения ан­тибиотиков в первый год жизни и повышения индекса массы тела у мальчиков в возрасте 5-8 лет впоследствии была также отражена в британском исследовании, где авторы подчеркнули роль микробиома в регуляции массы тела [28].

    В дополнение к обсервационным исследованиям с участием людей имеются экс­периментальные исследования о влиянии антибиотиков на микробиоту и забо­левания у мышей. В частности, исследователями было продемонстрировано, что введение антибиотиков новорожденным мышам приводило к выраженным из­менениям состава микробиома и впоследствии к развитию осложненных астма­тических эпизодов после интраназальной нагрузки овальбумином, чего, однако, не наблюдалось при введении антибиотиков уже взрослым особям [29]. Важ­ность вертикальной передачи микробиоты во время беременности подчеркива­ется в опубликованной работе о наибольшем отрицательном влиянии введения малых доз пенициллина на состав микробиома именно в ранние сроки гестации [30]. Авторы в эксперименте на мышах показали, что у животных, получивших малые дозы пенициллина во время гестации, впоследствии отмечалось увеличе­ние массы тела, повышение содержания жировой ткани в организме, а экспрес­сия генов, кодирующих отдельные важные белки (дефензины и ИЛ-17), была снижена.

    Интересным примером со стороны животного мира является инстинкт употре­бления новорожденными жеребятами экскрементов матери. При этом данный инстинкт проявляется у различных пород животных вне зависимости от геогра­фической зоны обитания. Долгое время в ветеринарии выдвигались пред­ложения о восполнении таким образом дефицита отдельных нутриентов, однако в связи с внедрением молекулярно-генетических методов исследования, на сегод­няшний день вполне ясно, что это инстинктивный метод заселения микробиома кишечника и стимуляции иммунной системы, которая характеризуется незрело­стью механизмов даже у доношенных жеребят [31].

    Таким образом, воздействие антибиотиков даже на короткие промежутки вре­мени и особенно во время беременности и детского возраста оказывает долговре­менное воздействие на микробиом, что может впоследствии повышать риск раз­вития целого ряда заболеваний. Это, очевидно, представляет собой чрезвычайно важное значение для общественного здравоохранения и стратегии назначения антибиотиков в акушерстве и гинекологии, а также педиатрии.

    Состав микробиома кишечника в динамике у ребенка показан нна рисунке 5 (анализ микробиома на уровне семейств микроорганизмов). Нормальная хронология созревания и заселения микробиоты кишечника у де­тей выражается поэтапно: На 1-м этапе постнатального заселения бактериями (дни 3-84) микробиом кишечника у детей содержит огра­ниченный набор представителей типа Firmicutes. Второму этапу заселения пред­шествует увеличение количества представителей Proteobacteria (дни 92-100), что часто совпадает с ранее необъяснимыми эпизодами лихорадки у детей. Коли­чество Actinobacteria и Proteobacteria увеличивается на 2-м этапе, а видовой со­став Firmicutes на данном этапе выраженно отличается от первоначального. На 3-м этапе формирования микробиома введение детского питания в дополнение к грудному молоку и приобщение к «взрослому» столу ассоциируется с увеличени­ем количества Bacteroidetes (дни 172-297), что также продолжается и на 4-м этапе (дни 454-838), однако конкретные представители типа Bacteroidetes в микробиоме отличаются между этими двумя этапами.

    Период выраженного перехода в структуре микробиома между 3-м и 4-м эта­пами (дни 371-441) может быть обусловлен рядом факторов внешней среды, имеющих влияние на ребенка, например: первый контакт с антибиотиками, ис­ключение грудного молока и питательных смесей из рациона питания, введение коровьего молока и полноценной взрослой диеты. Интересно, что микробиом пе­реходного периода, предшествующего 4-му этапу, содержит микроорганизмы, ти­пичные для уже завершенного первого этапа, которые можно трактовать как сле­ды неонатального микробиома.

    Рис. 5. Метагеномный анализ последовательностей ДНК, выделенных из фекальной ДНК младенца. (A) Таксономическое назначение метагеномных последовательностей. (B) Тепловая карта и иерархическая кластеризация образцов на основе содержания генов подсистемы MG-RAST. (источник: Koenig, J.E. et al. Succession of microbial consortia in the developing infant gut microbiome / J.E. Koenig et al. // Proceedings of the National Academy of Sciences of the United States of America. — 2011. — Vol. 108 Suppl 1, — P. 4578-4585.)


    Стоит отметить, что видовой состав микробиома у ребенка относительно ста­билен именно на 4-м этапе, что было подтверждено метагеномным анализом бо­лее 400 образцов [32]. Введение в рацион питания продуктов со взрослого стола приводит к выраженному сдвигу в типовом составе микробиома, а также увели­чивает абсолютное количество бактерий и короткоцепочечных жирных кислот (КЦЖК или SCFAs) в кишечнике ребенка. Резкое и устойчивое повышение уровня бактерий типа Bacteroidetes после начала регу­лярного прикорма ребенка вполне объяснимо: именно данные бактерии специа­лизируются на ферментации сложных растительных полисахаридов [33]. Кроме того, в экспериментальных работах на мышах включение растительных углево­дов в схему питания также незамедлительно повышало уровень Bacteroidetes в составе кишечного микробиома [34]. В то же время высокая метаболическая ак­тивность данных бактерий прямо или косвенно приводит к увеличению про­дукции КЦЖК (ацетата, пропионата, бутирата) в кишечнике. Более того, было продемонстрировано, что низкое содержание Bacteroidetes в кишечном микро­биоме ассоциируется с ожирением, что само по себе может наблюдаться на фоне диеты, бедной сложными растительными полисахаридами [35,36]. Таким обра­зом, вместе эти результаты подтверждают мнение о том, что диета с высоким со­держанием продуктов растительного происхождения способствует созданию разнообразного и полноценного микробного сообщества кишечника, в том числе и у детей, а также адекватному производству энергетических субстратов и мета­болитов, необходимых организму человека.

    Рис. 6. Взаимосвязь между обилием типов и уровнем SCFA в кале. (A – C) Корреляционные матрицы. (A) Типы (V, Verrucomicrobia; P, Proteobacteria; F, Firmicutes; C, Cyanobacteria; B, Bacteroidetes; A, Actinobacteria). (B) SCFAs (A, ацетат; P, пропионат; B, бутират). (C) Кросс-корреляция между типами численности и концентрациями SCFA. Цветовая шкала указывает на то, что отрицательные значения корреляции выделены синим цветом, а положительные значения корреляции — красным. (источник: Koenig, J.E. et al. Succession of microbial consortia in the developing infant gut microbiome / J.E. Koenig et al. // Proceedings of the National Academy of Sciences of the United States of America. — 2011. — Vol. 108 Suppl 1, — P. 4578-4585.)


    Ключевая информация подраздела

    Микробиом кишечника человека состоит из приблизительно 100 трилли­онов бактерий, принадлежащих нескопьким сотням различных видов [4]. Микробиом включает в себя 4 основных типа бактерий, охватывающих более 90% общей популяции микроорганизмов, а именно типы: Firmicutes, Bacteroidetes, Actinobacteria, Proteobacteria, а также ряд более редких типов — Verrucomicrobia и Fusobacteria. Соотношение и состав данных типов бактерий значительно варьиру­ется вдоль желудочно-кишечного тракта, а также изменяется под влиянием раз­личных факторов внешней среды и доступности питательных веществ [2]. Эволю­ция и созревание микробиома у детей проходит в 4 этапа и характеризуется как количественным, так и качественным изменением состава бактерий кишечника, происходящим под влиянием перемены рациона питания и внешних факторов.

    Литература→


    Дополнительный материал

    Микробиота человека: формирование через жизненные стадии и нарушения

    На графике представлен общий обзор относительного обилия ключевых типов состава кишечной микробиоты человека на разных этапах жизни. Измеряется с помощью секвенирования 16S рРНК или метагеномных подходов (ДНК). Данные поступают из исследований со следующими условиями: грудное и искусственное вскармливание (Schwartz et al., 2012), детское твердое питание (Koenig et al. , 2011), антибиотики для малышей (Koenig et al., 2011), здоровый или истощенный малыш (Monira et al., 2011), взрослые, пожилые и 100-летние здоровые (Biagi et al., 2010) и взрослые, страдающие ожирением (Zhang et al., 2009).

    Источник: Ottman N, Smidt H, de Vos WM, Belzer C et al. The function of our microbiota: who is out there and what do they do? Front Cell Infect Microbiol.  2012 Aug 9;2:104


    Различия в микробиоте у детей в Европе и Африке. (A и B) Круговые диаграммы медианных значений бактериальных родов, присутствующих в образцах фекалий детей BF и EC (>3%), найденных по классификатору RDP v. 2.1. Кольца представляют соответствующий тип (Bacteroidetes в зеленом и Firmicutes в красном) для каждого из наиболее часто представляемых родов.

    Влияние рациона питания на формирование микробиоты кишечника

    Микробный состав кишечника зависит от различных пищевых привычек, так же как здоровье зависит от микробного метаболизма, но связь микробиоты с различными диетами в человеческих популяциях не до конца изучена. В 2010 г. в своей работе De Filippo C. et al. сравнили фекальную микробиоту 15 здоровых европейских детей (ЕС), проживающих в городской зоне Флоренции в Италии и 14 здоровых детей из этнической группы Мосси в африканской деревне Булпон в Буркина-Фасо (BF), где диета с высоким содержанием клетчатки похожа на диету ранних человеческих поселений во время зарождения сельского хозяйства. Возраст детей составлял от 1 до 6 лет.

    Используя высокопроизводительное секвенирование 16S рДНК и биохимический анализ, ученые обнаружили значительные различия в микробиоте кишечника между двумя группами. Дети BF показали значительное обогащение Bacteroidetes и истощение у Firmicutes (P <0,001), с уникальным изобилием бактерий из рода Prevotella и Xylanibacter, которые, как известно, содержат набор бактериальных генов для гидролиза целлюлозы и ксилана, и которых не хватало у детей ЕС. Кроме того, исследователи обнаружили значительно больше короткоцепочечных жирных кислот (P <0,001) в группе BF, чем у детей из ЕС. Более того, энтеробактерии Shigella и E. coli практически отсутствовали в группе BF, в отличие от ЕС (P <0,05).

    Дети из деревни Булпон были выбраны в качестве репрезентативных потребителей традиционной сельской африканской диеты. Рацион питания детей BF отличается низким содержанием жира и животного белка, богат крахмалом, клетчаткой, растительными полисахаридами и преимущественно вегетарианский.

    Все продовольственные ресурсы полностью производятся на местном уровне, выращиваются и заготавливаются в окрестностях деревни женщинами. Рацион BF состоит в основном из зерновых (пшено, сорго), бобовых (черноглазый горох, называемый Ньебе) и овощей, поэтому содержание углеводов, клетчатки и неживотного белка очень высокое. Хотя потребление животного белка очень низкое, иногда они едят небольшое количество мяса (курицы) и термитов, которые являются частью рациона детей BF в сезон дождей.

    Диета играет центральную роль в формировании микробиоты, о чем свидетельствует тот факт, что бактериальные виды, связанные с высокожирной, высокосахаристой диетой, способствуют ожирению у гнотобиотических мышей (1).  В такой модели коренные бактерии поддерживают энергетический гомеостаз, воздействуя на метаболические процессы. Соотношение Firmicutes к Bacteroidetes отличается у тучных и худощавых людей, и эта доля уменьшается с потерей веса на низкокалорийной диете (2). Поэтому разумно предположить, что увеличение соотношения F/B у детей ЕС, вероятно, вызванное их высококалорийной диетой, может предрасполагать их к будущему ожирению. Это соотношение F/B также может считаться полезным биомаркером ожирения.

    Таким образом, ученые выдвинули гипотезу, что кишечная микробиота развивалась вместе с богатой полисахаридами пищей детей из Буркина-Фасо, позволяя им максимально увеличить потребление энергии из волокон, а также защищаться от воспалений и неинфекционных заболеваний толстой кишки. Исследование указывает на важность сохранения сокровища микробного разнообразия у древних сельских общин по всему миру.

    Для лучшего понимания темы см. дополнительно:

    Источник: De Filippo C, et al.  Impact of diet in shaping gut microbiota revealed by a comparative study in children from Europe and rural Africa. PNAS. 2010 Aug 17; 107(33):14691-6.


    Источник основного раздела (1-8 пп): Rajilic-Stojanovic M, de Vos WM. The first 1000 cultured species of the humangastrointestinal microbiota. FEMS Microbiol Rev. 2014; 38: 996–1047 (текст на английском языке)

    См. дополнительно:

    К разделу: МИКРОБИОМ ЧЕЛОВЕКА

    Литература к 1-8 пп.:

    1. Arumugam M, Raes J, Pelletier E et al. (2011) Enterotypes of the human gut microbiome. Nature 474: 666.
    2. Benno Y, Sawada K & Mitsuoka T (1986) Comparison of the fecal microflora in rural Japanese and urban Canadians. Microbiol Immunol 30: 521–532.
    3. Backhed F, Ley RE, Sonnenburg JL, Peterson DA & Gordon JI (2005) Host-bacterial mutualism in the human intestine. Science 307: 1915–1920.
    4. Belzer C & de Vos WM (2012) Microbes inside – from diversity to function: the case of Akkermansia. ISME J 6: 1449–1458.
    5. Brown J, de Vos WM, DiStefano PS, Dore J, Huttenhower C, Knight R, Lawley TD, Raes J & Turnbaugh P (2013) Translating the human microbiome. Nat Biotechnol 31: 304–308.
    6. Collins M, Lawson P, Willems A, Cordoba J, Fernandez-Garayzabal J, Garcia P, Cai J, Hippe H & Farrow J (1994) The phylogeny of the genus Clostridium: proposal of five new genera and eleven new species combinations. Int J Syst Bacteriol 44: 812–826.
    7. Cryan JF & Dinan TG (2012) Mind-altering microorganisms: the impact of the gut microbiota on brain and behaviour. Nat Rev Neurosci 13: 701–712.
    8. Distaso A (1911) Sur les microbes proteolytiques de la flore intestinale de l’homme et des animaux. Zbl Bakt Parasit 59: 97–103.
    9. Dobell C (1932). Antony Van Leeuwenhoek and His Little Animals. Harcourt, Brace & Company, New York.
    10. Duncan SH, Hold GL, Harmsen H, Stewart CS & Flint HJ (2002a) Growth requirements and fermentation products of Fusobacterium prausnitzii, and a proposal to reclassify it as Faecalibacterium prausnitzii gen. nov., comb. nov. Int J Syst Evol Microbiol 52: 2141–2146.
    11. Derrien M, Vaughan EE, Plugge CM & de Vos WM (2004) Akkermansia muciniphila gen. nov., sp. nov., a human intestinal mucin-degrading bacterium. Int J Syst Evol Microbiol 54: 1469–1476.
    12. Dubourg G, Lagier JC, Armougom F, Robert C, Hamad I, Brouqui P & Raoult D (2013) The gut microbiota of a patient with resistant tuberculosis is more comprehensively studied by culturomics than by metagenomics. Eur J Clin Microbiol Infect Dis 32: 637–645.
    13. Eggerth AH & Gagnon BH (1933) The bacteroides of human feces. J Bacteriol 25: 389–413.
    14. Ezaki T, Li N, Hashimoto Y, Miura H & Yamamoto H (1994) 16S ribosomal DNA sequences of anaerobic cocci and proposal of Ruminococcus hansenii comb. nov. and Ruminococcus productus comb. nov. Int J Syst Bacteriol 44: 130–136.
    15. Flugge C (1886). Die Mikroorganismen. Vogel, Leipzig. Fock KM, Graham DY & Malfertheiner P (2013) Helicobacter pylori research: historical insights and future directions. Nat Rev Gastroenterol Hepatol 10: 495–500.
    16. Finegold SM (1969) Intestinal bacteria. The role they play in normal physiology, pathologic physiology, and infection. Calif Med 110: 455–459.
    17. Finegold SM, Howard RA & Vera LS (1974) Effect of diet on human intestinal fecal flora: comparison of Japanese and American diets. Am J Clin Nutr 27: 1456–1469.
    18. Finegold SM, Lawson PA, Vaisanen ML, Molitoris DR, Song Y, Liu C & Collins MD (2004) Anaerofustis stercorihominis gen. nov., sp. nov., from human faeces. Anaerobe 10: 41–45.
    19. Frank DN, St Amand AL, Feldman RA, Boedeker EC, Harpaz N & Pace NR (2007) Molecular-phylogenetic characterization of microbial community imbalances in human inflammatory bowel diseases. P Natl Acad Sci USA 104: 13780–13785.
    20. Fitzsimons MS, Novotny M, Lo C-C et al. (2013) Nearly finished genomes produced using gel microdroplet culturing reveal substantial intraspecies genomic diversity within the human microbiome. Genome Res 23: 878–888.
    21. Goodman AL, Kallstrom G, Faith JJ, Reyes A, Moore A, Dantas G & Gordon JI (2011) Extensive personal human gut microbiota culture collections characterized and manipulated in gnotobiotic mice. P Natl Acad Sci USA 108: 6252–6257.
    22. Hemmeter JC (1902) Diseases of the Intestines, Their Special Pathology. Diagnosis and Treatment. P. Blakiston’s Son & Co., Philadelphia.
    23. Haenel H (1970) Human normal and abnormal gastrointestinal flora. Am J Clin Nutr 23: 1433–1439.
    24. Holdeman LV & Moore WEC (1974) New Genus, Coprococcus, twelve new species, and emended description of four previously described species of bacteria from human feces. Int J Syst Bacteriol 24: 260–277.
    25. Hamad I, Sokhna C, Raoult D & Bittar F (2013) Molecular detection of Eukaryotes in a single human stool sample from Senegal. PLoS One 7: e40888.
    26. Hooper LV, Littman DR & Macpherson AJ (2012) Interactions between the microbiota and the immune system. Science 336: 1268–1273.
    27. Ingham CJ, Sprenkels A, Bomer J, Molenaar D, van den Berg A, van Hylckama Vlieg JET & de Vos WM (2007) The micro-Petri dish, a million-well growth chip for the culture and high-throughput screening of microorganisms. P Natl Acad Sci USA 104: 18217–18222.
    28. Jalanka-Tuovinen J, Salonen A, Nikkil€a J, Immonen O, Kekkonen R, Lahti L, Palva A & de Vos WM (2011) Intestinal microbiota in healthy adults: temporal analysis reveals individual and common core and relation to intestinal symptoms. PLoS One 6: e23035.
    29. Le Chatelier E, Nielsen T, Qin J et al. (2013) Richness of human gut microbiome correlates with metabolic markers. Nature 500: 541–546.
    30. Leitch EC, Walker AW, Duncan SH, Holtrop G & Flint HJ (2007) Selective colonization of insoluble substrates by human faecal bacteria. Environ Microbiol 9: 667–679.
    31. Liu C, Finegold SM, Song Y & Lawson PA (2008) Reclassification of Clostridium coccoides, Ruminococcus hansenii, Ruminococcus hydrogenotrophicus, Ruminococcus luti, Ruminococcus productus and Ruminococcus schinkii as Blautia coccoides gen. nov., comb. nov., Blautia hansenii comb. nov., Blautia hydrogenotrophica comb. nov., Blautia luti comb. nov., Blautia producta comb. nov., Blautia schinkii comb. nov. and description of Blautia wexlerae sp. nov., isolated from human faeces. Int J Syst Evol Microbiol 58: 1896–1902.
    32. Ley RE (2010) Obesity and the human microbiome. Curr Opin Gastroenterol 26: 5–11.
    33. Lopez-Siles M, Khan TM, Duncan SH, Harmsen HJM, Garcia-Gil LJ & Flint HJ (2012) Cultured representatives of two major phylogroups of human colonic
    34. Faecalibacterium prausnitzii can utilize pectin, uronic acids, and host-derived substrates for growth. Appl Environ Microbiol 78: 420–428.
    35. Lagier JC, Armougom F, Million M et al. (2012a) Microbial culturomics: paradigm shift in the human gut microbiome study. Clin Microbiol Infect 18: 1185–1193.
    36. Moro E (1900) Ueber den Bacillus acidophilus. Jahrb Kinderh 52: 38–55.
    37. Macfarlane GT, Cummings JH & Allison C (1986) Protein degradation by human intestinal bacteria. J Gen Microbiol 132: 1647–1656.
    38. Macfarlane GT, Allison C, Gibson SA & Cummings JH (1988) Contribution of the microflora to proteolysis in the human large intestine. J Appl Bacteriol 64: 37–46.
    39. Moore WEC & Holdeman LV (1974a) Human fecal flora: the normal flora of 20 Japanese-Hawaiians. Appl Microbiol 27: 961–979.
    40. Moore WEC & Holdeman LV (1974b) Special problems associated with the isolation and identification of intestinal bacteria in fecal flora studies. Am J Clin Nutr 27: 1450–1455.
    41. Morotomi M, Nagai F, Sakon H & Tanaka R (2009) Paraprevotella clara gen. nov., sp. nov. and Paraprevotella xylaniphila sp. nov., members of the family ‘Prevotellaceae’ isolated from human faeces. Int J Syst Evol Microbiol 59: 1895–1900.
    42. Marchandin H, Teyssier C, Campos J, Jean-Pierre H, Roger F, Gay B, Carlier J-P & Jumas-Bilak E (2010) Negativicoccus succinicivorans gen. nov., sp. nov., isolated from human clinical samples, emended description of the family Veillonellaceae and description of Negativicutes classis nov., Selenomonadales ord. nov. and Acidaminococcaceae fam. nov. in the bacterial phylum Firmicutes. Int J Syst Evol Microbiol 60: 1271–1279.
    43. Morotomi M, Nagai F & Watanabe Y (2012) Description of Christensenella minuta gen. nov., sp. nov., isolated from human faeces, which forms a distinct branch in the order Clostridiales, and proposal of Christensenellaceae fam. nov. Int J Syst Evol Microbiol 62: 144–149.
    44. Marcobal A, Barboza M, Erica D, Sonnenburg, et al. (2011) Bacteroides in the infant gut consume milk oligosaccharides via mucus-utilization pathways. Cell Host Microbe 10: 507– 514.
    45. Narushima S, Itoh K, Miyamoto Y, Park S-H, Nagata K, Kuruma K & Uchida K (2006) Deoxycholic acid formation in gnotobiotic mice associated with human intestinal
    46. bacteria. Lipids 41: 835–843.
    47. Nelson KE, Weinstock GM, Highlander SK et al. (2010) A catalog of reference genomes from the human microbiome. Science 328: 994–999.
    48. Passini F (1905) Studien uber faulnisserregende anaerobe Bakterien des normalen menschlichen Darmes und ihre Bedeutung. Z Hyg Infektionskr 49: 135.
    49. Pruesse E, Quast C, Knittel K, Fuchs BM, Ludwig W, Peplies J & Glockner FO (2007) SILVA: a comprehensive online resource for quality checked and aligned ribosomal RNA sequence data compatible with ARB. Nucleic Acids Res 35: 7188–7196.
    50. Pfleiderer A, Lagier JC, Armougom F, Robert C, Vialettes B & Raoult D (2013) Culturomics identified 11 new bacterial species from a single anorexia nervosa stool sample. Eur J Clin Microbiol Infect Dis 32: 1471–1481.
    51. Qin J, Li R, Raes J et al. (2010) A human gut microbial gene catalogue established by metagenomic sequencing. Nature 464: 59–65.
    52. Rakoff-Nahoum S, Paglino J, Eslami-Varzaneh F, Edberg S & Medzhitov R (2004) Recognition of commensal microflora by toll-like receptors is required for intestinal homeostasis. Cell 118: 229–241.
    53. Rajilic-Stojanovic M, Smidt H & de Vos WM (2007) Diversity of the human gastrointestinal tract microbiota revisited. Environ Microbiol 9: 2125–2136.
    54. Round JL, Lee SM, Li J, Tran G, Jabri B, Chatila TA & Mazmanian SK (2011) The toll-like receptor 2 pathway establishes colonization by a commensal of the human microbiota. Science 332: 974–977.
    55. Rajilic-Stojanovic M, Biagi E, Heilig HG, Kajander K, Kekkonen RA, Tims S & de Vos WM (2011) Global and deep molecular analysis of microbiota signatures in fecal samples from patients with irritable bowel syndrome. Gastroenterology 141: 1792–1801.
    56. Rajilic-Stojanovic M (2013) Function of the microbiota. Best Pract Res Clin Gastroenterol 27: 5–16.
    57. Rajili_c-Stojanovi_c M, Heilig HG, Tims S, Zoetendal EG & de Vos WM (2013b) Long-term monitoring of the human intestinal microbiota composition. Environ Microbiol 15: 1146–1159.
    58. Sanborn AG (1931) The faecal flora of adults, with particular attention to individual differences and their relationship to the effects of various diets. J Infect Dis 48: 541–569.
    59. Shulman ST, Friedmann HC & Sims RH (2007) Theodor Escherich: the first pediatric infectious diseases physician? Clin Infect Dis 45: 1025–1029.
    60. Suau A, Bonnet R, Sutren M, Godon J-J, Gibson GR, Collins MD & Dore J (1999) Direct analysis of genes encoding 16S rRNA from complex communities reveals many novel molecular species within the human gut. Appl Environ Microbiol 65: 4799–4807.
    61. Sakamoto M, Ohkuma M (2012) Reclassification of Xylanibacter oryzae Ueki et al. 2006 as Prevotella oryzae comb. nov., with an emended description of the genus Prevotella. Int J Syst Evol Microbiol 62: 2637–2642.
    62. Tissier MH (1900) Recherches sur la flore intestinale normale et pathologique du nourrisson. Medicine. Universite de Paris, Paris.
    63. Tissier MH (1908) Recherches sur la flore intestinale normale des enfants ages dun an a cin. ans. Ann Inst Pasteur 22: 189–207.
    64. Tannock GW (1999) Analysis of the intestinal microflora: a renaissance. Antonie Van Leeuwenhoek 76: 265–278.
    65. Tap J, Mondot S, Levenez F et al. (2009) Towards the human intestinal microbiota phylogenetic core. Environ Microbiol 11: 2574–2584.
    66. Veillon A & Zuber A (1898) Recherches sur quelques microbes strictement anaerobies et leur role en pathologie. Arch Med Exp Anat Pathol 10: 517–545.
    67. Woese CR, Kandler O & Wheelis ML (1990) Towards a natural system of organisms: proposal for the domains Archaea, Bacteria, and Eucarya. P Natl Acad Sci USA 87: 4576–4579.
    68. Wu C-C, Johnson JL, Moore WEC & Moore LVH (1992) Emended descriptions of Prevotella denticola, Prevotella loescheii, Prevotella veroralis, and Prevotella melaninogenica. Int J Syst Bacteriol 42: 536–541.
    69. Wilson KH & Blitchington RB (1996) Human colonic biota studied by ribosomal DNA sequence analysis. Appl Environ Microbiol 62: 2273–2278.
    70. Yarza P, Richter M, Peplies J, Euzeby J, Amann R, Schleifer K-H, Ludwig W, Glockner FO & Rossello-Mora R (2008) The all-species living tree project: a 16S rRNA-based phylogenetic tree of all sequenced type strains. Syst Appl Microbiol 31: 241–250.
    71. Yatsunenko T, Rey FE, Manary MJ et al. (2012) Human gut microbiome viewed across age and geography. Nature 486: 222–227.
    72. Zoetendal EG, Akkermans AD & de Vos WM (1998) Temperature gradient gel electrophoresis analysis of 16S rRNA from human fecal samples reveals stable and host-specific communities of active bacteria. Appl Environ Microbiol 64: 3854–3859.
    73. Zoetendal EG, Akkermans AD, Akkermans-van Vliet WM, de Visser AJGM & de Vos WM (2001) The host genotype affects the bacterial community in the human gastrointestinal tract. Microb Ecol Health Dis 13: 129–134.
    74. Zoetendal EG, Plugge CM, Akkermans ADL & de Vos WM (2003) Victivallis vadensis gen. nov., sp. nov., a sugar-fermenting anaerobe from human faeces. Int J Syst Evol Microbiol 53: 211–215.
    75. Zoetendal EG, Rajilic-Stojanovic M, de Vos M (2008) High-throughput diversity and functionality analysis of the gastrointestinal tract microbiota. Gut 57: 1605–1615.

    Литература к 9 пп.

    1. Buffie, C.G. & Pamer, E.G. Microbiota-mediated colonization resistance against intestinal pathogens / C.G. Buffie, E.G. Pamer //Nature Reviews, immunology. — 2 0 1 3 . — Vol. 13, № 11. — P. 790-801.
    2. Walter, J. & Ley, R. The human gut microbiome: ecology and recent evolutionary changes / ]. Walter, R. Ley // Annual Review of Microbiology. — 20 И. — Vol. 65, — P. 411-429.
    3. Taur, Y. et al. Intestinal domination and the risk of bacteremia in patients undergoing allogeneic hematopoietic stem cell transplantation i Y. Taur et al. // Clinical Infectious Diseases: An Official Publication of the Infectious Diseases Society of America. — 2012. — Vol. 55, № 7. — P. 905-914.
    4. Rajilic-Stojanovsc, M. & de Vos, W.M, Hie first 1000 cultured species of the human gastrointestinal microbiota / M. Rajilic-Stojanovic, W.M. de Vos // FEMS microbiology reviews. — 2014. — Vol. 38, № 5. — P. 996-1047.
    5. Tap, J. et al. Towards the human intestinal microbiota phylogenetic core / J. Tap et al. // Environmental Microbiology. — 2009. — Vol. 11, № 10. — P. 2574-2584.
    6. Levy, M. et al. Microbiota-Modulated Metabolites Shape the Intestinal Microenvironment by Regulating NLRP6 Inflammasome Signaling / M. Levy et al. // Cell. — 2015. — Vol. 163, № 6. — P. 1428-1443.
    7. Smith, P.M. et al. The microbial metabolites, short-chain fatty acids, regulate colonic Treg cell homeostasis / P.M. Smith et al. // Science (New York, N.Y.). — 2013. — Vol. 341, № 6145. — P. 569-573.
    8. Mazmanian, S.K. & Kasper, DX. The love-hate relationship between bacterial polysaccharides and the host immune system / S.K. Mazmanian, D.L. Kasper // Nature Reviews. Immunology. — 2006. — Vol. 6, №11.-P.849-858.
    9. Sears, C.L. Enterotoxigenic Bacteroides fragilis: a rogue among symbiotes / C.L. Sears // Clinical Microbiology Reviews. — 2009. — Vol. 22, № 2. — P. 349-369, Table of Contents.
    10. Wu, S. et al. A human colonic commensal promotes colon tumorigenesis via activation of T helper type 17 T cell responses / S. Wu et al. // Nature Medicine. — 2009. — Vol. 15, № 9. — P. 1016-1022.
    11. Salyers, A.A. Gupta, A. 8c Wang, Y. Human intestinal bacteria as reservoirs for antibiotic resistance genes / A.A. Salyers, A. Gupta, Y. Wang // Trends in Microbiology. — 2004. — Vol. 12, № 9. — P. 412-416.
    12. Nava, G.M. Friedrichsen, H.J. & Stappenbeck, T.S. Spatial organization ofintestinal microbiota in the mouse ascending colon / G.M. Nava, H.J. Friedrichsen, T.S. Stappenbeck// The ISME journal. — 2011. — Vol. 5, № 4. — P. 627-638.
    13. Lopetuso, L.R. et al. Commensal Clostridia: leading players in the maintenance of gut homeostasis / L.R. Lopetuso et al. // Gut Pathogens. — 2013. — Vol. 5, № 1. — P. 23.
    14. Collins, M.D. et al. The phylogeny ofthe genus Clostridium: proposal of five new genera and eleven new species combinations / M.D. Collins et al. // International Journal of Systematic Bacteriology. — 1994. — Vol. 44, № 4. — P. 812-826.
    15. Taur, Y. & Pamer, E.G. The Intestinal Microbiota and Susceptibility to Infection in Immunocompromised Patients / Y. Taur, E.G. Pamer // Current opinion in infectious diseases. — 2013. — Vol. 26, № 4. — P.
    16. Picard, С. et aj. Review article: bifidobacteria as probiotic agents — physiological effects and clinical benefits / C. Picard et al. // Alimentary Pharmacology & Therapeutics. — 2005. — Vol. 22, № 6. — P. 495-512.
    17. Koropatkin, N.M. Cameron, E.A. &; Martens, E.C. How glycan metabolism shapes the human gut microbiota / N.M. Koropatkin, E.A. Cameron, E.C. Martens// Nature Reviews. Microbiology. — 2012. — Vol. 10,№5.-P. 323-335.
    18. Kamada, N. et al. Control of pathogens and pathobionts by the gut microbiota / N. Kamada et al. // Nature Immunology. — 2013. — Vol. 14, № 7. — P. 685-690.
    19. Dominguez-Bello, M.G. et al. Delivery mode shapes the acquisition and structure of the initial microbiota across multiple body habitats in newborns / M. G. Dominguez-Bello et al. // Proceedings of the National Academy of Sciences of the United States of America. — 2010. — Vol. 107, № 26. — P. 11971-11975.
    20. Dominguez-Bello, M.G. et al. Partial restoration of the microbiota of cesarean born infants via vaginal microbial transfer / M.G. Dominguez-Bello et al, // Nature Medicine. — 2016. — Vol. 22, № 3. — P. 250-253.
    21. Kozyrskyj, A.L. Ernst, P. & Becker, A.B. Increased risk of childhood asthma from antibiotic use in early life / A.L. Kozyrskyj, P. Ernst, A.B. Becker // Chest. — 2007. — Vol. 131, № 6. — P. 1753-1759.
    22. Yamamoto-Hanada, K. et al. Influence of antibiotic use in early childhood on asthma and allergic diseases at age 5 / K. Yamamoto-Hanada et al. // Annals of Allergy, Asthma & Immunology: Official Publication of the American College of Allergy, Asthma, & Immunology. — 2017. — Vol. 119, № 1. — P. 54-58.
    23. Ahmadizar, F. et al. Early life antibiotic use and the risk of asthma and asthma exacerbations in children / F. Ahmadizar et al. // Pediatric Allergy and Immunology: Official Publication of the European Society of Pediatric Allergy and Immunology. — 2017. — Vol. 28, № 5. — P. 430-437.
    24. Risnes, K.R. et al. Antibiotic exposure by 6 months and asthma and allergy at 6 years: Findings in a cohort of 1,401 US children / K.R. Risnes et al. // American Journal of Epidemiology. — 2011. — Vol. 173, №3.-P. 310-318.
    25. Mulder, B. et al, Antibiotic use during pregnancy and asthma in preschool children: the influence of confounding / B. Mulder et a!. // Clinical and Experimental Allergy: Journal of the British Society for Allergy and Clinical Immunology. — 2016. — Vol. 46, № 9. — P. 1214-1226.
    26. Stensballe, L.G. et al. Use of antibiotics during pregnancy increases the risk of asthma in early childhood / L.G. Stensballe et al. // The Journal of Pediatrics. — 2013. — Vol. 162, № 4. — P, 832-838.e3.
    27. Korpela, K. et al. Intestinal microbiome is related to lifetime antibiotic use in  Finnish pre-school children / K. Korpela et al. // Nature Communications. — 2016. — Vol. 7, — P. 10410.
    28. Murphy, R. et al. Antibiotic treatment during infancy and increased body mass index in boys: an international cross-sectional study / R. Murphy et al. // International Journal of Obesity (2005). — 2014, -Vol. 38, № 8 . — P . 1115-1119.
    29. Russell, S.L. et al. Early life antibiotic-driven changes in microbiota enhance susceptibility to allergic asthma / S.L. Russell et al. // EMBO reports. — 2012. — Vol. 13, № 5. — P. 440-447.
    30. Cox, L.M. et al. Altering the intestinal microbiota during a critical developmental window has lasting metabolic consequences / L.M. Cox et al. // Cell. — 2014. — Vol. 158, № 4. — P. 705-721.
    31. Quercia, S. et al. Early colonisation and temporal dynamics of the gut microbial ecosystem in Standardbred foals / S. Querela et al. // Equine Veterinary Journal. — 2018.
    32. Koenig, J.E. et al. Succession of microbial consortia in the developing infant gut microbiome / J. E. Koenig et al. // Proceedings of the National Academy of Sciences of the United States of America. — 2011. — Vol. 108 Suppl 1, — P. 4578-4585.
    33. Xu, J. et al. A genomic view of the human-Bacteroides thetaiotaomicron symbiosis / J. Xu et al. // Science (New York, N.Y.). — 2003. — Vol. 299, № 5615. — P. 2074-2076.
    34. Turnbaugh, P.J. et al. The effect of diet on the human gut microbiome: a metagenomic analysis in humanized gnotobiotic mice / P.J. Turnbaugh et al. // Science Translational Medicine. — 2009. — Vol. 1, №6. — P. 6ral4.
    35. Ley, R.E. et al. Microbial ecology: human gut microbes associated with obesity / R.E. Ley et ai. // Nature.- 2006. — Vol. 444, № 7122. — P. 1022-1023.
    36. Costello, E.K. et al. Bacterial community variation in human body habitats across space and time / E.K. CosteUo et al. // Science (New York, N.Y.). — 2009. — Vol. 326, № 5960. — P. 1694-1697.

    Будьте здоровы!

     

     

    ССЫЛКИ К РАЗДЕЛУ О ПРЕПАРАТАХ ПРОБИОТИКАХ

    1. ПРОБИОТИКИ
    2. ПРОБИОТИКИ И ПРЕБИОТИКИ
    3. СИНБИОТИКИ
    4. ДОМАШНИЕ ЗАКВАСКИ
    5. КОНЦЕНТРАТ БИФИДОБАКТЕРИЙ ЖИДКИЙ
    6. ПРОПИОНИКС
    7. ЙОДПРОПИОНИКС
    8. СЕЛЕНПРОПИОНИКС
    9. БИФИКАРДИО
    10. ПРОБИОТИКИ С ПНЖК
    11. МИКРОЭЛЕМЕНТНЫЙ СОСТАВ
    12. БИФИДОБАКТЕРИИ
    13. ПРОПИОНОВОКИСЛЫЕ БАКТЕРИИ
    14. МИКРОБИОМ ЧЕЛОВЕКА
    15. МИКРОФЛОРА ЖКТ
    16. ДИСБИОЗ КИШЕЧНИКА
    17. МИКРОБИОМ и ВЗК
    18. МИКРОБИОМ И РАК
    19. МИКРОБИОМ, СЕРДЦЕ И СОСУДЫ
    20. МИКРОБИОМ И ПЕЧЕНЬ
    21. МИКРОБИОМ И ПОЧКИ
    22. МИКРОБИОМ И ЛЕГКИЕ
    23. МИКРОБИОМ И ПОДЖЕЛУДОЧНАЯ ЖЕЛЕЗА
    24. МИКРОБИОМ И ЩИТОВИДНАЯ ЖЕЛЕЗА
    25. МИКРОБИОМ И КОЖНЫЕ БОЛЕЗНИ
    26. МИКРОБИОМ И КОСТИ
    27. МИКРОБИОМ И ОЖИРЕНИЕ
    28. МИКРОБИОМ И САХАРНЫЙ ДИАБЕТ
    29. МИКРОБИОМ И ФУНКЦИИ МОЗГА
    30. АНТИОКСИДАНТНЫЕ СВОЙСТВА
    31. АНТИОКСИДАНТНЫЕ ФЕРМЕНТЫ
    32. АНТИМУТАГЕННАЯ АКТИВНОСТЬ
    33. МИКРОБИОМ и ИММУНИТЕТ
    34. МИКРОБИОМ И АУТОИММУННЫЕ БОЛЕЗНИ
    35. ПРОБИОТИКИ и ГРУДНЫЕ ДЕТИ
    36. ПРОБИОТИКИ, БЕРЕМЕННОСТЬ, РОДЫ
    37. ВИТАМИННЫЙ СИНТЕЗ
    38. АМИНОКИСЛОТНЫЙ СИНТЕЗ
    39. АНТИМИКРОБНЫЕ СВОЙСТВА
    40. КОРОТКОЦЕПОЧЕЧНЫЕ ЖИРНЫЕ КИСЛОТЫ
    41. СИНТЕЗ БАКТЕРИОЦИНОВ
    42. АЛИМЕНТАРНЫЕ ЗАБОЛЕВАНИЯ
    43. МИКРОБИОМ И ПРЕЦИЗИОННОЕ ПИТАНИЕ
    44. ФУНКЦИОНАЛЬНОЕ ПИТАНИЕ
    45. ПРОБИОТИКИ ДЛЯ СПОРТСМЕНОВ
    46. ПРОИЗВОДСТВО ПРОБИОТИКОВ
    47. ЗАКВАСКИ ДЛЯ ПИЩЕВОЙ ПРОМЫШЛЕННОСТИ
    48. НОВОСТИ

    Раннее обнаружение и классификация живых бактерий с использованием покадровой когерентной визуализации и глубокого обучения

    Подготовка проб

    Методы обеспечения безопасности

    Мы обрабатывали все бактериальные культуры и проводили все эксперименты в нашей лаборатории уровня биобезопасности 2 в соответствии с правила здоровья и безопасности Калифорнийского университета в Лос-Анджелесе.

    Исследуемые организмы

    Мы использовали E. coli (Migula) Castellani and Chalmers (ATCC® 25922™) (уровень риска 1), K.aerogenes Tindall et al. (ATCC® 49701™) (уровень риска 1) и K. pneumoniae subsp. pneumoniae (Schroeter) Trevisan (ATCC®13883™) (уровень риска 2) в качестве наших культуральных организмов.

    Подготовка чашек с заливаемым агаром

    Мы использовали смесь хромогенных субстратов CHROMagar™ ECC (продукт № EF322, DRG International, Inc., Спрингфилд, штат Нью-Джерси, США) в качестве твердой питательной среды для обнаружения E. coli . и общее количество колоний кишечной палочки. CHROMagar™ ECC (8.2 г) смешивали с 250 мл воды реактивной чистоты (номер продукта 23-249-581, Fisher Scientific, Hampton, NH, USA) с помощью магнитной мешалки. Затем смесь нагревали до 100°С на плитке при регулярном перемешивании. После охлаждения смеси до ~50°C 10 мл смеси распределяли по чашкам Петри (60 мм × 15 мм) (номер продукта FB0875713A, Fisher Scientific, Хэмптон, Нью-Хэмпшир, США). Чашкам с агаром давали затвердеть, запечатывали с помощью парафильма (продукт № 13-374-16, Fisher Scientific, Hampton, NH, USA) и покрывали алюминиевой фольгой, чтобы хранить их в темноте перед использованием.Планшеты хранили при температуре 4 °C и использовали в течение двух недель после приготовления.

    Приготовление чашек с расплавленным агаром

    CHROMagar™ ECC (3,28 г) смешивали со 100 мл чистой воды с помощью магнитной мешалки и нагревали до 100°С. После охлаждения смеси до ~40 °С 1 мл суспензии бактерий смешивали с агаром и разливали в чашки Петри. Планшеты инкубировали либо в настольном инкубаторе (продукт № 51030400, ThermoFisher Scientific, Уолтем, Массачусетс, США), либо в нашей платформе визуализации (для мониторинга роста бактерий в цифровом виде).

    Мы использовали триптический соевый агар для культивирования E. coli при 37 °C и K. aerogenes при 35 °C, а также питательный агар для культивирования K. pneumoniae при 37 °C. Двадцать граммов триптического соевого агара (продукт № DF0369-17-6, Fisher Scientific, Хэмптон, Нью-Хэмпшир, США) или 11,5   г питательного агара (продукт № DF0001-17-0, Fisher Scientific, Хэмптон, Нью-Хэмпшир, США) суспендировали в 500 мл чистой воды с помощью магнитной мешалки. Смесь кипятили на плите, а затем автоклавировали при 121°С в течение 15 мин.После охлаждения смеси до ~50°C 15 мл смеси распределяли по чашкам Петри (100 мм × 15 мм) (номер продукта FB0875713, Fisher Scientific, Хэмптон, Нью-Хэмпшир, США), которые затем закрывали парафильмом и покрыты алюминиевой фольгой, чтобы держать их в темноте перед использованием. Чашки Петри до использования хранили при температуре 4 °C.

    Подготовка образцов
    E. coli , подвергнутых стрессу хлора

    Мы использовали штамм E. coli , выращенный на чашках с трипто-соевым агаром и инкубированный в течение 48 часов при 37 °C.Одноразовые центрифужные пробирки (50 мл) использовались в качестве контейнера для образцов, а размер образца составлял 50 мл. Пятьсот миллилитров реактивной воды фильтровали для стерилизации с использованием одноразовой установки для вакуумной фильтрации (продукт № FB12566504, Fisher Scientific, Hampton, NH, USA). Свежую суспензию хлора готовили в одноразовой центрифужной пробирке объемом 50 мл до конечной концентрации 0,2 мг/мл с использованием гипохлорита натрия (номер продукта 425044, Sigma Aldrich, Сент-Луис, штат Миссури, США), энергично перемешивали и покрывали алюминием. фольга 41 .Приготовили тиосульфат натрия (10% [вес/объем]) (продукт № 217263, Sigma Aldrich, Сент-Луис, Миссури, США) в воде реактивной квалификации и 1 мл раствора отфильтровали с помощью стерильного одноразового шприца и мембранный фильтр шприца (изделие № SLGV004SL, Fisher Scientific, Hampton, NH, USA) для стерилизации. Водные суспензии готовили путем добавления E. coli в отфильтрованные образцы воды. Пятьдесят микролитров суспензии хлора (т. е. 0,2 ppm) добавляли к пробе воды для испытаний, и таймер отсчитывал время воздействия хлора.Реакцию останавливали через 10 мин воздействия хлора, добавляя 50 мкл тиосульфата натрия в пробу воды для испытаний и энергично перемешивая раствор для немедленной остановки реакции хлорирования. Планшеты CHROMagar™ ECC инокулировали 200 мкл суспензии, подвергнутой воздействию хлора, высушивали в боксе биобезопасности не более 30 минут, а затем помещали в установку для визуализации без линз. Кроме того, три чашки с TSA и одна чашка с селективным агаром ECC ChromoSelect Selective Agar (продукт № 85927, Sigma Aldrich, St. Сент-Луис, штат Миссури, США) инокулировали 1 мл контрольного образца (не подвергавшегося воздействию хлора) и 0,2 ppm пробы воды E. coli , подвергшейся стрессу хлора, и высушивали в боксе биобезопасности в течение примерно 1–2 часов с осторожное перемешивание чашек Петри через определенные промежутки времени. После сушки планшеты запечатывали парапленкой и инкубировали при 37°С в течение 24 ч. После инкубации подсчитывали бактериальные колонии, выращенные на чашках с агаром, и концентрации E. coli в контрольных образцах и E., подвергнутых стрессу хлора.coli сравнивали образцы. Если достигнутое снижение количества колоний составляло от 2,0 до 4,0  log, то для дальнейшего анализа использовались изображения чашек CHROMagar™ ECC, полученные с помощью платформы для визуализации без линз.

    Подготовка культуральных планшетов для визуализации без линз

    Бактериальную суспензию в фосфатно-буферном растворе (PBS) (продукт № 20-012-027, Fisher Scientific, Hampton, NH, USA) готовили каждый день из твердая чашка с агаром, инкубированная в течение 24 часов. Концентрацию суспензии измеряли с помощью спектрофотометра (модель № 1).ND-ONE-W, Thermo Fisher), а затем суспензию разводили в PBS до конечной концентрации 1–200 КОЕ на 0,1 мл. Сто микролитров разбавленной суспензии наносили на чашку CHROMagar™ ECC с использованием L-образного распределителя (продукт № 14-665-230, Fisher Scientific, Hampton, NH, USA). Планшет закрывали крышкой, переворачивали и инкубировали при 37 °C на нашей оптической платформе (рис. 2).

    Приготовление концентрированного бульона

    Всего 180   г триптического соевого бульона (номер продуктаR455054, Fisher Scientific, Хэмптон, Нью-Хэмпшир, США) добавляли к 1 л чистой воды и нагревали до 100°C, непрерывно перемешивая с помощью мешалки. Затем суспензию охлаждали до 50°С и стерилизовали фильтрованием с использованием одноразового фильтрующего устройства. Бульон-концентрат хранили при температуре 4 °С и использовали в течение 1 недели после приготовления.

    Подготовка образцов для сравнительных измерений

    Мы оценили эффективность нашего метода по сравнению с Colilert®-18, который представляет собой ферментный аналитический метод, одобренный EPA для нескольких типов регулируемых проб воды (например,g. , питьевая вода, поверхностные воды и грунтовые воды) для обнаружения E. coli 42 и для подсчета чашек с использованием чашек TSA и чашек ECC ChromoSelect Selective Agar (дополнительный рисунок S3). Две бутылки с 1-литровой водой реактивной чистоты фильтровали с использованием одноразовых вакуумных фильтровальных установок, и в одну из 1-литровых бутылей для проб добавляли 0,2 л концентрированного бульона. Бутылки накрывали алюминиевой фольгой и хранили в шкафу биологической безопасности в течение ночи. Для фильтрации проб воды объемом 1 л использовали стеклянную вакуумную фильтрующую установку.Компоненты установки были покрыты алюминиевой фольгой и стерилизованы в автоклаве. Одноразовые фильтрующие мембраны из нитроцеллюлозы (продукт № HAWG04705, EMD Millipore, Дэнверс, Массачусетс, США), используемые в установке стеклянной фильтрации, также стерилизовали в автоклаве. Бактериальную суспензию готовили путем внесения бактерий в 50 мл чистой воды с использованием одноразовой инокуляционной петли из чашки с TSA, содержащей колоний E. coli . Суспензию осторожно перемешивали для получения равномерного распределения бактерий.Три чашки TSA, 3 чашки ECC ChromoSelect Selective Agar и 4 чашки CHROMagar™ ECC извлекали из холодильника и выдерживали при комнатной температуре в течение 30 минут.

    Три флакона одноразовых сосудов объемом 120 мл с тиосульфатом натрия (номер продукта WV120SBST-200, IDEXX Laboratories Inc., Уэстбрук, штат Мэн, США) были заполнены 100-мл стерилизованной на фильтре водой реактивного качества. Сначала 0,1 мл бактериальной суспензии добавляли в образец воды объемом 1 л, образец воды объемом 1,2 л (1 л воды + 0,2 л концентрированного бульона), 3 флакона с образцами воды по 100 мл, 3 чашки TSA и 3 чашки ECC ChromoSelect Selective Agar. , последовательно.Таймер запускался сразу после добавления шипа в суспензии.

    Сначала суспензии на чашках TSA и ECC ChromoSelect Selective Agar распределяли с помощью L-образных одноразовых шпателей. Затем пробу воды с бульоном перемешивали примерно одну минуту, а затем выдерживали при 35°С в течение 5 ч. В каждые 100 мл бактериальной суспензии добавляли один реагент Colilert®-18 (продукт № 98-27164-00, IDEXX Laboratories Inc., Вестбрук, Мэн, США) и смесь встряхивали. Содержимое флакона выливали в пакет Quanti-Tray 2000 (номер продукта98-21675-00, IDEXX Laboratories Inc., Westbrook, ME, USA), и после удаления пузырьков из каждой лунки пакет запечатывали с помощью Quanti-Tray Sealer (продукт № 98-09462-01, IDEXX Laboratories Inc., Уэстбрук, Мэн, США). Три пакета, запечатанные и промаркированные подробностями эксперимента, инкубировали при 35°С в течение 18 часов. Затем 30 мл отфильтрованной воды реактивного качества использовали для увлажнения мембраны в установке стеклянной фильтрации, а затем 1 л пробы воды, загрязненной E. coli , фильтровали при давлении 50 кПа.Бутылку промыли, используя 150 мл стерилизованной воды реактивного качества, и раствор отфильтровали на установке (дополнительный рис. S7). Воронку дважды промывали 50 мл стерилизованной воды ХЧ. После завершения фильтрации мембрану удаляли и помещали на чашку CHROMagar™ ECC лицевой стороной вниз. Осторожно нажимали на мембрану с помощью пинцета, чтобы удалить любые пузырьки воздуха между агаром и мембраной. Затем на мембрану помещали 30 г груза, чтобы обеспечить постоянное давление во время переноса бактерий с мембраны на пластину с агаром (дополнительный рис.С8). Через 5 мин инкубации мембрану осторожно отделяли от поверхности агара и помещали в другой агар лицевой стороной вверх. Агар, содержащий мембрану, инкубировали в настольном инкубаторе при 35 °C, а агар, содержащий перенесенные бактерии, инкубировали на платформе для визуализации без линз для получения изображений в режиме цейтрафера. После 5 ч инкубации бутыль, содержащую 1,2 л суспензии, фильтровали, используя ту же процедуру, которая описана ранее для фильтрации 1 л образца. Пластину с агаром, содержащую перенесенные бактерии, инкубировали на втором лотке для образцов безлинзовой установки для получения изображений в режиме интервальной съемки, а агар, содержащий мембрану, инкубировали в настольном инкубаторе.

    Проект высокопроизводительной платформы для мониторинга микроорганизмов с временным разрешением

    Наша платформа состоит из пяти модулей: (1) система голографической визуализации, (2) механическая трансляционная система, (3) инкубатор, (4) схема управления и (5) управляющая программа. Каждый модуль подробно описан ниже.

    1. я.

      Мы использовали частично когерентное лазерное освещение с волоконной связью (SC400-4, Fianium Ltd., Саутгемптон, Великобритания), длина волны и интенсивность которого контролировались с помощью устройства акустооптического перестраиваемого фильтра (AOTF) (Fianium Ltd., Саутгемптон, Великобритания). Устройство дистанционно управлялось с помощью специальной программы, написанной на языке программирования C++, и работало на управляющем портативном компьютере (номер продукта EON17-SLX, Origin PC). Лазерный свет проходил через образец, т. е. пластину с агаром, содержащую бактериальные колонии, и формировал встроенную голограмму на датчике изображения CMOS (номер продукта acA3800-14 мкм, Basler AG, Аренсбург, Германия) с размером пикселя 1,67  мкм и активной площадью 6,4 мм × 4,6 мм. Датчик изображения CMOS был подключен к тому же управляющему портативному компьютеру через универсальную последовательную шину (USB) 3.0 и запускался программно в той же программе C++. Время экспозиции в каждой позиции сканирования было предварительно откалибровано в соответствии с распределением интенсивности света освещения и находилось в диапазоне от 4 до 167  мс. Изображения были сохранены в виде 8-битных растровых файлов для дальнейшей обработки.

    2. II.

      Механический столик был оснащен парой направляющих линейного перемещения (Accumini 2AD10AAAHL, Thomson, Radford, VA, USA), парой стержней линейных подшипников (диаметром 8 мм, универсальные) и линейными подшипниками (LM8UU, универсальные), и этому способствовали детали, напечатанные на 3D-принтере для соединений и корпуса (Objet30 Pro, Stratasys, Миннесота, США).Двухмерное горизонтальное перемещение приводилось в действие двумя шаговыми двигателями (номер продукта 1124090, Kysan Electronics, Сан-Хосе, Калифорния, США) — по одному для каждого направления, и эти двигатели управлялись индивидуально с помощью микросхем контроллера шаговых двигателей (DRV8834, Pololu Las Vegas, НВ, США). Чтобы свести к минимуму эффект обратной косой черты, вся чашка Петри сканировалась в соответствии с шаблоном растрового сканирования.

    3. III.

      Блок инкубации был построен с использованием верхней нагревательной пластины инкубатора микроскопа (INUBTFP-WSKM-F1, Tokai Hit, Сидзуока, Япония) и размещен на 3D-раме, напечатанной на 3D-принтере.Чашку Петри с образцом помещали на нагревательную пластину поверхностью с бактериями вниз. Температуру контролировали парным контроллером, который поддерживал температуру 47°С на нагревательной пластине, в результате чего температура внутри чашки Петри составляла 38°С.

    4. IV.

      Схема управления состояла из трех компонентов: микроконтроллера (Arduino Micro, Arduino LLC), обменивающегося данными с компьютером через интерфейс USB 2.0, двух микросхем драйвера шагового двигателя (DRV8834, Pololu Las Vegas, NV, US) с внешним питанием от 4.Источник питания постоянного напряжения 2 В (GPS-3303, GW Instek, Montclair, CA, США) и цифровой коммутатор на основе полевых транзисторов металл-оксид-полупроводник (SUP75P03-07, Vishay Siliconix, Шелтон, Коннектикут, США). ) для управления подключением датчика CMOS.

    5. в.

      Управляющая программа включала графический пользовательский интерфейс и была разработана с использованием языка программирования C++. Были интегрированы внешние библиотеки, включая Qt (v5.9.3), AOTF (Gooch & Housego) и Pylon (v5.0.11).

    Сбор данных

    Мы подготовили чашки с инокулированным агаром из чистых бактериальных колоний (подробности см. в подразделе «Подготовка образцов» в разделе «Методы») и сделали снимки всей чашки с агаром с 30-минутными интервалами. Осветительный свет был настроен на длину волны 532 нм и интенсивность ~ 400 мкВт. Чтобы максимизировать скорость получения изображения, захваченные изображения сначала сохранялись в буфере памяти компьютера, а затем записывались на жесткий диск другим независимым потоком.В конце каждого эксперимента (т. е. после 24 часов инкубации) образец планшета визуализировали с помощью настольного сканирующего микроскопа (Olympus IX83) в режиме отражения, а полученные изображения автоматически сшивали в изображение с полным полем зрения, используемое для сравнение. В последующем пластину утилизировали как твердые биологически опасные отходы. Мы заполнили данные (т. е. цейтраферные изображения без линз), соответствующие ~6969 E. coli , ~2613 K. aerogenes и ~6727 K. pneumoniae отдельных бактериальных колоний для обучения и проверки наших моделей. .Еще 965 колоний 3 разных видов из 15 независимых чашек с агаром были использованы для слепого тестирования наших моделей машинного обучения.

    Обработка и анализ изображений

    Полученные изображения без линз были обработаны с использованием специально разработанных алгоритмов обработки изображений и глубокого обучения. Для раннего обнаружения, автоматической классификации и подсчета колоний использовали пять основных этапов обработки изображений. Эти шаги подробно описаны ниже.

    Сшивка изображений для получения изображения всей площади планшета

    После получения голографических изображений с использованием многопоточного подхода все изображения в рамках мозаичного сканирования всей чашки Петри на длину волны были объединены в одно полное изображение. { — 1}\) — оператор обратного преобразования Фурье.Оптимальная конфигурация \(T_{VF} = \left\{ {\vec t_{AF}:A,F \in V} \right\}\) представляет собой относительные положения всех изображений относительно фиксированного изображения . F , и он использовался как глобальная позиция каждого мозаичного изображения для сшивания изображений с полным полем зрения. Чтобы исключить плитки с низким отношением сигнал/шум, которые приводят к неверным значениям оценки локального сдвига, во время оптимизации применялся порог корреляции 0,3, что означает, что если коэффициент взаимной корреляции перекрывающихся частей двух изображений был ниже 0 .3 расчет сдвига был отброшен. Как только положения всех плиток были получены, они были объединены в изображение с полным полем зрения всей чашки Петри с использованием линейного смешивания. Мы определили изображение всей чашки Петри с полным полем зрения как «рамку». Все кадры были нормализованы так, чтобы среднее значение равнялось 50, и они были сохранены как массивы 8-битных целых чисел без знака (0–255).

    Выбор колоний-кандидатов с помощью дифференциального анализа

    Когда новый кадр был получен в момент времени t , он был перекрестно зарегистрирован с предыдущим кадром в момент времени t  − 1, а затем в цифровом виде был воспроизведен в плоскости образца 44 ,45 для получения комплексного светового поля

    $$\widetilde B_t = {\mathrm{P}}(F_t,{\mathbf{z}})$$

    (3)

    где F t — кадр во времени t , z — вектор нормали к плоскости образца, полученный цифровой автофокусировкой операция обратного распространения на основе углового спектра 44,45 , которая может быть рассчитана путем умножения пространственного преобразования Фурье входного сигнала и следующей передаточной функции

    $$H_k(\nu _x,\nu _y) = \ left \ {{\ begin {array} {* {20} {c}} {\ exp \ left [ { — j \ cdot 2 \ pi \ frac {{n \ cdot z}} {\ lambda} \ sqrt {1 — \ влево ( {\ frac {\ lambda} {n} \ nu _x} \ right) ^ 2 — \ влево ( {\ frac {\ lambda} {n} \ nu _y} \ right) ^ 2} } \ right ]} & {\ left ( {\ nu _x ^ 2 + \ nu _y ^ 2 \ le \ left ( {\ frac {n} {\ lambda}} \ right) ^ 2} \ right)} \\ 0 & { {\mathrm{иначе}}} \end{массив}}\право. $$

    где n — показатель преломления среды, λ — длина волны освещения, а v x и v y v y За этой операцией последовало обратное двумерное преобразование Фурье. Полученная комплексная реконструкция обеспечивает как амплитудное, так и фазовое изображения освещенных объектов. Чтобы приспособиться к большому FOV сшитого кадра (36 000   × 36 000 пикселей), было выполнено цифровое обратное распространение с блоками 2048   × 2048 пикселей, которые затем были объединены вместе.т {\ влево | {\tilde B_\tau — \tilde B_{\tau — 1}} \right|} } \right)} \right]$$

    (4)

    , где D t — разностное изображение в момент времени t , \(\тильда B_t\) представляет комплексное световое поле, полученное с помощью кадра обратного распространения t , а LP и HP представляют низкочастотное проходная и высокочастотная фильтрация изображения соответственно. Фильтр HP удаляет дифференциальный сигнал из медленно меняющегося фона (нежелательный термин), а фильтр LP удаляет пространственные структуры, вносимые высокочастотным шумом.Ядра фильтров LP и HP были эмпирически установлены на 5 и 100 соответственно.

    После расчета разностного изображения мы выбрали области разностного изображения с >50 соединительными пикселями, которые превышают пороговое значение интенсивности, которое было эмпирически установлено равным 12. Эти области отмечены как кандидаты в колонии, поскольку они дают дифференциальный сигнал в течение период времени (охватывающий четыре последовательных кадра). Однако некоторые дифференциальные сигналы исходят от небактериальных объектов, таких как водяной пузырь или движение поверхности самого агара.Поэтому мы также использовали две DNN для выбора истинных кандидатов и классификации их видов.

    Обнаружение растущих бактериальных колоний с помощью DNN

    Следуя описанному ранее процессу выбора колоний-кандидатов, мы вырезали области-кандидаты размером 160 × 160 пикселей (~267 мкм × 267 мкм) в четырех последовательных кадрах с обратным распространением и разделили сложное поле в амплитудный и фазовый каналы. Следовательно, каждая область-кандидат представлена ​​массивом 2 × 4 ×160 ×160.Этот четырехмерный формат данных (фаза/амплитуда-время – x y ) отличается от традиционных трехмерных данных, используемых в задачах классификации изображений, и требует специально разработанной архитектуры DNN, учитывающей дополнительное измерение времени. . Мы разработали нашу DNN, следуя блок-схеме DenseNet 28 , и заменили сверточные слои 2D на сверточные слои P3D 47 , как показано на дополнительном рисунке S9. Наша сеть была реализована на Python (v3.7.2) с библиотекой PyTorch (v1.0.1). Сеть была случайным образом инициализирована и оптимизирована с использованием оптимизатора адаптивной оценки момента (Adam) 48 с начальной скоростью обучения 1 × 10 −4 и размером пакета 64. Чтобы стабилизировать точность модели сети, мы также установить планировщик скорости обучения, который снижал скорость обучения наполовину каждые 20 эпох. Приблизительно 16 000 растущих колоний и 43 000 объектов, не являющихся колониями, взятых с 71 чашки с агаром, использовались на этапах обучения и проверки. Лучшая модель сети была выбрана на основе наилучшей точности проверки. Увеличение данных также применялось путем случайных поворотов на 90° и операций переворота в пространственных измерениях. Весь процесс обучения занял около 5  часов на настольном компьютере с двумя графическими процессорами (GTX1080Ti, Nvidia). Пороговое значение решения после слоя softmax было установлено равным 0,5 во время обучения, т. е. положительным для значения softmax > 0,5 и отрицательным для значения softmax < 0,5, что подразумевает одинаковое наказание за ложноположительные и ложноотрицательные события.Мы скорректировали пороговое значение до 0,99, эмпирически на основе обучающего набора данных перед слепым тестированием, чтобы способствовать меньшему количеству ложноположительных событий.

    Классификация видов бактериальных колоний с помощью DNN

    После того, как истинные бактериальные колонии выбраны, они растут еще 2 часа, чтобы собрать 8 последовательных кадров, т. е. 4 часа, а затем отправляются во второй DNN как 2 × Массив 8 × 288 × 288 для классификации видов колоний. На этот раз для выполнения задачи классификации обучающие данные содержат только настоящие колонии и соответствующие им виды (наземная правда).Сеть следует той же структуре и процессу обучения, что и модель обнаружения, как показано на дополнительном рисунке S9. Сеть была случайным образом инициализирована и оптимизирована с использованием оптимизатора Adam 48 с начальной скоростью обучения 1 × 10 −4 и размером пакета 64. Скорость обучения уменьшалась в 0,9 раза каждые 10 эпох. Чтобы избежать переобучения для конкретного планшета, мы отбрасывали изображения колоний, извлеченные из очень плотных образцов (> 1000 КОЕ на планшет). В результате для обучения и проверки модели классификации было использовано около 9400 растущих колоний.Весь процесс обучения занял около 15 часов на настольном компьютере с двумя графическими процессорами (GTX1080Ti, Nvidia).

    Подсчет колоний

    Соответствующая основная информация о растущих колониях в каждом эксперименте была получена после инкубации образца в течение >24 часов. 2 $ $

    (5)

    где N I — эффективное количество пикселей кадра, δ — разрешение половинного шага, r — коэффициент дискретизации в направлениях x и y 1 α , = 2 представляет собой независимую пространственную информацию, содержащуюся в фазовых и амплитудных изображениях голографической реконструкции, а α  = 1 представляет информацию только об амплитуде, содержащуюся в изображении, полученном с помощью стандартного светлопольного сканирующего микроскопа на основе объектива.В линзовом микроскопе использовалась цветная камера с размером пикселя 7,4 мкм. Следовательно, для 4-кратного объектива разрешение изображения ограничено ~ 3,7 мкм из-за предела дискретизации Найквиста. Без ограничения общности положим r  = 2 50 .

    Объединение классификации культивируемых и некультивируемых бактерий и архей с использованием последовательностей генов 16S рРНК

  • Godfray, H. C.J. Проблемы таксономии. Природа 417 , 17–19 (2002).

    КАС Статья Google ученый

  • Мора, К., Титтенсор, Д.П., Адл, С., Симпсон, С.Г.Б. и Ворм, Б. Сколько видов обитает на Земле и в океане. PLoS Биол. 9 , e1001127 (2011 г.).

    КАС Статья Google ученый

  • Quast, C. et al. Проект базы данных генов рибосомной РНК SILVA: улучшенная обработка данных и веб-инструменты. Рез. нуклеиновых кислот. 41 , Д590–Д596 (2013 г.). В этом документе сообщается о проекте SILVA, который представляет собой всеобъемлющий веб-ресурс (см. «Дополнительная информация») для современных баз данных с контролируемым качеством выровненных последовательностей генов рРНК бактерий, архей и эукариот.

    КАС Статья Google ученый

  • Крот, Б. Исследование микробиома не имеет места. Природа 500 , 16–17 (2013).

    КАС Статья Google ученый

  • Аманн Р. И., Людвиг В. и Шлейфер К. Х. Филогенетическая идентификация и обнаружение in situ отдельных микробных клеток без культивирования. Микробиолог. 59 , 143–169 (1995).

    КАС пабмед ПабМед Центральный Google ученый

  • Росселло-Мора, Р. К таксономии бактерий и архей на основе интерактивных и совокупных хранилищ данных. Окружающая среда. микробиол. 14 , 318–334 (2012).

    Артикул Google ученый

  • Dykhuizen, D. E. Новый взгляд на Санта-Росалию: почему существует так много видов бактерий? Антони Ван Левенгук 73 , 25–33 (1998).

    КАС Статья Google ученый

  • Рихтер, М. и Росселло-Мора, Р. Изменение золотого геномного стандарта для определения прокариотических видов. Проц. Натл акад. науч. США 106 , 19126–19131 (2009 г.).

    КАС Статья Google ученый

  • Stackebrandt, E. & Ebers, J. Новый взгляд на таксономические параметры: потускневшие золотые стандарты. Микробиолог. Сегодня 8 , 6–9 (2006).

    Google ученый

  • Тиндалл, Б. Дж., Росселло-Мора, Р., Буссе, Х.-Й., Людвиг, В. и Кемпфер, П.Примечания по характеристике штаммов прокариот для таксономических целей. Междунар. Дж. Сист. Эвол. микробиол. 60 , 249–266 (2010).

    КАС Статья Google ученый

  • Philippot, L. et al. Экологическая согласованность высших таксономических рангов бактерий. Nature Rev. Microbiol. 8 , 523–529 (2010). Это исследование демонстрирует, что высокие таксоны бактерий (т. е. рода и выше) экологически значимы, а их согласованность обратно пропорциональна их таксономическому рангу.Эти наблюдения открывают новую перспективу для изучения таксономии, эволюции и экологии бактерий.

    КАС Статья Google ученый

  • Грибальдо, С. и Брошье-Армане, К. Время для порядка в микробной систематике. Тенденции микробиол. 20 , 209–210 (2012).

    КАС Статья Google ученый

  • Гаррити, Г.М. и Орен, А. Ответ Грибальдо и Брошье-Армане: время для порядка в микробной систематике. Тенденции микробиол. 20 , 353–354 (2012). В этой статье Международный комитет по систематике прокариот (ICSP) поддерживает призыв к упорядочению микробной систематики, чтобы решить проблему отсутствия критериев для выделения высоких таксонов, что представляет собой серьезную проблему в современной микробиологии.

    КАС Статья Google ученый

  • Эрешевский М.Некоторые проблемы с линнеевской иерархией. Филос. науч. 61 , 186–205 (1994).

    Артикул Google ученый

  • Ярза, П. и др. Проект «Всевидовое живое дерево»: филогенетическое дерево на основе 16S рРНК всех штаммов секвенированного типа. Сист. заявл. микробиол. 31 , 241–250 (2008). В этом документе сообщается о проекте All-Species Living Tree Project (LTP), который является инициативой Систематической и прикладной микробиологии для создания и поддержания тщательно отобранных баз данных последовательностей генов 16S рРНК и 23S рРНК, выравниваний и филогенетических исследований. деревья для всех типов штаммов бактерий и архей.

    КАС Статья Google ученый

  • Коул, Дж. Р., Константинидис, К., Фаррис, Р. Дж. и Тидже, Дж. М. в Молекулярная микробиология окружающей среды (ред. Лю, В.-Т. и Янссон, Дж. К.) 1–19 (Caister Academic Press, 2010) .

    Google ученый

  • Людвиг В., Кленк Х.-П. в Bergey’s Manual of Systematic Bacteriology 2nd edn (eds Boone, D.Р., Кастенхольц, Р. В. и Гаррити, Г. М.) 49–65 (Springer, 2001).

    Книга Google ученый

  • Людвиг В. в Molecular Phylogeny of Microorganisms (под редакцией Oren, A. & Papke, RT) 65–83 (Caister Academic Press, 2010). В этой главе представлена ​​классификация высших рангов бактерий и архей, которая в настоящее время основана на сравнительном анализе рРНК и поддерживается другими маркерами и мультигенными подходами.Высокая информативность и большая доступность в базах данных во многом оправдывают использование последовательностей генов рРНК в таксономии.

    Google ученый

  • Fox, GE, Pechman, KR & Woese, CR. Сравнительная каталогизация 16S рибосомальной рибонуклеиновой кислоты: молекулярный подход к прокариотической систематике. Междунар. Дж. Сист. бактериол. 27 , 44–57 (1977).

    КАС Статья Google ученый

  • Людвиг В.и Шлейфер, К. Х. Бактериальная филогения на основе анализа последовательности 16S и 23S рРНК. FEMS микробиол. 15 , 155–173 (1994).

    КАС Статья Google ученый

  • Ван де Пир, Ю., Шапель, С. и Вахтер, Р. Д. Количественная карта скорости замещения нуклеотидов в бактериальной рРНК. Рез. нуклеиновых кислот. 24 , 3381–3391 (1996).

    КАС Статья Google ученый

  • Фукс, Б. М. и др. Проточный цитометрический анализ доступности in situ Escherichia coli 16S рРНК для флуоресцентно меченных олигонуклеотидных зондов. Заяв. Окружающая среда. микробиол. 64 , 4973–4982 (1998).

    КАС пабмед ПабМед Центральный Google ученый

  • Людвиг В. и др. ARB: программная среда для данных последовательности. Рез. нуклеиновых кислот. 32 , 1363–1371 (2004).

    КАС Статья Google ученый

  • Ярза, П. и др. Обновление проекта живого дерева для всех видов на основе анализа последовательностей 16S и 23S рРНК. Сист. заявл. микробиол. 33 , 291–299 (2010).

    КАС Статья Google ученый

  • Шида О., Такаги Х., Кадоваки К. и Комагата К. Предложение по двум новым родам, Brevibacillus gen. ноябрь и Aneurinibacillus род. ноябрь Междунар. Дж. Сист. бактериол. 46 , 939–946 (1996).

    КАС Статья Google ученый

  • Кан, С.-Дж. и другие. Brevundimonas naejangsanensis sp. nov., протеолитической бактерии, выделенной из почвы, и реклассификации Mycoplana bullata в род Brevundimonas как Brevundimonas bullata comb. ноябрь Междунар. Дж. Сист. Эвол. микробиол. 59 , 3155–3160 (2009).

    КАС Статья Google ученый

  • Кесвани, Дж. и Уитмен, В. Б. Связь сходства последовательности 16S рРНК с гибридизацией ДНК у прокариот. Междунар. Дж. Сист. Эвол. микробиол. 51 , 667–678 (2001).

    КАС Статья Google ученый

  • Чакраворти, С., Хелб Д., Бердей М. , Коннелл Н. и Алланд Д. Детальный анализ сегментов гена 16S рибосомной РНК для диагностики патогенных бактерий. J. Microbiol. Methods 69 , 330–339 (2007).

    КАС Статья Google ученый

  • Мизрахи-Мэн, О., Давенпорт, Э. Р. и Гилад, Ю. Таксономическая классификация бактериальных генов 16S рРНК с использованием коротких последовательностей: оценка эффективных планов исследования. PLoS ONE 8 , e53608 (2013).

    КАС Статья Google ученый

  • Ашелфорд, К. Е., Чужанова, Н. А., Фрай, Дж. К., Джонс, А. Дж. и Вейтман, А. Дж. По крайней мере, 1 из 20 записей о последовательностях 16S рРНК, хранящихся в настоящее время в общедоступных репозиториях, содержит существенные аномалии. Заяв. Окружающая среда. микробиол. 71 , 7724–7736 (2005).

    КАС Статья Google ученый

  • Саддлер Г. S. Международный комитет по систематике прокариот. X Международный (IUMS) конгресс по бактериологии и прикладной микробиологии. Протоколы заседаний, 28 и 30 июля 2002 г., Париж, Франция. Междунар. Дж. Сист. Эвол. микробиол. 55 , 533–537 (2005).

    Артикул Google ученый

  • Риталахти, К. М. и др. Sphaerochaeta globosa род. ноябрь, сп. ноябрь и Sphaerochaeta pleomorpha sp.nov., свободноживущие, шаровидные спирохеты. Междунар. Дж. Сист. Эвол. микробиол. 62 , 210–216 (2012).

    КАС Статья Google ученый

  • Meier-Kolthoff, J. P., Göker, M., Spröer, C. & Klenk, H. P. Когда эксперимент DDH должен быть обязательным в микробной таксономии? Арх. микробиол. 195 , 413–418 (2013).

    КАС Статья Google ученый

  • Кертис Т. П., Слоан, В. Т., и Сканнелл, Дж. В. Оценка прокариотического разнообразия и его пределов. Проц. Натл акад. науч. США 99 , 10494–10499 (2002 г.).

    КАС Статья Google ученый

  • Салман В., Аманн Р., Шуб Д. А. и Шульц-Фогт Х. Н. Множественные саморасщепляющиеся интроны в генах 16S рРНК гигантских серных бактерий. Проц. Натл акад. науч. США 109 , 4203–4208 (2012 г.).

    КАС Статья Google ученый

  • Клиндворт, А.и другие. Оценка общих праймеров для ПЦР гена рибосомной РНК 16S для классических исследований и исследований разнообразия на основе секвенирования следующего поколения. Рез. нуклеиновых кислот. 41 , e1 (2013).

    КАС Статья Google ученый

  • Ван, Т. и др. Структурная сегрегация кишечной микробиоты у больных колоректальным раком и здоровых добровольцев. ISME J. 6 , 320–329 (2012).

    КАС Статья Google ученый

  • Гуаззарони, М.-Э. и другие. Метапротеогеномные идеи, выходящие за рамки бактериальной реакции на воздействие нафталина и биостимуляцию. ISME J. 7 , 122–136 (2013).

    КАС Статья Google ученый

  • Stackebrandt, E., Rainey, F.A. & Ward-Rainey, N.L. Предложение по новой иерархической системе классификации, Actinobacteria classis nov. Междунар. Дж. Сист. бактериол. 47 , 479–491 (1997).

    Артикул Google ученый

  • Ли, К.C.Y. и соавт. Филогенетическое очерчивание нового типа Armatimonadetes (бывший отдел-кандидат OP10) и определение двух новых отделов-кандидатов. Заяв. Окружающая среда. микробиол. 79 , 2484–2487 (2013).

    КАС Статья Google ученый

  • Кавалье-Смит, Т. Неомуранское происхождение архебактерий, негибактериальный корень универсального дерева и бактериальная мегаклассификация. Междунар. Дж. Сист.Эвол. микробиол. 52 , 7–76 (2002).

    КАС Статья Google ученый

  • Бьюкенен, Р. Э. Исследования по номенклатуре и классификации бактерий: II. Основные подразделения шизомицетов. J. Бактериол. 2 , 155–164 (1917).

    КАС пабмед ПабМед Центральный Google ученый

  • Ховинд-Хоуген, К.Leptospiraceae, новое семейство, включающее Leptospira Noguchi 1917 и Leptonema gen. ноябрь Междунар. Дж. Сист. бактериол. 29 , 245–251 (1979).

    Артикул Google ученый

  • Swellengrebel, N. H. Sur la цитология сравнения спирохет и спирилей. Энн. Инст. Пастер. 21 , 562–586 (на французском языке) (1907 г.).

    Google ученый

  • Гупта Р.С., Махмуд, С. и Адеолу, М. Подход, основанный на филогеномных и молекулярных сигнатурах, для характеристики филума Spirochaetes и его основных клад: предложение по таксономическому пересмотру филума. Фронт. микробиол. 4 , 217 (2013).

    ПабМед ПабМед Центральный Google ученый

  • Харрис, Дж. К., Келли, С. Т. и Пейс, Н. Р. Новый взгляд на филогенетическое деление некультивируемых бактерий OP11. Заяв. Окружающая среда. микробиол. 70 , 845–849 (2004).

    КАС Статья Google ученый

  • Гибель Х.-А. и другие. Распределение линий Roseobacter RCA и SAR11 в Северном море и характеристики распространенного изолята RCA. ISME J. 5 , 8–19 (2011).

    Артикул Google ученый

  • Вагнер, М.и Horn, M. Planctomycetes, Verrucomicrobia, Chlamydiae и сестринские типы составляют надтип, имеющий биотехнологическое и медицинское значение. Курс. мнение Биотехнолог. 17 , 241–249 (2006).

    КАС Статья Google ученый

  • Гай, Л. и Эттема, Т.Дж.Г. Надтип архей «TACK» и происхождение эукариот. Тенденции микробиол. 19 , 580–587 (2011).

    КАС Статья Google ученый

  • Гугенгольц, П., Гебель, Б. М. и Пейс, Н. Р. Влияние независимых от культуры исследований на формирующийся филогенетический взгляд на бактериальное разнообразие. J. Бактериол. 180 , 4765–4774 (1998).

    КАС пабмед ПабМед Центральный Google ученый

  • Йылмаз, П. и др. Таксономические рамки SILVA и «Всевидового проекта живого дерева (LTP)». Нукл. Кислоты рез. 42 , Д643–Д648 (2013).

    Артикул Google ученый

  • Гейссингер, О., Herlemann, D.P.R., Mörschel, E., Maier, U.G. & Brune, A. Ультрамикробактерия ‘ Elusimicrobium minutum ‘ gen. ноябрь, сп. nov., первый культивируемый представитель группы термитов 1 типа. Заяв. Окружающая среда. микробиол. 75 , 2831–2840 (2009).

    КАС Статья Google ученый

  • R Основная команда. R: Язык и среда для статистических вычислений . (R Foundation for Statistical Computing, 2014) [онлайн]

  • Фу, Л., Niu, B., Zhu, Z., Wu, S. & Li, W. CD-HIT: ускоренная кластеризация данных секвенирования нового поколения. Биоинформатика 28 , 3150–3152 (2012).

    КАС Статья Google ученый

  • Стаматакис, А. RAxML-VI-HPC: филогенетический анализ на основе максимального правдоподобия с тысячами таксонов и смешанных моделей. Биоинформатика 22 , 2688–2690 (2006).

    КАС Статья Google ученый

  • Классификация бактерий и архей: прошлое, настоящее и будущее

    Конец 19 века был началом таксономии бактерий, и бактерии были классифицированы на основе фенотипических маркеров.Различие прокариот и эукариот было введено в 1960-х годах. Численная таксономия улучшила фенотипическую идентификацию, но предоставила мало информации о филогенетических отношениях прокариот. В дальнейшем для более удовлетворительной классификации широко использовались хемотаксономические и генотипические методы. Archaea были впервые классифицированы как отдельная группа прокариот в 1977 году. Текущая классификация Bacteria и Archaea основана на операционной модели, так называемом полифазном подходе, состоящем из фенотипических, хемотаксономических и генотипических данных. , а также филогенетическая информация.Предварительный статус Candidatus был установлен для описания некультивируемых прокариотических клеток, для которых было определено их филогенетическое родство, а их подлинность была выявлена ​​путем зондирования in situ .

    Конечной целью является создание системы классификации, основанной на теории, основанной на филогенетической/эволюционной концепции. Однако в настоящее время существуют два противоречивых мнения о будущей классификации бактерий, и архей. Группа, состоящая в основном из молекулярных биологов, утверждает, что пока неясный эффект потока генов, в частности, латеральный перенос генов, делает линию происхождения трудной, если не невозможной, для описания. Однако даже в условиях изменчивости генома кажется, что типичные гено- и фенотипические характеристики таксона все еще сохраняются и достаточны для надежной классификации и идентификации Bacteria и Archaea . Есть много четко определенных генотипических кластеров, которые конгруэнтны известным видам, очерченным полифазными подходами. Сравнительный анализ последовательностей определенных ядерных генов, включая гены рРНК, может быть полезен для характеристики высших таксонов, тогда как различные гены признаков могут быть подходящими в качестве филогенетических маркеров для описания низших таксонов. Тем не менее, все еще может быть несколько организмов, которые не поддаются надежной классификации.

    Модели глубокого обучения для таксономической классификации бактерий по метагеномным данным | BMC Bioinformatics

    В этом разделе мы представляем предлагаемый обучающий конвейер для таксономической классификации бактерий по метагеномным данным.Мы создали два искусственных набора данных для имитации коротких чтений 16S как с платформ дробовика, так и с платформ секвенирования ампликонов; для каждого короткого чтения известны таксоны. Затем мы создали векторное представление для обоих наборов данных, используя представление k-mers, чтобы внести обучающие данные для архитектуры глубокого обучения. Наконец, мы реализовали архитектуры сверточной нейронной сети (CNN) и сети глубокого доверия (DBN), чтобы оценить лучшую модель для каждой таксономической категории, получив столько обученных моделей, сколько таксономических групп мы можем классифицировать, т. е.е. от класса к таксону рода. На рис. 1 показан предлагаемый конвейер. Все этапы этого процесса подробно описаны в оставшейся части этого раздела.

    Рис. 1

    Предлагаемый процесс обучения. Начиная с чтения 16S, мы предложили векторное представление и архитектуру глубокого обучения для получения обученных моделей для таксономической классификации. изобилия.Начиная с коротких чтений РНК бактерий, полученных с помощью платформ NGS, целью этой работы является классификация метагеномных данных от класса к роду. Конечно, чтобы тщательно обучить и проверить предложенный метод классификации, нам нужен предварительно помеченный набор данных, содержащий таксоны каждого чтения.

    Поскольку чтения, доступные в общедоступных наборах метагеномных данных, не имеют классификации таксонов, мы построили наш искусственный набор данных, генерируя смоделированные метагеномные чтения, в соответствии с подходом, использованным в [29, 31].Мы генерировали только короткие чтения, принадлежащие 16S (вместо того, чтобы рассматривать WGS), поскольку некоторые инструменты, такие как REAGO [29], могут различать чтения, принадлежащие (или не принадлежащие) 16S с точностью, близкой к 99%. В соответствии с доступными технологиями метагеномного анализа, представленными в разделе «Предпосылки», в этой работе мы моделировали считывание как дробовика, так и секвенирования ампликонов. В частности, мы загрузили из базы данных RDP (выпуск 11, обновление 5 от 30 сентября 2016 г.) набор последовательностей генов 16S в формате unaligned fasta, принадлежащих царству бактерий.Мы отфильтровали этот набор данных по следующим параметрам: штамм, как тип, так и не тип; Источник, изоляты; Размер больше или равен 1200; Качество, Хорошо. В результате мы получили 57788 последовательностей гена 16S. Чтобы построить сбалансированный набор данных на уровне рода, мы случайным образом приняли во внимание подмножество этих последовательностей, принадлежащих типу Proteobacteria и состоящее из 1000 последовательностей со 100 родами и 10 видами каждого рода. Количество различных категорий, принадлежащих каждому таксону, обобщено в таблице 1.

    Таблица 1 Количество различных категорий, принадлежащих каждому таксону в смоделированном наборе данных

    На этом этапе мы использовали инструмент Grinder [40] для моделирования наборов метагеномных данных дробовика и ампликона из эталонных последовательностей 16S; мы назвали эти наборы данных соответственно SG и AMP. Grinder был принят, потому что это единственный инструмент для создания показаний дробовика и ампликона. Для имитации NGS-технологии Illumina Miseq v3 от Grinder мы ввели мутации (замены, вставки и делеции) в положения, которые следуют полиномиальному распределению (с заменой) 3·10 −3 +3,3·10 −8 · i 4 , где i указывают положение нуклеотида.Другими используемыми параметрами были соотношение мутаций, равное «80%», и равномерное распределение длины чтения, равное 250 ± 10 п.н. Что касается набора данных SG, мы получили 28224 коротких считывания с использованием кратности покрытия 5,0 × (около 28 чтений на последовательность). Что касается набора данных AMP, в соответствии с разделом «Основные сведения» мы рассматриваем только гипервариабельную область V3-V4 (приблизительно 469 п.н.) с использованием следующих праймеров: «CCTACGGGAGGCAGCAG» и «CCGTCAATTCMTTTRAGT»; эти праймеры определены в [21] с использованием нотации IUPAC.В результате мы получили 28000 коротких прочтений с использованием кратности покрытия 13,0x (около 28 прочтений на последовательность). Обратите внимание, что в процессе имитации секвенирования AMP мы потеряли 86 последовательностей генов 16S, потому что они не совпадают с праймерами. Наконец, все короткие чтения, принадлежащие набору данных AMP, были обрезаны с использованием инструмента обрезки праймеров MICCA [30] для удаления последовательностей праймеров. Наборы данных, использованные в этом исследовании, доступны по следующему адресу: http://tblab.pa.icar.cnr.it/public/BMC-CIBB_suppl/datasets/.

    Представление коротких прочтений

    Во многих работах по классификации последовательностей, таких как [41, 42], последовательности были представлены с использованием однобитового кодирования, где каждый нуклеотид (A, C, G, T) соответствовал положению один бит «1» в 4-битном массиве.Этот метод кодирования, часто называемый «горячим», можно рассматривать как «необработанное» представление последовательности и оставить на усмотрение алгоритма классификатора извлечение значимых признаков из необработанных данных.

    В задачах классификации последовательностей признаками являются k-меры, комбинации k-меров или совпадение, так что признаки последовательностей могут быть образцами k-меров в представлении [43]. В соответствии с этой гипотезой разумно выделить k-меры и смоделировать последовательность, используя появление k-меров, оставив системе классификации только задачу обнаружения совместного появления k-меров или паттернов, полученных из присутствия k-меров.k-меры (или k-граммы) успешно использовались в биоинформатике для анализа геномных последовательностей [44–46], потому что они определяют координатное пространство в векторном пространстве 4 k измерений, где можно вычислить меры расстояния между геномными последовательностями. Векторное представление коротких чтений может использоваться в качестве входных данных для алгоритмов машинного обучения [47]. Конечно, этот метод представления не дает никакой информации о положении k-меров в исходной последовательности, поскольку реализует модель мешка слов.

    Одной из основных проблем, связанных с использованием k-меров, является определение подходящего значения параметра k, чтобы обеспечить хороший компромисс между управляемой вычислительной сложностью и информационным содержанием. Несколько исследований длины k-меров [48, 49] демонстрируют, что небольших значений k может быть достаточно для обеспечения достаточного информационного содержания и предотвращения определения векторного пространства, которое страдает от эффекта проклятия размерности. По этой причине в этом исследовании мы решили выполнить представление k-меров с 3≤ k ≤7.Наконец, мы применили нормализацию Min-Max для уменьшения диапазона данных от 0 до 1. Еще один аспект, который следует учитывать, заключается в том, что длина представляющих векторов составляет L = 4 k , где k представляет собой размерность k -меров, используемых для представления последовательности. Операция свертки на первом этапе сети CNN выполняется с использованием скользящего окна по входному вектору. По этой причине количество операций свертки пропорционально длине входного вектора.

    Классификация коротких чтений

    Задача классификации коротких чтений до сих пор остается открытой задачей в биоинформатике. Было предложено несколько конвейеров для метагеномного анализа, например те, о которых сообщалось в разделе «Основные сведения», и большинство из них используют классификатор RDP [34] в качестве современного уровня техники для классификации геномных последовательностей. Алгоритм классификатора RDP, описанный ниже в этом разделе, хорошо работает на полноразмерных последовательностях 16S рРНК (около 1600 п.н.), но показывает потерю производительности, когда для классификации учитываются только участки 16S [50].

    В этой статье, во-первых, мы вычислили краткое представление k-меров, а во-вторых, мы классифицировали полученные данные с помощью контролируемой архитектуры глубокого обучения. С этой целью мы протестировали две хорошо известные архитектуры глубокого обучения, а именно сверточную нейронную сеть [35] и сеть глубокого убеждения [51]. Первый был выбран потому, что он может извлекать некоторые важные признаки из входных данных на разных уровнях абстракции, тогда как второй реализует генеративную вероятностную модель, которая может реконструировать входные сигналы с хорошим приближением в пространстве меньшей размерности, отфильтровывая наиболее информативные. Особенности.Оба они могут работать с предложенным представлением k-меров. Все вышеупомянутые алгоритмы классификации более подробно описаны далее в этом разделе.

    Принятые классификаторы

    В этом разделе мы даем краткое описание трех классификаторов, протестированных в нашей работе. Прежде всего, мы представляем предлагаемые нами методы, которые представляют собой сети CNN и DBN, и, наконец, мы представляем рассматриваемый базовый классификатор, то есть классификатор RDP.

    Классификатор сети CNN

    Сверточные нейронные сети часто используются для целей классификации благодаря их способности обрабатывать необработанные данные [52]. Эти сети состоят из двух основных частей: первая часть предназначена для извлечения из входного вектора полезных функций, а вторая часть состоит из одного или нескольких полносвязных слоев, предназначенных для задачи классификации. Полносвязные слои обрабатывают признаки, полученные из сверточных слоев. Это важная характеристика этих сетей и причина, по которой эти сети часто используются при классификации изображений, где трудно решить, что является полезным свойством или какую форму следует иметь.Более того, системы на основе CNN могут распознавать определенные закономерности или объекты на изображениях независимо от их положения. Как было сказано ранее, в анализе геномных последовательностей CNN в качестве классификатора последовательностей использовалась в нескольких работах, например, в [41] и [42]. В этих работах представление последовательности представляет собой «горячее» представление, описанное в разделе «Представление коротких чтений» . Следуя обсуждению в том же разделе, мы можем извлечь признаки k-меров из последовательностей и оставить CNN только задачу обнаружения совпадения и частоты k-меров. Предполагая, что частотное представление k-mer подходит для сверточной сети, необходимо определить архитектуру сети. Дизайн сети имеет два аспекта: сетевую архитектуру, связанную с количеством и типом слоев, видом задействованной нелинейности и т. д., и количеством параметров сети, которые настраиваются на этапе обучения сети. Эти два аспекта взаимосвязаны, и изменение количества слоев может иметь эффект, аналогичный изменению количества параметров сети.Обсуждение количества и сложности сверточных слоев описано в [43], где один из выводов заключается в том, что влияние архитектуры зависит от конкретной задачи.

    Сеть глубокого доверия

    DBN, представленная Хинтоном в [51, 53], представляет собой вероятностную генеративную модель, используемую для извлечения иерархического представления входных данных. Его структурными элементами являются так называемые ограниченные машины Больцмана (RBM) [54]. Это нейронные сети, состоящие из двух связанных слоев, видимого (или входного слоя) и скрытого слоя, и они обычно используются для многих задач, таких как уменьшение размерности, классификация, регрессия и извлечение признаков. В скрытых слоях нет соединений между объектами. В сети DBN цель RBM состоит в том, чтобы получить представление ввода в пространстве более низкого измерения, которое можно использовать в качестве ввода следующих слоев. Если сокращенное представление, в свою очередь, используется в качестве входных данных для RBM обратным образом, можно получить оценку распределения вероятностей исходных входных данных. Чтобы свести к минимуму ошибку между предполагаемым распределением вероятностей и фактическим распределением входных данных, RBM стремится минимизировать расхождение Кульбака-Лейблера [55] между ними.Таким образом, каждый уровень RBM изучает структуру входных данных иерархически. Затем DBN определяется как стек, состоящий как минимум из двух уровней RBM, и его метод обучения состоит из двух фаз. На первом этапе, называемом предварительным обучением, уровни RBM обучаются без присмотра, чтобы представить исходный ввод в новом размерном пространстве меньшего размера. На втором этапе, называемом тонкой настройкой, DBN рассматривается как классический многоуровневый персептрон (MLP), и путем наложения последнего слоя классификатора, такого как слой логистической регрессии [56], он действует как контролируемый классификатор, используя обратное распространение. через градиентный спуск.

    Классификатор RDP

    Классификатор RDP представляет собой наивный байесовский классификатор данных последовательности. Этот наивный алгоритм байесовского классификатора вдохновлен теоремой Байеса. Он не только прост в реализации, но и может быть чрезвычайно эффективным в большинстве приложений, включая классификацию данных последовательности. Термин «наивный» относится к предположению о независимости между признаками данных. Классификатор RDP использует пространство признаков, состоящее из всех k-меров подстроки длины 8. Вероятность того, что неизвестная последовательность запроса, s , принадлежит роду g i , моделируется в соответствии с правилом Байеса. P ( G 7 I 0 | S ) = P ( S | G I ) * P ( G I ) / P ( S ), где P ( S | G I ) является совместной вероятностью наблюдения последовательности S от рода G I , P ( г I I ) является предыдущей вероятностью последовательности, являющегося членом г I и P ( S ) — это общая вероятность последовательности наблюдения с из любого рода . Предыдущая оценка вероятности наблюдения за одним k-mer R 7 I в последовательности RRNA установлена ​​на P I = ( N ( R I ) +0.5) / ( N -1) где N ( R I ) — количество последовательностей в корпусе, содержащем подпоследовательность W I и N общее количество последовательностей.Наконец, совместная вероятность рассматривается как: \(P(s|g_{i})= \prod _{w_{j} \in V_{i}} \frac {m(r_{j})+P_{j }}{M_{i}+1}\) где M i — общее количество последовательностей в обучающей выборке T i рода g 70 12 i 9012

    7 90

    M ( R J ) Количество последовательностей в T 7 I 0, содержащие K-MER R J и V I — это подмножество k-меров, которые являются подстроками хотя бы одной последовательности в T i . Предполагая, что все роды равновероятны (равные априоры), постоянные члены P ( g i ) и P ( s ) можно игнорировать, так что правило присвоения последовательности s к роду G I I = A R G м x 7 Z 0 P ( S | г z ).

    Автоматизированная бактериальная классификация с использованием вычислительных методов на основе машинного обучения: архитектура, проблемы и вопросы открытых исследований

    Машинное обучение — это отрасль ИИ, добившаяся больших успехов в области компьютерных наук. Алгоритмы машинного обучения обучаются на заданных данных, а затем могут использоваться для прогнозирования результатов на новых данных. В микробиологии исследователи используют методы машинного обучения для анализа цифровых микроскопических изображений бактерий. Изучение бактерий известно как бактериология, в которой исследователь анализирует бактерии на основе их морфологических особенностей и генетики. Хорошие бактерии экономически важны во многих областях, таких как пищевая промышленность, биотехнология, вымачивание волокна, борьба с вредителями и генная инженерия. Escherichia coli используется для получения витамина К и рибофлавина, Lactobacillus используется для производства творога и сыра, а Ruminococcus spp. помогает переваривать целлюлозу, выделяя фермент целлюлазу. Болезнетворные бактерии вредны для человека; они вызывают множество заболеваний у людей, таких как: Mycobacterium Tuberculosis вызывают заболевание туберкулезом у людей, Сапротрофные бактерии атакуют и разлагают органы и вызывают пищевое отравление [28].Таким образом, становится очень важным классифицировать эти виды бактерий с помощью методов машинного обучения, чтобы понять их поведение. Методы машинного обучения широко использовались различными исследователями для изучения различных типов бактерий, и в следующем разделе обсуждаются некоторые важные исследования, проведенные в период с 1998 по 2020 год.

    1. А.

      Проведенные исследования w.e.f. с 1998 по 2010 год:

      В 1998 году Holmberg et al.[29] представили методику классификации мочевых бактерий на основе ИНС. Они использовали ИНС с электронным носом для извлечения признаков бактерий из данных датчиков. Данные были собраны в отделении микробиологии университетской больницы в Линчёпинге. Всего было проверено 100 чашек Петри, содержащих бактерии ( E. coli, Enterococcus, Proteus mirabilis, Pseudomonas aeruginosa и Staphylococcus saprophytica) , и, наконец, из набора данных было извлечено 48 признаков. Затем эти функции были переданы в предлагаемую систему, в результате чего окончательная точность классификации системы составила 76%.

      В том же году Veropoulos et al. предложили методику на основе нейронных сетей. [30] для классификации бактерий туберкулеза. Архитектура состояла из многоуровневой NN с использованием правила обучения обратного распространения и двух скрытых блоков. В этой предлагаемой системе был взят набор данных, состоящий из 1147 объектов изображения, которые состояли из 267 туберкулезных бацилл и 880 других объектов. Из общего числа изображений 1000 использовались для обучения и 147 — для тестирования.Набор данных был получен из Южноафриканского института медицинских исследований (SAIMR), Кейптаун. Предложенная система показала точность при КНН-91,8%, БП-97,9%, СКГ-96,6% и КА-95,9%.

      В 2001 году Liu et al. [31] работали над классификацией морфотипов видов бактерий по морфологическим признакам. Авторы использовали классификатор KNN для целей классификации и предложили программу анализа изображений CMEIAS для среды Windows NT. В этой предложенной системе авторы получили 1937 цифровых изображений различных сообществ в градациях серого.Классификатор формы CMEIAS дал точность 96,0% на обучающей выборке из 1471 клеток и 97,0% на тестовой выборке из 466 клеток, представляющих все 11 классов бактериальных морфотипов.

      В 2004 г. Forero et al. [32] применили метод классификации бацилл Mycobacterium Tuberculosis с использованием алгоритма кластеризации K-средних. В этой статье авторы использовали микроскопические образцы мокроты (от 8 до 100 изображений на полный образец), а не отдельные изображения. Был получен набор из 397 негативных изображений от 31 субъекта и 75 позитивных изображений от 4 пациентов.Предложенный подход достиг специфичности 93,54% и чувствительности 100%.

      Трехслойная нейронная сеть с обратным распространением (BPNN) была представлена ​​Xiaojuan et al. [33] для классификации бактерий. Шесть признаков были извлечены из 8 типов бактерий. 60 образцов из базы данных NMCR (Национальный ресурс микробных культур) были отобраны для целей обучения, а 20 образцов были использованы для целей тестирования. Предложенная система достигла точности классификации 86.3%.

      Мен и др. [34] представили основанный на машинном обучении метод классификации гетеротрофных колоний бактерий. Классификация проводилась с помощью SVM. Изображения колоний первичных гетеротрофных бактерий были сначала предварительно обработаны, а затем использованы для выделения 6 различных признаков, т. е. площади, периметра, эквивалентного диаметра, коэффициента формы, длины и ширины для эксперимента. Затем все последующие признаки были переданы алгоритму классификации. Всего после выделения признаков было получено 300 экземпляров, из которых 200 были колониями гетеротрофных бактерий и 100 принадлежали колониям негетеротрофных бактерий.Из них 60 % использовались в качестве обучающей выборки, а остальные 40 % — в качестве тестовой выборки. Предлагаемый метод достиг точности обучения 98,7% и точности тестирования 96,9%.

      Подход, основанный на машинном обучении, был реализован Chen et al. [35] (2009) для подсчета и классификации бактериальных колоний на чашке Петри. Предложенный метод мог распознавать хроматические и ахроматические изображения, а также мог работать как с цветными, так и с прозрачными средними изображениями. После распознавания были обнаружены области чашки/тарелки, содержащие бактерии.Морфологические особенности каждого вида использовались для классификации с использованием SVM с радиальной базисной функцией. Чашки Петри собирали с двумя разными типами окрашивания среды и бактерий. Чашки первого типа, содержащие Mitis-Salivarius синего цвета, были взяты из отделения детской стоматологии Алабамского университета в Бирмингеме, а чашки второго типа, содержащие прозрачный агар LB, были получены из отделения нефрологии медицинского факультета Университета штата Алабама. Университет Алабамы в Бирмингеме.Эта предлагаемая система является надежной и эффективной автоматической для бактериальной колонии. Этот метод достиг точности 96%, уровень точности для 25 хроматических изображений составляет 92%, а уровень точности для 75 ахроматических изображений составляет 97%.

      В том же году Xiaojuan et al. (2009) [36] предложили BPNN для классификации бактерий сточных вод. Всего эксперимент состоял из 16 образцов, из которых 10 образцов использовались для обучения, а 6 образцов использовались для целей тестирования. В предлагаемом методе используется самоадаптирующийся алгоритм ускоренного обратного распространения для обучения процессу классификации бактериальных микроскопических изображений. После обучения метод был протестирован с базой данных CECC, и результаты показали, что данный подход эффективен для повышения скорости и согласованности проведения крупномасштабных исследований или быстрого определения численности бактерий, морфологии, которые могут сделать оценку состояния бактерий более точной. . Предложенный подход дал точность 85.5%.

      Осман и др. (2009) [37] разработали метод NN с комбинацией генетико-алгоритмического определения в тканях бактерий Mycobacterium tuberculosis. Предлагаемый метод состоит из четырех основных этапов: сегментация изображения с использованием кластеризации K-средних, извлечение признаков , выбор признаков и классификация с использованием подхода GA-NN. Авторы извлекли инвариант момента семь Hu в качестве признаков и применили генетический алгоритм для выбора признаков и алгоритм Левенберга-Марквардта для обучения многослойного персептрона для классификации бактерий на два класса, т. е.е. «возможный туберкулез» и «истинный туберкулез». Для данного эксперимента окрашенные по Цилю-Нильсену (ZN) изображения тканей туберкулезных бацилл были собраны в отделении патологии Больничного университета Сайнс Малайзия, Келантан. В общей сложности было получено около 960 изображений объектов (360 «истинных ТБ» и 600 «возможных ТБ») из 120 изображений предметных стекол с различными условиями окрашивания. Из этих 960 изображений объектов были выбраны 680 лучших изображений, из которых 400 изображений объектов (200 «истинных ТБ» и 200 «возможных ТБ») использовались для обучения и 280 изображений объектов (80 «истинных ТБ» и 200 «вероятных ТБ»). возможный ТБ’) использовались для тестирования.Данный подход достиг уровня точности 89,64%.

      Метод автоматической классификации был представлен Khutlanget al. (2010) [38] для идентификации изображений Mycobacterium tuberculosis в мазках мокроты, окрашенных ZN. Для классификации объектов автор использовал классификаторы KNN, PNN и SVM. Набор данных, использованный в эксперименте, состоял из 11 259 экземпляров бактерий, из которых 6901 экземпляр от 11 субъектов был использован для обучения, который также состоял из 4999 экземпляров бацилл и 1902 экземпляров небацилл.В целях тестирования было использовано в общей сложности 4358 образцов бактерий, полученных от 8 субъектов, из которых 1838 образцов были бациллами и 2520 экземпляров небациллами. Данный подход достиг значений чувствительности и специфичности 95%.

      В том же году Hiremanth et al. (2010) [39] разработали методику классификации бактериальных клеток кокков на основе машинного обучения. В предлагаемой системе использовались три классификатора, а именно 3 \ (\ sigma \), K-NN и NN для определения расположения бактериальных клеток кокков, т.е.е. Их геометрические особенности. ИНС состояла из 5 нейронов для 5 функций формы в качестве входных данных, трех выходных, функции обратного распространения и функции градиентного спуска. Набор данных состоял из 500 цветных цифровых изображений бактериальных клеток различных типов, то есть кокков, диплококков, стрептококков, тетрад, сарцин и стафилококков. Предложенный подход достиг диапазона точности от 84% до 94% с классификатором 3 \(\sigma \), для классификатора K-NN он дал точность от 75% до 100% с k = 1 и от 96 до 100% для k = 3.Классификатор NN достиг точности от 98% до 100%. Среди всех классификаторов для данного эксперимента лучшим оказался ИНС.

      Акова и др. [40] в 2010 г. предложили основанный на ML метод классификации бактериальных сероваров. Всего в данном эксперименте было использовано 28 подклассов из 5 различных видов бактерий ( кишечная палочка, стафилококк, сальмонелла, вибрион и листерия ). Набор данных состоял из 2054 случайных образцов бактерий, которые затем были разделены на 80% и 20% для целей обучения и тестирования соответственно.Первоначально текстурные признаки были получены из образцов, которые затем были переданы в описание данных опорного вектора (SVDD) и байесовский классификатор. Байесовский классификатор не был специфичен для проблемы классификации бактерий, поэтому результаты для байесовского классификатора были проверены на эталонном наборе данных распознавания букв из репозитория UGI. В эксперименте удалось достичь точности 82%.

    2. Б.

      Проведенные исследования w.e.f. с 2011 по 2020 год:

    В 2011 г. Rulaningtyas et al. [41] применили обученную нейронную сеть с обратным распространением для классификации бактерий туберкулеза. Классификация проводилась с использованием NN с точно настроенными значениями гиперпараметров, т. е. импульсом = 0,9, скоростью обучения = 0,5, среднеквадратичной ошибкой   = 0,00036 и количеством скрытых слоев   = 20. Набор данных, использованный в эксперименте, состоял из 100 образцов бинарного туберкулеза. изображений, из которых 75 изображений использовались для обучения и 25 изображений для процесса тестирования.Данный подход обеспечил точность 80%.

    Cocci Classifier Tool был разработан Hiremath et al. [42] для выявления его различных типов , т.е. кокков, диплококков, стрептококков, тетрад, сарцин и стафилококков . Предлагаемая система состояла из трех классификаторов, а именно 3 \(\sigma ,\) классификатора KNN и классификатора NN. Классификатор NN состоял из входного слоя с пятью нейронами, которым были предоставлены пять признаков формы в качестве входных данных, скрытого слоя и выходного слоя с шестью нейронами, по 1 для каждого класса.Авторы взяли для классификации 1733 клетки кокков, диплококков и тетрад и добились точности 97%. Остальные 310 клеток, представляющие классы сарцины, стрептококки и стафилококки, были классифицированы с точностью 91%, в результате чего общая точность классификации составила 94% для всей обучающей и тестовой выборки. Точность, достигнутая классификатором 3 \ (\ сигма \), находилась в диапазоне 92–99%, в то время как точность KNN составляла от 91 до 100%, а классификатора NN — от 97 до 100%. Из всех классификаторов лучшие результаты дал NN.

    В 2013 году Ahmed et al. [43] внедрили распределенные грид-вычисления для классификации вибрионобактерий. Дискриминантный анализ Фишера был сначала выбран для извлечения признаков, а затем для классификации использовался SVM с линейным ядром. Этот метод включал стандартизацию диаграмм рассеяния, полученных из бактериальной колонии, с использованием выравнивания гистограммы и центрирования изображения. После этого были извлечены такие признаки, как текстура Харалика, моменты Цернике и Чебышева, в результате чего был получен вектор признаков, содержащий тысячи признаков.Наконец, наиболее заметные признаки были извлечены с использованием критерия Фишера. Набор данных состоял из 1000 изображений, т. е. по 100 изображений на штамм. Предложенный метод достиг уровней точности от 90 до 99% для разных видов бактерий.

    В том же году Chayadevi et al. [44] использовали как статистический, так и NN-подход для выделения бактериальных кластеров и подсчета различных видов бактерий из цифровых микроскопических изображений. Предлагаемый метод включал метод пороговой обработки и бинаризацию; с последующей сегментацией и извлечением признаков.Наконец, кластеризация K-средних и самоорганизующиеся карты (SOM) использовались для кластеризации и подсчета. Авторы использовали первичный набор данных, собранный в больнице, который состоял из 320 цифровых изображений бактерий. Результаты, полученные с помощью предложенной системы, сравнивали с ручным подсчетом, проведенным врачами, при этом предложенная система оказалась более точной, чем визуальный подсчет человека.

    В 2014 году Ferrari et al. [45] предложили метод многоэтапной классификации с использованием SVM с ядрами радиальной базовой функции (RBF).В данном эксперименте использовались чашки с твердым агаром, из которых было классифицировано в общей сложности шесть видов бактерий, т.е. Enterococcus faecalis, E. coli, Klebsiella, Proteus mirabilis, Staphylococcus aureus, Streptococcus agalactiae . Для каждого класса бактерий инокулировали две чашки с твердым агаром. Всего было проанализировано 22 изображения агаровой пластины, по этим изображениям было идентифицировано 74 изолированные бактериальные колонии. 60 % образцов использовались для обучения, 20 % — для перекрестной проверки, а 20 % — для измерения эффективности обобщения классификатора. Предложенная система дала точность 93%.

    Новый метод на основе РЧ был применен Ayas et al. [46] для классификации бактерий бацилл туберкулеза. Набор данных для данного эксперимента был получен из лаборатории микобактериологии медицинского факультета Технического университета Караденикс. Набор данных состоял из 116 изображений из пяти слайдов с положительным мазком пяти разных субъектов. В ходе эксперимента было использовано 40 изображений для обучения и 76 изображений для целей тестирования.Данный метод достиг уровня точности 89,38% при чувствительности 93% и специфичности 96,97%. Затем результаты сравнивались с SVM, ANN и GPDF, где данный подход показал лучшую производительность, чем другие методы.

    Говинда и др. [47] представили метод классификации бацилл туберкулеза с использованием изображений ZN. Данный подход использовал SVM с библиотечными инструментами (LIBSVM) для целей классификации. Эксперимент проводился с использованием двух наборов микроскопических изображений: первый был получен из библиотеки изображений общественного здравоохранения (PHIL), открытого источника для микроскопических изображений, а второй был получен из Глобальной больницы и города здоровья, Ченнаи. Затем эти наборы изображений были использованы для извлечения окрашенных ZN изображений 34 положительных на туберкулез и 16 отрицательных пациентов. Предложенный метод достиг точности 90,89% при чувствительности 72,89%.

    В том же году метод на основе DL был реализован Nie et al. [48] ​​для классификации изображений бактерий. Классификация была выполнена с использованием модели CNN с несколькими промежуточными слоями. Авторы культивировали бактерии на двух разных средах (ISP2 и овсяный агар), где каждая чашка содержала 2 колонии, выбранные из набора из 17 штаммов.Планшеты инкубировали при 30 градусах Цельсия в течение 8 дней и визуализировали на 2-й, 4-й, 6-й и 8-й день после нанесения. Из них было получено 862 изображения растущих колоний. Затем предложенная архитектура CNN была обучена на этих изображениях, что привело к точности от 52,5 до 78,47%.

    В 2016 г. Seo et al. [49] предложили алгоритм ML для классификации пяти видов стафилококковых бактерий. В эксперименте использовались гиперспектральные микроскопические изображения пяти видов бактерий, полученные в Исследовательском подразделении микробиологии и обработки птицы Университета США. S Национальный исследовательский центр птицеводства, Служба сельскохозяйственных исследований в Афинах, Джорджия. Во-первых, пять видов ( aureus, haemolyticus, hyicus, sciuri и simulans) были собраны путем генерации спектральных данных из интересующей области (ROI) с использованием пороговой сегментации. На следующем этапе выбросы были удалены с использованием метода расстояния Махаланобиса с последующим выбором ключевой длины волны с использованием коэффициента корреляции Пирсона. На последнем этапе классификация была выполнена с использованием SVM и частичного дискриминантного анализа наименьших квадратов (PLS-DA).Предложенный метод дал точность 89,8% и 97,8% для SVM и PLS-DA соответственно. Метод SVM позволил идентифицировать не только грамотрицательные, но и грамположительные бактерии.

    В том же году техника на основе нейронных сетей была реализована Priya et al. [50] для классификации бактерий туберкулезной палочки. Представленная методика включала шаги в следующем порядке: сегментация, извлечение признаков с помощью дескриптора Фурье и выбор признаков с использованием нечеткой энтропии. Выбранные функции были переданы в гибридный классификатор, т.е. SVM в сочетании с многоуровневой сетью персептрона (SVNN) для классификации. Результат SVNN сравнивался с BPNN, и данный подход показал лучшие результаты точности. Набор данных был получен из Южноафриканской национальной службы лабораторий здравоохранения в больнице Гроот Шур в Кейптауне, где он был подготовлен путем смазывания образца мокроты на чистом предметном стекле. Всего для обучения было использовано 1537 объектов из 100 изображений. Предложенная система достигла точности 92.5% с 95% чувствительностью и 90% специфичностью.

    Лопес и др. [51] представили методику классификации для идентификации микобактерий туберкулеза (МТ) с использованием CNN. Авторы создали набор данных патчей с 9770 патчами положительных и отрицательных мазков из 492 изображений. Модели CNN обучались с использованием трех версий патчей: R-G, RGB и оттенков серого. Для сравнительного анализа различных версий была реализована кривая ROC, и наилучшие экспериментальные результаты были получены при использовании формата R-G. Автор использовал три сверточных слоя для оценки набора данных изображений с надежным сбалансированным слиянием и классифицировал патч как положительный или отрицательный для MT. Эта предложенная система достигла точности 96%.

    В том же году Turra et al. также представили технику на основе CNN. [52] для классификации гиперспектральных бактериальных колоний. Архитектура состояла из двух сверточных слоев, 1 слоя пула и слоя softmax для классификации. Набор данных был взят из Американской коллекции типовых культур (ATCC), которая состояла из 16 642 колоний восьми классов ( E.coli (5539 колоний), E. faecalis (1958 колоний), S. aureus (2355 колоний), P. mirabilis (2315 колоний), P. vulgaris (654 колонии), K. pneumonia (542 колонии), Ps. Aeruginosa (1529 колоний) и Str. Agalactiae (1750 колоний)) , и эти колонии, выращенные на чашках Петри, образуют 106 объемов гиперспектральной визуализации (HSI). Модель CNN использует 50 000 обучающих итераций. Данный эксперимент сравнивался с SVM и RF и показал лучшую общую производительность. Точность, достигнутая этим подходом, составила 99.7 %, тогда как точность SVM составила 99,5 %, а RF — 93,8 %.

    В 2017 году Zielinski et al. [53] представили гибридный метод, основанный на DL, для классификации видов и родов бактерий. Авторы использовали глубокую сверточную нейронную сеть (DCNN) для получения дескрипторов изображений, а затем кодировщик объединения был использован для создания векторов признаков, и, наконец, задача классификации была выполнена с использованием SVM или RF . Эксперимент был проведен на наборе данных цифровых изображений видов бактерий (DIBaS), собранных на кафедре микробиологии Ягеллонского университета в Кракове, Польша, который состоял из 33 видов бактерий с 20 изображениями каждой бактерии.Набор данных был случайным образом разделен на 50% обучающих и 50% тестовых экземпляров. Предлагаемый подход достиг точности 97,24%.

    Мохамед и др. [54] применили метод машинного обучения для классификации бактерий. Техника включала извлечение признаков с использованием модели Bag of Words и классификацию с использованием мультиклассового линейного SVM. Авторы отобрали базу данных из 200 изображений DIBaS, содержащих 10 видов бактерий ( Acinetobacterbaumanni, Actinomycesisraelii, Enterococcus faecium, lactobacillus jensenii, lactobacillus paracasei, fusobacterium, lactobacillus delbrueckii, lactobacillus reuteri, micrococcus spp.и candida albicans) с 20 изображениями каждого вида. Набор данных был разделен на две части: 70% набора данных использовались для обучения и 30% использовались для тестирования. Этот метод достиг точности 97% для задачи классификации десяти классов, а для 8 классов была достигнута точность 100%.

    В том же 2018 году Panicker et al. [27] предложили подход, основанный на DL, для автоматического обнаружения бацилл туберкулеза (ТБ) по микроскопическим изображениям мазка мокроты. В этом предложенном методе использовалась бинаризация изображения для устранения шума изображения и CNN для классификации на уровне пикселей. Архитектура CNN состояла из 3 сверточных слоев, полностью связанного слоя и сигмовидного слоя. Набор данных изображений туберкулеза был собран в лаборатории InstitutoNacional de pesquisas da Amazonia (INPA), Манаус, Бразилия. Он состоял из 120 изображений, из которых было вырезано 900 позитивных и 900 негативных фрагментов. Из них 80% патчей использовались для обучения и 20% для тестирования. Предлагаемый метод достиг значения отзыва 97,13%, значения точности 78,4% и F-показателя 86,76%.

    Вахид и др.[55] применили подход Inception V1 для классификации микроскопических изображений бактерий. Техника включала ручную обрезку изображений и преобразование изображений из оттенков серого в RGB, а затем переворачивание изображения и, наконец, преобразование полученного изображения. Классификация изображений была выполнена с использованием модели «Inception V1», модель DCNN. Авторы собрали 5 видов бактерий ( clostridium botulinum, vibrio cholera, neisseriagonorrhoeae, borreliaburgdoferi и микобактерии туберкулеза) с 500 изображениями из нескольких онлайн-ресурсов, таких как: HOWMED, PIXNIO и др. В ходе эксперимента было использовано 100 изображений для тестирования и 400 изображений для обучения. Этот метод достиг уровня точности 95%.

    В том же году подход на основе CNN был применен Traore et al. [56] для распознавания изображений Vibrio cholera и Plasmodium falciparum с целью классификации эпидемических возбудителей. Представленный подход был реализован с семью скрытыми слоями: шестью слоями свертки, одним полносвязным слоем и слоем softmax, использованным для окончательной классификации.Tensorflow использовался как бэкенд-фреймворк для реализации DL. Набор данных был загружен из Google и состоял из 200 изображений Vibrio Cholera и 200 изображений Plasmodium Falciparum. Данные были разделены на 80% обучающих и 20% тестовых наборов. Этот метод достиг общей точности 94%.

    Рахмаюна и др. [57] предложили метод классификации изображений четырех популярных патогенных бактерий на уровне рода. Авторы использовали два шага для классификации изображений: первый шаг включал улучшение качества изображения с помощью метода Adaptive Histogram Equalization (CLAHE) с ограниченным контрастом, а второй шаг включал анализ текстуры. После этого была проведена классификация с использованием линейной и радиальной базисной функции (RBF). Авторы собрали 600 оптических изображений бактерий, в том числе: 150 изображений эшерихий, 150 изображений листерий, 150 изображений сальмонелл и 150 изображений стафилококков . Из них 540 изображений были использованы для обучения и 60 изображений были использованы для тестирования предложенной структуры, и была получена точность 90,33%.

    Подход на основе DL был представлен Hay et al. [58] для идентификации кишечных бактерий из кишечника личинок рыбок данио с использованием 3D-изображений флуоресцентной микроскопии светового листа.Предложенная архитектура CNN использовалась для классификации изображений на бактериальные и небактериальные. Авторы используют платформу Tensorflow с открытым исходным кодом Google для реализации архитектуры CNN. Сравнение CNN с RF и SVM также было представлено в этой статье, и было отмечено, что предложенная архитектура CNN дала наилучшие результаты с точностью 90%.

    В 2019 году Mithra et. др. [59] применили нейронные сети глубокого убеждения для классификации бацилл Mycobacterium tuberculosis по микроскопическим изображениям, окрашенным ZN.Представленная модель также была оценена с существующими моделями и сделан вывод, что классификатор нейронной сети с глубоким убеждением дал лучшие результаты. Авторы собрали набор данных из ZNSM-iDB, содержащий 500 изображений автофокуса, без бацилл, с небольшим количеством бацилл, перекрывающимися и окрашенными изображениями. Из них 275 изображений использовались для обучения набора данных, а 225 изображений использовались для тестирования. Предложенная система достигла точности 98,23% с чувствительностью 97,55% и специфичностью 97,86%.

    В том же году , Трибупачатсакул и др.[60] внедрили подход LeNet CNN для распознавания двух видов бактерий, т. е. стафилококков и лактобактерий . Предлагаемый метод был реализован с использованием программирования Python и API Keras с инфраструктурой Tensorflow DL. Авторы создали собственный набор данных, который состоял из более чем 400 образцов изображений двух типов, то есть Staphylococcus Aureus и Lactobacillus Delbruekii. Набор данных был разделен на две части: 80% данных использовались для обучения и 20% для тестирования наборов данных.Предложенная система достигла точности 75%.

    Гибридный метод, основанный на Inception-V3 и SVM, был предложен Ahmed et al. [61] для классификации микроскопических изображений бактерий. Предлагаемый метод работает путем предварительной обработки изображения с использованием ручной обрезки и преобразования из оттенков серого в RGB, затем переворачивания изображения и, наконец, перевода изображения с последующим извлечением признаков с использованием модели Inception-V3 DCNN. Затем с помощью SVM была проведена классификация изображений по соответствующим классам.Авторы использовали семь видов бактерий, таких как: Clostridium Botulinum, Borreliaburgdoferi, Rickettisiaricketsii, Mycobacterium tuberculosis, Streptococcus pyogenes, Vibrio Cholerae и Neisseria gonorrhoeae . 80% выборок набора данных были использованы для обучения гибридной сети, которая включает 800 микроскопических изображений, и 20% выборок были использованы для обучения модели DCNN, которая включает 160 образцов. Для тестирования авторы использовали 200 изображений семи бактерий. Предложенная система достигла точности 96%.

    Абд-Алхалем и др. [62] представили метод DL для классификации бактерий, таких как ( Actinobacteria, Firmicutes и Proteobacteriaon ), на основе нуклеотидов ДНК, то есть A, T, C и G, с использованием CNN на основе случайной проекции на различные слои сокращения данных. Предлагаемая система состояла из четырех слоев; три слоя представляют собой сверточные слои, каждый из которых имеет объединяющий слой, а четвертый слой представляет собой полностью подключенный слой, который использует функцию активации Softmax. Автор собрал 2000 последовательностей, которые можно сгруппировать в 5 упорядоченных таксономических рангов, названных типом, классом, порядком, семейством и родом. Предложенная система сравнивалась с классификатором SVM, и предложенный метод дал лучшие результаты.

    В следующем году Bonah et al. [63] использовали метаэвристический алгоритм оптимизации для классификации пищевых патогенных бактерий с использованием гиперспектральной визуализации. Предложенный метод экспериментально показал лучшие результаты по сравнению с SVM, конкурентная адаптивная взвешенная выборка (CARS) и оптимизация роя частиц. Авторы получили 320 изображений 8 видов бактерий, в том числе E. coli, Escherichia coli O157:H7, устойчивых к ампициллину штаммов E.coli, Listeria monocytogenes, Staphylococcus aureu, метициллин-резистентный Staphylococcus aurens, Salmonella enteritidis и Salmonella typhimurium, , состоящий из 40 образцов каждого вида. Точность, достигнутая предложенной системой, составила 99,47%.

    Канг и др. [64] разработали несколько усовершенствованных структур DL, то есть сеть долговременной памяти (LSTM), глубокую остаточную сеть (ResNet) и одномерную CNN (1D-CNN) для классификации пищевых бактерий с использованием гиперспектральной микроскопии (HMI). технология.Набор данных о пяти распространенных бактериальных культурах пищевого происхождения ( Campylobacter jujuni, родовой штамм E. Coli, Listeria innocua, Staphylococusaureus и Salmonella Typhimurium ) был собран в Отделе исследования микробиологической безопасности и обработки птицы (PMSPRU) Министерства сельского хозяйства США в Афинах, штат Джорджия. , США. Данный набор данных состоял из 5000 изображений, которые во время эксперимента были случайным образом разделены на 72% (3600 ячеек), 18% (900 ячеек) и 10% (500 ячеек) для обучения, проверки и тестирования соответственно.Данный эксперимент предсказал, что LSTM, ResNet и 1D-CNN достигли точности 92,2%, 93,8% и 96,2% соответственно.

    В том же году те же авторы [65] внедрили классификатор на основе DL для классификации видов пищевых бактерий на клеточном уровне с использованием технологии HMI в сочетании с CNN. В предлагаемом методе реализована архитектура 1D-CNN, KNN и SVM для классификации. Набор данных визуализации для пяти пищевых бактерий, т. е. Campylobacter fetus, Escherichia coliform, Listeria Innocua, Salmonella Typhimurium и Staphylococcus Aureus , был собран в Отделе исследования микробиологической безопасности и обработки птицы (PMSPRU) Университета США.С. Министерство сельского хозяйства в Афинах, Джорджия, США. Предложенная система достигла общей точности 90%.

    В том же году Mhathesh et al. [66] применили метод DL для классификации трехмерных изображений флуоресцентной микроскопии светового листа личинок рыбки данио. Авторы использовали CNN для классификации изображений бактерий. В этой модели для анализа точности модели использовались различные функции активации, т. е. сигмовидная , Tanh и ReLu . Затем результаты данного подхода сравнивались с другими классификаторами, такими как классификатор опорных векторов, RF и ConvNet.Данный подход достиг точности 95%, что превзошло другие выбранные методы.

    В том же году Х. Саджедиет. др. [67] использовали метод классификации Extreme Gradient Boosting (XGBoost) для классификации трех различных подотрядов Myxobacterial, то есть Cystobacterineae, Sorangiineae и Nannocystineae . В предлагаемом методе использовалось преобразование Габора для извлечения особенностей текстуры и XGBoost для классификации трех категорий бактерий. Точность, достигнутая предложенной системой, составила 90.28%. Кроме того, авторы также пишут обзор литературы, связанный с классификацией бактерий с использованием методов машинного обучения, включая глубокую нейронную сеть.

    1. С

      Критический анализ:

    Таблицы 3 и 4 обобщают различные подходы ML, используемые для классификации различных видов бактерий, а также ограничения и будущие масштабы каждой работы. На протяжении всего обзора литературы показано, что методы машинного обучения достигли огромных успехов в автоматизации традиционной процедуры классификации бактерий.Большая часть работы была сосредоточена на пищевых бактериях, различных бактериальных колониях, бактериях сточных вод, кокковых бактериях и некоторых видах патогенных бактерий, таких как туберкулез, холерный вибрион и т. д. Используемые типы изображений включали микроскопические изображения мазка мокроты, окрашенные ZN, гиперспектральные изображения и цифровые микроскопические изображения видов бактерий, а также всей чашки с агаром. В ходе всего исследования мы обнаружили, что наборы данных и количество исследований ограничены. Большинство наборов данных, используемых исследователями, являются частными и не могут быть доступны напрямую.Очень мало наборов данных, таких как DIBas http://misztal.edu.pl/software/databases/dibas/) [68] и HOWMED (http://howmed.net/microbiology), PIXNIO (http://pixnio.com/photos /science/microscopyimages) [69] доступны в Интернете. Они обеспечивают начальную точку для классификации бактерий на основе машинного обучения. Но все же существует потребность в высококачественных наборах эталонных данных. Разные исследователи проделали большую работу с использованием разных наборов данных, но над каждым набором данных была проделана ограниченная работа, что затрудняет для исследователей сравнение эффективности различных методов на разных наборах данных.Это создает возможности для проведения серьезных исследований в этой области. Было замечено, что немногие методы машинного обучения работают лучше с определенным набором данных, но сталкиваются с ухудшением производительности с некоторыми другими наборами данных. Несколько исследователей, работающих в этой области, использовали контролируемые (SVM, RF, KNN и т. д.) и неконтролируемые алгоритмы ML (кластеризация K-средних) для достижения классификации бактерий в полуавтоматическом режиме. Эффективность этих методов оценивалась с использованием показателей точности. В случае, если набор данных несбалансирован, точность нельзя рассматривать только как параметр для измерения эффективности системы.Большинство ученых проводили эксперименты с несбалансированными наборами данных и использовали только точность в качестве показателей производительности. Чтобы тщательно изучить и изучить систему с использованием несбалансированного набора данных, немногие исследователи использовали дополнительные показатели производительности, такие как Precision, Recall и F-score. С 2015 года полностью автоматическая система на основе глубокого обучения с использованием CNN показала отличные результаты при использовании для классификации бактерий. На наборе данных DIBas CNN достигла точности 97,3%.

    Таблица 3. Краткий обзор различных подходов МО, используемых для классификации бактерий (с 1998 по 2010 г.) Таблица 4. Краткий обзор различных подходов МО, используемых для классификации бактерий (с 2011 по 2020 г.) более высокая точность, для достижения поставленной цели требуются сравнительно большие массивы данных; небольшие наборы данных, если они используются, могут создать проблему переобучения в этом случае.DIBas и другие частные наборы данных, к которым применялось глубокое обучение, невелики, и из обзора литературы неясно, являются ли предлагаемые модели глубокого обучения переоснащенными или нет. Чтобы решить проблему с небольшим набором данных, исследователи также использовали различные методы, такие как увеличение данных и трансферное обучение. Хотя эти методы также недостаточны и могут нести другие сопутствующие проблемы. Как и при трансферном обучении, невозможно предоставить подходящие сверточные фильтры, специфичные для задачи, а при дополнении данных неизвестный шаблон и данные не могут управляться.Очень сложно создавать большие наборы данных, потому что большинство технологий запатентованы и не требуют тщательного участия микробиологов. Оптимальный способ повысить эффективность модели глубокого обучения — работать в сотрудничестве с микробиологами, разрабатывать и аннотировать помеченные эталонные наборы данных.

    1.2B: Классификация микроорганизмов — LibreTexts по биологии

    1. Последнее обновление
    2. Сохранить как PDF
    1. Ключевые моменты
    2. Ключевые термины

    Микроорганизмы классифицируются по таксономическим категориям для облегчения исследований и коммуникации.

    Цели обучения

    • Оценить, как ранняя жизнь изменила Землю

    Ключевые моменты

    • Система классификации постоянно меняется с развитием технологий.
    • Самая последняя система классификации включает пять царств, которые далее подразделяются на тип, класс, отряд, семейство, род и вид.
    • Микроорганизмам присваивается научное название с использованием биномиальной номенклатуры.

    Ключевые термины

    • Отпечатки пальцев ДНК : Метод выделения и картирования последовательностей клеточной ДНК для ее идентификации.

    Жизнь на Земле славится своим разнообразием. Во всем мире мы можем найти многие миллионы различных форм жизни. Биологическая классификация помогает идентифицировать каждую форму в соответствии с общими свойствами (сходствами), используя набор правил и оценку того, насколько тесно она связана с общим предком (эволюционные отношения) для создания порядка. Научившись распознавать определенные закономерности и классифицировать их по определенным группам, биологи смогут лучше понять отношения, существующие между разнообразными живыми формами, населяющими планету.

    Рисунок: Классификация E. coli : Домен: Бактерии, Царство: Eubacteria, Тип: Proteobacteria, Класс: Gammaproteobacteria, Порядок: Enterobacteriales, Семейство: Enterobacteriaceae, Род: Escherichia, Виды: E. coli.

    Первая, самая большая и самая обширная группа, в которую классифицируются организмы, называется доменом и состоит из трех подгрупп: бактерии, археи и эукариоты. Эта первая группа определяет, является ли организм прокариотом или эукариотом. Домен был предложен микробиологом и физиком Карлом Вёзе в 1978 году и основан на выявлении сходства последовательностей рибосомной РНК микроорганизмов.

    Вторая по величине группа называется королевством. Было описано пять основных царств, которые включают прокариоты (например, археи и бактерии), протокисты (например, простейшие и водоросли), грибы, растения и животные. Царство далее делится на тип или отдел, класс, отряд, семейство, род и вид, который является наименьшей группой.

    Наука о классификации организмов называется таксономией, а группы, составляющие классификационную иерархию, называются таксонами. Таксономия состоит из классификации новых организмов или переклассификации существующих.Микроорганизмы научно признаны с использованием биномиальной номенклатуры с использованием двух слов, которые относятся к роду и виду. Названия, присвоенные микроорганизмам, даны на латыни. Первая буква названия рода всегда заглавная. Классификации микроорганизмов в значительной степени способствовали исследования окаменелостей, а в последнее время — секвенирование ДНК. Методы классификации постоянно меняются. Наиболее широко используемыми методами классификации микробов являются морфологические характеристики, дифференциальное окрашивание, биохимическое тестирование, снятие отпечатков пальцев ДНК или состава ДНК, полимеразная цепная реакция и ДНК-чипы.

    Классификация бактерий с использованием минимального количества отсутствующих слов

    Исследовательская статья Специальные выпуски

    • 1.

      Dipartimento di Matematica e Informatica, Университет Палермо, Палермо, Италия

    • 2.

      Департамент информатики, Королевский колледж Лондона, Лондон, Великобритания

    • 3.

      Istituto di Calcolo e Reti ad Alte Prestazioni, Consiglio Nazionale delle Ricerche, Палермо, Италия.

    • Получено: 12 мая 2017 г. Принято: 24 ноября 2017 г. Опубликовано: 23 декабря 2018 г.
  • Классификация бактерий была глубоко исследована с помощью различных инструментов для многих целей, таких как ранняя диагностика, метагеномика, филогенетика.Методы классификации, основанные на последовательностях рибосомной ДНК, считаются эталоном в этой области. Мы представляем новый классификатор видов бактерий, основанный на мере несходства чисто комбинаторного характера. Эта мера основана на понятии минимального отсутствующего слова, комбинаторном определении, которое недавно нашло применение в биоинформатике. Поэтому мы можем включить эту меру в вероятностную нейронную сеть, чтобы классифицировать виды бактерий. Наш подход мотивирован тем фактом, что существует обширная литература по комбинаторике минимальных отсутствующих слов в связи со степенью повторяемости последовательности.Мы провели наши эксперименты на общедоступном наборе данных последовательностей рибосомной РНК из комплекса 16S. Наш подход показал очень высокую оценку точности классификации, тем самым доказывая, что наш метод сравним со стандартными инструментами, доступными для автоматической классификации видов бактерий.

    Образец цитирования: Габриэле Фичи, Алессио Ланджиу, Джозуэ Ло Боско, Риккардо Риццо.Классификация бактерий с использованием минимального количества отсутствующих слов[J]. AIMS Medical Science, 2018, 5(1): 23-32. doi: 10.3934/medsci.2018.1.23

  • Аннотация

    Классификация бактерий была глубоко исследована с помощью различных инструментов для многих целей, таких как ранняя диагностика, метагеномика, филогенетика.Методы классификации, основанные на последовательностях рибосомной ДНК, считаются эталоном в этой области. Мы представляем новый классификатор видов бактерий, основанный на мере несходства чисто комбинаторного характера. Эта мера основана на понятии минимального отсутствующего слова, комбинаторном определении, которое недавно нашло применение в биоинформатике. Поэтому мы можем включить эту меру в вероятностную нейронную сеть, чтобы классифицировать виды бактерий. Наш подход мотивирован тем фактом, что существует обширная литература по комбинаторике минимальных отсутствующих слов в связи со степенью повторяемости последовательности.Мы провели наши эксперименты на общедоступном наборе данных последовательностей рибосомной РНК из комплекса 16S. Наш подход показал очень высокую оценку точности классификации, тем самым доказывая, что наш метод сравним со стандартными инструментами, доступными для автоматической классификации видов бактерий.



    Ссылки

    [1] Нельсон К.Е., Вайншток Г.М. (2010) Каталог эталонных геномов микробиома человека. Наука 328: 994–999. doi: 10.1126/science.1183605
    [2] Soueidan H, NikolskiM (2016) Машинное обучение для метагеномики: методы и инструменты. Метагеномика 1: 1–19.
    [3] Ла Роса М., Фианнака А. (2015) Вероятностное тематическое моделирование для анализа и классификации геномных последовательностей. Биоинформатика BMC 16.
    [4] Ло Боско Г., Пинелло Л. (2015)Новая методология выбора признаков для K-меров представления последовательностей ДНК. В CIBB 2015 : 8623 из LNCS , 99–108.
    [5] Пинелло Л., Ло Боско Г., Хэнлон Б. и др.(2011)Независимая от мотива метрика специфичности последовательности ДНК. Биоинформатика BMC 12.
    [6] Феррагина П., Джанкарло Р., Греко В. и др. (2007) Классификация биологических последовательностей и структур на основе сжатия с помощью универсальной метрики сходства: экспериментальная оценка. Биоинформатика BMC 8: 252.
    [7] Фианнака А., Ла Роса М., Риццо Р. и др. (2015) Методология классификации ДНК штрих-кода на основе k-mer, основанная на спектральном представлении и нейронной газовой сети. Искусственный интеллект Med 64: 173–184. doi: 10.1016/j.artmed.2015.06.002
    [8] Спехт Д.Ф. (1990) Вероятностные нейронные сети. Нейронные сети 3: 109–118. дои: 10.1016/0893-6080(90)-Q
    [9] Chairungsee S, Crochemore M (2012) Использование минимального количества отсутствующих слов для построения филогении. Theoretical Computer Sci 450: 109–116. doi: 10.1016/j.tcs.2012.04.031
    [10] Коул Дж. Р., Ван К., Карденас Э. и др.(2009) Проект базы данных рибосом: улучшенное выравнивание и новые инструменты для анализа рРНК. Nucleic Acids Res 37: D141–D145. дои: 10.1093/нар/gkn879
    [11] Fici G (2006) Минимальные запрещенные слова и приложения . Кандидатская диссертация, Университет Марн-ла-Валле.
    [12] Крокемор М., Миньози Ф., Рестиво А. и др., (1999) Сжатие текста с использованием антисловарей. В ICALP 1999 Volume: 1644 LNCS, 261–270.
    [13] Бартон С., Элиу А., Мушар Л. и др. (2014) Вычисление минимального отсутствующего слова в линейном времени с использованием массива суффиксов. Биоинформатика BMC 15: 388.
    [14] Crochemore M, Fici G, Mercas¸ R и др.(2016) Сравнение последовательностей в линейном времени с использованием минимального количества отсутствующих слов и приложений. В LATIN 2016 Volume: 9644 LNCS, 334–346.
    [15] Pinho AJ, Ferreira PJSG, Garcia SP и др. (2009) О поиске минимальных отсутствующих слов. ВМС Биоинформатика 10:137.
    [16] Бартон С., Элиу А., Мушар Л. и др.(2015) Распараллеливание вычисления минимального отсутствующего слова. В PPAM 2015 , Volume: 9574 LNCS, 243–253. Спрингер.
    [17] Фукаэ Х., Ота Т., Морита Х. (2012) О быстром и эффективном с точки зрения памяти построении антисловарного массива. В: ИСИТ 2012 , 1092–1096. IEEE.
    [18] Crochemore M, Mignosi F, Restivo A (1998) Автоматы и запрещенные слова. Письма по обработке информации 67: 111–117. дои: 10.1016/S0020-0190(98)00104-5
    [19] Интернет-контент: MAW: пакет по вычислению и применению минимального отсутствующего слова. Доступно по адресу: https://github.com/solonas13/maw.
    [20] Ван К., Гаррити Г.М., Тидже Дж.М. и др.(2007) Наивный байесовский классификатор для быстрого отнесения последовательностей рРНК к новой таксономии бактерий, Applied Environmental Microbiology 73: 5261–5267.
    [21] Мао К.З., Тан К.С., Сер В. (2000) Вероятностное определение структуры нейронной сети для классификации шаблонов IEEE Transactions в нейронных сетях. 11: 1009–1016.
  • .

    Добавить комментарий

    Ваш адрес email не будет опубликован.