Información

6.11: 6. 11- Crecimiento microbiano en comunidades - Biología

6.11: 6. 11- Crecimiento microbiano en comunidades - Biología


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

6.11: 6. 11- Crecimiento microbiano en las comunidades

Alimentos fermentados: definiciones y características, impacto en la microbiota intestinal y efectos en la salud y las enfermedades gastrointestinales

Los alimentos fermentados se definen como alimentos o bebidas producidos mediante el crecimiento microbiano controlado y la conversión de los componentes de los alimentos mediante la acción enzimática. En los últimos años, los alimentos fermentados han experimentado un aumento en popularidad, principalmente debido a sus beneficios para la salud propuestos. El objetivo de esta revisión es definir y caracterizar los alimentos fermentados comunes (kéfir, kombucha, chucrut, tempeh, natto, miso, kimchi, pan de masa madre), sus mecanismos de acción (incluido el impacto en la microbiota) y la evidencia de efectos sobre salud y enfermedad gastrointestinal en humanos. Los mecanismos putativos para el impacto de los alimentos fermentados en la salud incluyen el efecto probiótico potencial de los microorganismos que los constituyen, la producción de péptidos bioactivos, aminas biogénicas derivadas de la fermentación y la conversión de compuestos fenólicos en compuestos biológicamente activos, así como la reducción de antiinflamatorios. nutrientes. Los alimentos fermentados que se probaron en al menos un ensayo controlado aleatorio (RCT) por sus efectos gastrointestinales fueron el kéfir, el chucrut, el natto y el pan de masa madre. A pesar de los extensos estudios in vitro, no hay ECA que investiguen el impacto de la kombucha, el miso, el kimchi o el tempeh en la salud gastrointestinal. El alimento fermentado más ampliamente investigado es el kéfir, con evidencia de al menos un ECA que sugiere efectos beneficiosos tanto en la malabsorción de lactosa como en la malabsorción. Helicobacter pylori erradicación. En resumen, existe evidencia clínica muy limitada de la efectividad de la mayoría de los alimentos fermentados en la salud y enfermedad gastrointestinal. Dados los convincentes hallazgos in vitro, se justifican los ensayos clínicos de alta calidad que investiguen los beneficios para la salud de los alimentos fermentados.


Efectos experimentales del calentamiento en la comunidad microbiana de un suelo forestal de montaña templada

Las comunidades microbianas del suelo median en la descomposición de la materia orgánica del suelo (MOS). La cantidad de carbono (C) que se respira deja el suelo como CO2 (respiración del suelo) y causa uno de los mayores flujos en el ciclo global del carbono. Sin embargo, no se comprende bien cómo responderán las comunidades microbianas del suelo al calentamiento global. Para dilucidar el efecto del calentamiento en la comunidad microbiana, analizamos el suelo del experimento de calentamiento del suelo Achenkirch, Austria. El suelo de un bosque de abetos maduros se calentó 4 ° C durante las temporadas sin nieve desde 2004. Se realizaron muestreos repetidos del suelo de las parcelas de control y templadas desde 2008 hasta 2010. Monitoreamos la biomasa microbiana C y nitrógeno (N). La composición de la comunidad microbiana se evaluó mediante análisis de ácidos grasos fosfolípidos (PLFA) y mediante reacción cuantitativa en cadena de la polimerasa en tiempo real (qPCR) de genes de ARN ribosómico. La actividad metabólica microbiana se estimó mediante la respiración del suelo a las proporciones de biomasa y las proporciones de ARN a ADN. El calentamiento del suelo no afectó la biomasa microbiana, ni el calentamiento afectó la abundancia de la mayoría de los grupos microbianos. El calentamiento mejoró significativamente la actividad metabólica microbiana en términos de respiración del suelo por cantidad de biomasa microbiana C. Los biomarcadores de estrés microbiano se elevaron en parcelas calentadas. En resumen, el aumento de 4 ° C en la temperatura del suelo durante la temporada sin nieve no tuvo influencia en la composición y biomasa de la comunidad microbiana, pero aumentó fuertemente la actividad metabólica microbiana y, por lo tanto, redujo la eficiencia del uso del carbono.

Reflejos

► Sin efectos de calentamiento en la biomasa microbiana C y N. ► Sin efectos de calentamiento en las principales comunidades microbianas. ► Incremento del biomarcador de estrés en suelos calentados. ► El calentamiento provocó un fuerte aumento de la actividad metabólica microbiana (respiración del suelo por biomasa).


6.11: 6. 11- Crecimiento microbiano en comunidades - Biología

Todos los artículos publicados por MDPI están disponibles inmediatamente en todo el mundo bajo una licencia de acceso abierto. No se requiere un permiso especial para reutilizar todo o parte del artículo publicado por MDPI, incluidas las figuras y tablas. Para los artículos publicados bajo una licencia Creative Common CC BY de acceso abierto, cualquier parte del artículo puede ser reutilizada sin permiso siempre que el artículo original esté claramente citado.

Los artículos de fondo representan la investigación más avanzada con un potencial significativo de alto impacto en el campo. Los artículos de fondo se envían por invitación individual o recomendación de los editores científicos y se someten a una revisión por pares antes de su publicación.

El artículo destacado puede ser un artículo de investigación original, un estudio de investigación novedoso y sustancial que a menudo implica varias técnicas o enfoques, o un artículo de revisión completo con actualizaciones concisas y precisas sobre los últimos avances en el campo que revisan sistemáticamente los avances científicos más interesantes. literatura. Este tipo de artículo ofrece una perspectiva sobre las futuras direcciones de la investigación o sus posibles aplicaciones.

Los artículos de Editor's Choice se basan en las recomendaciones de los editores científicos de las revistas de MDPI de todo el mundo. Los editores seleccionan una pequeña cantidad de artículos publicados recientemente en la revista que creen que serán particularmente interesantes para los autores o importantes en este campo. El objetivo es proporcionar una instantánea de algunos de los trabajos más interesantes publicados en las diversas áreas de investigación de la revista.


Resultados

El cultivo de una colección de microbios del suelo en un medio que contiene 1% de glucosa como principal fuente de carbono y 0,8% de urea como principal fuente de nitrógeno conduce a un cambio del pH inicial de casi todas las bacterias analizadas (norte = 119 para la identidad filogenética, consulte la figura S1) (figura 1a). El uno por ciento de glucosa se encuentra dentro del rango de carbohidratos en el suelo (0.1% [31] a 10% [32]), aunque los carbohidratos en el suelo a menudo son más complejos. Además, las densidades bacterianas que se alcanzan en los experimentos se encuentran dentro del rango que se puede encontrar en el suelo [33,34], y el suelo tiene una capacidad amortiguadora incluso ligeramente menor que nuestro medio (Fig. S2). El crecimiento microbiano modula el pH, pero también se sabe que el pH afecta fuertemente al crecimiento microbiano [25,27,35,36]. De esta forma, los microbios se retroalimentan sobre su propio crecimiento, pero también influyen en las condiciones de crecimiento de otras especies que pudieran estar presentes (Fig. 1b).

(a) Una colección de bacterias del suelo cultivadas en un medio que contiene urea y glucosa puede disminuir o aumentar el pH (inicialmente establecido en pH 7, línea discontinua). El suelo del que se aislaron los microbios tiene una capacidad amortiguadora similar a la del medio experimental (Fig. S2). Además, el cultivo de bacterias del suelo en medio Luria-Bertani provoca cambios de pH (Fig. S2). (b) Al cambiar el medio ambiente, las bacterias se influyen a sí mismas, pero también a otros microbios de la comunidad. (C) Lactobacillus plantarum y Pseudomonas veronii prefiero ácido, Corynebacterium ammoniagenes prefiere alcalino, y Serratia marcescens tiene una ligera preferencia por los ambientes alcalinos. Se muestra el crecimiento en pliegues en 24 h. Las bacterias se cultivaron en medio tamponado con pocos nutrientes para minimizar el cambio de pH durante el crecimiento (Materiales y métodos y Fig. S2). (d) Comenzando a pH 7, L. plantarum y S. marcescens disminuir y C. ammoniagenes y PAG. Veronii aumentar el pH. En (d) sólo se utilizaron pocos tampones, 10 g / L de glucosa y 8 g / L de urea como sustratos. (e) Los microbios pueden aumentar o disminuir el pH (el ambiente azul es alcalino y el ambiente rojo es ácido) y así producir un ambiente más o menos adecuado para ellos. Las bacterias azules prefieren y / o toleran las condiciones ácidas alcalinas y rojas. Las bacterias del suelo en (a) se aislaron del suelo local, mientras que las 4 especies en (c) a (e) se obtuvieron de una biblioteca de cepas (ver Materiales y métodos para más detalles). Los datos de esta figura se pueden encontrar en S1 Data. California, Corynebacterium ammoniagenes Lp, Lactobacillus plantarum PV, Pseudomonas veronii Sm Serratia marcescens.

Los microbios pueden reducir o aumentar el pH, lo que puede ser beneficioso o perjudicial para su propio crecimiento. Esto conduce a 4 combinaciones posibles (Fig. 1e), para las cuales identificamos una especie de ejemplo de cada una (Fig. 1b, 1c y 1d Materiales y métodos y las Figs. S2 y S3). Lactobacillus plantarum es una bacteria anaeróbica que produce ácido láctico como producto metabólico y, por lo tanto, reduce el pH, pero también prefiere valores de pH bajos [37]. Corynebacterium ammoniagenes produce la enzima ureasa que escinde la urea en amoníaco y, por lo tanto, aumenta el pH [38] al mismo tiempo, prefiere valores de pH más altos. Pseudomonas veronii también aumenta el pH del medio pero prefiere valores de pH bajos para el crecimiento. Finalmente, Serratia marcescens baja fuertemente el pH [39] pero tolera mejor valores de pH comparativamente más altos, con un leve óptimo alrededor de pH 8. Como era de esperar, la fuerza del cambio de pH depende de la cantidad de glucosa y urea (Fig. S2) y puede ser moderada por agregando tampón (S2 y S4 Figs). Un cambio de pH también puede ser primero bueno y luego malo para un microbio al cambiar primero el pH hacia el óptimo, pero luego seguir moviéndolo más allá de él (Fig. S2). Sin embargo, aquí nos enfocamos en los casos simples. Además, los niveles de oxígeno son modificados por las bacterias, pero no parecen tener una influencia importante en el sistema (Fig. S5). En resumen, encontramos que el crecimiento microbiano a menudo conduce a cambios dramáticos en el pH del ambiente, y este cambio de pH puede promover o inhibir el crecimiento bacteriano.

Cuando la modificación del pH es beneficiosa para las bacterias, hay una retroalimentación positiva sobre su crecimiento. Cuantas más bacterias haya, más fuertes pueden cambiar el medio ambiente y, por lo tanto, mejor lo hacen. En condiciones de pH adversas, puede ser necesaria una densidad celular suficientemente alta para sobrevivir, un efecto conocido como efecto Allee fuerte [40-42]. De hecho, observamos tal efecto: C. ammoniagenes promueve su propio crecimiento alcalinizando el medio ambiente, lo que lleva a una densidad celular inicial mínima requerida para la supervivencia en un cultivo por lotes diario con dilución (Fig. 2a). Agregar tampón (Fig. 2a, derecha, Fig. S2 y S4) o disminuir la concentración de nutrientes (Fig. S2 y S6) atenúa el cambio de pH y, por lo tanto, necesita una densidad bacteriana aún mayor para sobrevivir. Por lo tanto, los cambios en el pH podrían ser un mecanismo común de crecimiento cooperativo que conduce a un efecto Allee y un tamaño de población viable mínimo asociado.

Las curvas muestran la densidad bacteriana a lo largo del tiempo y el color muestra el pH. (a) C. ammoniagenes aumenta el pH y también prefiere estos valores de pH más altos, lo que lleva a una densidad celular viable mínima requerida para la supervivencia. Aumentar la concentración de tampón de 10 mM (- tampón) a 100 mM (+ tampón) fosfato hace que sea más difícil para C. ammoniagenes alcalinizar el medio ambiente y por lo tanto aumenta la densidad celular viable mínima. (B) PAG. Veronii también aumenta el pH pero prefiere valores de pH bajos. En efecto, PAG. Veronii Las poblaciones pueden cambiar el medio ambiente de manera tan drástica que hace que la población se extinga. La adición de tampón atenúa el cambio de pH y, por lo tanto, permite la supervivencia de PAG. Veronii. Un efecto Allee también se puede encontrar en L. plantarum y suicidio ecológico en S. marcescens (Figura S8). Tenga en cuenta que el tampón a menudo afecta ligeramente los valores finales de pH (Fig. S2), pero salva a la población al retrasar el cambio de pH (como se muestra en la Fig. S4 y se analiza con más detalle en [35]). La escala Linlog se utiliza para el eje y. Los datos de esta figura se pueden encontrar en S1 Data. California, Corynebacterium ammoniagenes CFU, unidad formadora de colonias Pv, Pseudomonas veronii.

Las bacterias también pueden cambiar el medio ambiente de una manera que se daña a sí mismas, por ejemplo, al alejar el pH del óptimo de crecimiento. En el caso más extremo, las bacterias pueden hacer que el medio ambiente sea tan perjudicial que se vuelva mortal para ellas, un efecto que llamamos suicidio ecológico. De hecho, encontramos que PAG. Veronii, que prefiere un pH más bajo, alcaliniza el medio y, por lo tanto, provoca su propia extinción (Fig. 2b). Nuevamente, agregar tampón (Fig. 2b, derecha) o reducir las concentraciones de nutrientes (Fig. S7) atenúa el cambio de pH y salva a la población. Por lo tanto, no es la condición inicial la que mata a las bacterias, sino la forma en que la población cambia el pH, que se subraya aún más mediante las mediciones de densidad óptica (DO) y siguiendo la unidad formadora de colonias (UFC) a lo largo del tiempo (Fig. S7). El efecto del suicidio ecológico se investiga con más detalle en un manuscrito separado [35].

Los microbios que modifican el medio ambiente no solo afectan su propio crecimiento sino también otras especies microbianas que pueden estar presentes. De esta manera, las modificaciones ambientales podrían impulsar interacciones entre especies. Anteriormente describimos (Fig 1) 4 formas diferentes en las que una sola especie puede cambiar el medio ambiente y, a su vez, verse afectada: bajando y aumentando el pH y afectando el crecimiento de forma positiva o negativa. En consecuencia, existen, en principio, 6 (4 eligen 2) combinaciones por pares de los 4 tipos en la Fig. 1d, sin embargo, 2 de ellas son casos simétricos entre sí, dejando 4 tipos de interacción únicos (Fig. S10). Hemos visto que el metabolismo microbiano puede determinar el destino de una población cambiando y reaccionando al pH. Por lo tanto, ¿podemos, de manera similar, comprender y tal vez incluso anticipar los posibles resultados de esas 4 interacciones basadas en las propiedades de una sola especie? Para explorar esta pregunta, capturamos los elementos esenciales de la interacción del pH en mono y cocultivo a través de un modelo de ecuación diferencial simple (ver S1 Text y S11 Fig).

Las densidades de bacterias na / b seguir un crecimiento logístico que satura la capacidad de carga K. Sin embargo, la tasa de crecimiento general también depende de la concentración de protones, y el crecimiento se vuelve máximo a una concentración de protones preferida, ppref. Para la dependencia del crecimiento de la concentración de protones, usamos una función gaussiana; sin embargo, las propiedades generales del sistema no dependen de la elección exacta de esta función (Texto S1). Cuanto más alejada esté la concentración de protones del óptimo de la especie, más lento crecen las bacterias y finalmente comienzan a morir, mientras que δ establece la tasa máxima de muerte. La concentración de protones p es modificada por las bacterias, de acuerdo con su densidad na / b y su fuerza para cambiar la concentración de protones ca / b, que se establece en +/− 0,1. La multiplicación por una función cuadrática asegura que la concentración de protones se mantenga dentro de [0, 2b], lo que tiene en cuenta que el pH entre el interior y el exterior de las bacterias solo se puede cambiar hasta que la diferencia en el potencial químico sea demasiado grande [43]. Los resultados del modelo deben considerarse cualitativos. El análisis de estabilidad de este modelo respalda los resultados de la simulación que se muestran en S1 Text. Agregar una dilución periódica puede afectar el resultado a tasas de dilución altas, pero no afecta cualitativamente los resultados a tasas de dilución suficientemente bajas (Fig. S13). Además, un modelo basado en lógica difusa, que no se basa en funciones definidas, conduce a resultados muy similares, los resultados son básicamente los mismos, pero la estabilización ocurre en un rango de parámetros más amplio (S1 Text y S14 y S15 Figs).

Para los casos de una sola especie de L. plantarum y C. ammoniagenes, este modelo naturalmente da un efecto Allee: se necesita una densidad bacteriana inicial mínima para sobrevivir dependiendo del valor de pH inicial (Fig. 3 y Fig. S11). Además, cuando las especies están cambiando el medio ambiente de una manera que es perjudicial para ellas (p. Ej., PAG. Veronii y S. marcescens), el modelo produce un suicidio ecológico en el que la población muere en todas las condiciones iniciales (Fig. 3 y Fig. S11). Por lo tanto, este modelo simple puede capturar los resultados medidos para una sola especie.

Se estableció un modelo simple basado en ecuaciones diferenciales para simular cualitativamente el crecimiento bacteriano (ver texto principal). La supervivencia de la especie al final de la simulación para diferentes valores de parámetros iniciales se representa como sigue. Una especie que se extinguió al final de la ejecución de la simulación o no creció en estas condiciones, fue superada por otra especie o se extinguió por un suicidio ecológico. Las dos filas superiores de paneles muestran el resultado de la simulación para una sola especie. La tercera fila de paneles muestra los resultados de los cocultivos, para los cuales las series de tiempo representativas de los diagramas de fase marcados por los círculos punteados se muestran en la fila inferior. La escala de "pH" va de bajo a alto, lo que corresponde a una "concentración de protones" de 10 a 0. σ se estableció en 4 y δ en 0,5. Ca / b se estableció en +/− 0.1, b en 5 y d como se describe en el Texto S1. (a) L. plantarum y C. ammoniagenes muestran biestabilidad en cocultivo dependiendo de la fracción inicial y el pH. (B) L. plantarum y S. marcescens muestran un crecimiento sucesivo a valores de pH iniciales altos, por lo que L. plantarum solo puede sobrevivir si el pH se redujo primero en S. marcescens. Tenga en cuenta que un alto porcentaje de S. marcescens en el panel de cocultivo (círculo punteado) significa bajo S. marcescens y alta L. plantarum en los paneles superiores. (c) Si PAG. Veronii reduce la concentración de protones lo suficiente, puede matarse a sí mismo y también L. plantarum, lo que resulta en un suicidio prolongado. La coexistencia a ratios iniciales bajos de PAG. Veronii es causado por la dinámica oscilatoria como se muestra en S12 Fig. (d) S. marcescens y PAG. Veronii pueden protegerse unos a otros del suicidio ecológico y coexistir, mientras que no pueden sobrevivir por sí mismos. El efecto de variar la fuerza de interacción y las condiciones iniciales se muestran en la Fig. S11. Usamos las palabras biestabilidad, crecimiento sucesivo, suicidio prolongado y estabilización simplemente para caracterizar los resultados de la interacción y no las "intenciones" de las bacterias. La escala Linlog se utiliza para el eje y. California, Corynebacterium ammoniagenes Lp, Lactobacillus plantarum PV, Pseudomonas veronii Sm Serratia marcescens.

A continuación, exploramos si el modelo puede proporcionar información sobre las interacciones de las dos especies. En particular, existe la cuestión de si un solo parámetro ambiental, el pH, es suficiente para predecir resultados no triviales de la competencia entre especies, descuidando todas las otras formas en las que interactúan las especies. En lo que sigue, nos enfocamos en los resultados predichos por el modelo que están marcados con círculos punteados en la Fig 3. Para probar si esos 4 resultados se pueden encontrar en los experimentos, los pares de interacción correspondientes se cultivaron con diluciones diarias tanto como especies individuales y en parejas en las condiciones sugeridas por el modelo (Fig. 4).

Se pueden encontrar cuatro tipos de interacción diferentes dependiendo de cómo actúen los cambios ambientales sobre los organismos mismos y entre sí. (a) L. plantarum y C. ammoniagenes producir biestabilidad. (B) S. marcescens y L. plantarum muestran un crecimiento sucesivo. (C) PAG. Veronii comete un suicidio prolongado en L. plantarum. (D) S. marcescens puede estabilizar PAG. Veronii cuando el medio está suficientemente amortiguado. Para obtener una descripción más detallada de los diferentes casos de interacciones, consulte el texto principal. La composición de los medios y los protocolos son ligeramente diferentes para los diferentes casos. Consulte Materiales y métodos para obtener más detalles. Usamos las palabras biestabilidad, crecimiento sucesivo, suicidio prolongado y estabilización simplemente para caracterizar los resultados de las interacciones y no las "intenciones" de las bacterias. La escala Linlog se utiliza para el eje y. Las bacterias se diluyeron cada 24 h en medio fresco con un factor de dilución de 1 / 100x (ayb) o 1 / 10x (cyd). Los datos de esta figura se pueden encontrar en S1 Data. California, Corynebacterium ammoniagenes CFU, unidad formadora de colonias Lp, Lactobacillus plantarum PV, Pseudomonas veronii Sm Serratia marcescens.

L. plantarum y C. ammoniagenes cada uno modifica el medio ambiente de una manera que es buena para sí misma pero mala para las otras especies. Dada esta "construcción de nicho antagonista", el modelo predice que el cocultivo puede producir biestabilidad, en la que solo una especie sobrevivirá, mientras que el ganador depende de la abundancia inicial de especies y el pH inicial (Fig. 3a). De acuerdo con esta predicción, experimentalmente encontramos biestabilidad en el cocultivo de L. plantarum y C. ammoniagenes, con las especies inicialmente abundantes provocando la extinción de las otras especies (Fig. 4a y Fig. S11). Como era de esperar, la eliminación de la glucosa y la urea del medio evita los cambios de pH y, por lo tanto, también elimina las fuerzas que conducen a la biestabilidad, lo que da como resultado la coexistencia entre las dos especies (Fig. S16). Por tanto, dos especies que intentan modificar el medio ambiente de formas incompatibles pueden conducir al fenómeno emergente de la biestabilidad.

L. plantarum no tolera valores altos de pH, mientras que S. marcescens puede crecer a un pH alto, pero posteriormente acidifica el medio ambiente y se mata a sí mismo (Figs. S8 y S11). Esto plantea la cuestión de si S. marcescens puede ayudar L. plantarum reduciendo un pH inicialmente alto, permitiendo así L. plantarum para sobrevivir. De hecho, nuestro modelo sugiere que es posible observar crecimientos sucesivos, en los que S. marcescens crece primero y reduce el pH, lo que permite L. plantarum sobrevivir a pesar del hecho de que el pH inicial hubiera sido letal para L. plantarum (Figura 3b y Figura S11). De hecho, podemos encontrar este motivo de interacción experimentalmente. A un pH inicialmente alto, L. plantarum solo puede sobrevivir si S. marcescens ayuda a modificar el medio ambiente (Fig. 4b). Sin embargo, al contrario de la simulación, S. marcescens solo no experimenta un suicidio ecológico en el experimento, probablemente porque el pH inicial alto previene S. marcescens por bajar el pH demasiado rápido. De hecho, a valores de pH iniciales más bajos, S. marcescens muestra el suicidio ecológico (Figs. S8 y S11). Agregar tampón o eliminar nutrientes causa solo una acidificación moderada y, por lo tanto, mata L. plantarum pero permite S. marcescens sobrevivir (S17 Fig). En sucesivos crecimientos, L. plantarum solo puede establecer el crecimiento después S. marcescens ha preparado el terreno para ello, un fenómeno bien entendido en ecología vegetal [44,45].

Anteriormente, consideramos el caso de una especie que ayuda transitoriamente a otra especie a sobrevivir, lo que plantea la pregunta de si también sería posible observar la situación opuesta, en la que la modificación del pH conduce al suicidio ecológico y mata al compañero de interacción con él. De hecho, nuestro modelo predice que este "suicidio prolongado" podría estar presente para el L. plantarum/PAG. Veronii emparejar en una amplia gama de densidades celulares y valores de pH iniciales (Fig. 3c). Para explorar esta predicción de nuestro modelo de forma experimental, utilizamos PAG. Veronii, que comete un suicidio ecológico a través de la alcalinización (Figura 2b), junto con L. plantarum, que muere en condiciones alcalinas (Fig. 2a). Una vez más, en consonancia con las predicciones de nuestro modelo simple, observamos con éxito un suicidio tan prolongado, en el que la extrema alcalinización de los medios por PAG. Veronii condujo a la muerte de ambos PAG. Veronii y L. plantarum (Figura 4c). La adición de tampón templa esta alcalinización lo suficiente para detener PAG. Veronii del suicidio, pero aún le permite competir L. plantarum (Figura S18). Sin embargo, si L. plantarum fueron más eficaces para acidificar los medios, entonces la coexistencia podría haber sido posible (Fig. S11). Por tanto, encontramos que el suicidio ecológico también puede tener un impacto negativo en otras especies presentes.

Finalmente, el modelo sugiere que es posible que 2 especies se ayuden mutuamente a evitar el suicidio ecológico (Fig. 3d). Esto correspondería a un mutualismo obligatorio, en el que los cambios de pH opuestos se anulan entre sí y por tanto permiten la coexistencia estable de las 2 especies en un entorno en el que ninguna de las dos podría sobrevivir por sí sola. Sin embargo, esta estabilización solo se observa en el modelo en un rango de parámetros bastante pequeño, lo que sugiere que encontrarlo experimentalmente puede ser difícil. De hecho, experimentalmente, no pudimos encontrar condiciones en las que PAG. Veronii y S. marcescens forman la forma más extrema de estabilización, en la que cada especie por sí sola resulta en un suicidio ecológico pero juntas sobreviven. Sin embargo, observamos una situación en la que PAG. Veronii solo causa un suicidio ecológico todavía S. marcescens puede estabilizar el pH y permitir que ambas especies sobrevivan y coexistan (Fig. 4d ver Materiales y métodos para más detalles). Las especies que se dañan a sí mismas a través de sus modificaciones ambientales pueden, por lo tanto, beneficiarse de otras especies en el medio ambiente.


El impacto de la biología sintética para la agricultura y la nutrición del futuro

Vías metabólicas sintéticas para mejorar la eficiencia del carbono vegetal.

Reducir el uso de fertilizantes sintéticos en la agricultura optimizando la utilización de nitrógeno y fósforo de las plantas.

Estrategias de ingeniería para mejorar el valor nutricional de las plantas de cultivo.

Aprovechar el poder de los organismos fotoautótrofos como plataformas de producción a gran escala.

La producción mundial de alimentos debe aumentarse en un 70% para satisfacer la demanda en 2050. Las prácticas agrícolas actuales no pueden hacer frente a este ritmo y, además, no son ecológicamente sostenibles. Se requieren soluciones innovadoras para aumentar la productividad y la calidad nutricional. El campo interdisciplinario de la biología sintética implementa principios de ingeniería en sistemas biológicos y actualmente revoluciona la investigación fundamental y aplicada. Revisamos el espectro diverso de aplicaciones de biología sintética que comenzaron a afectar el crecimiento y la calidad de las plantas. Nos centramos en los últimos avances para las vías de conservación de carbono sintético in vitro y en planta para mejorar el rendimiento de los cultivos. Destacamos estrategias que mejoran el uso de nutrientes de las plantas y simultáneamente reducen la demanda de fertilizantes, ejemplificadas con la ingeniería de fijación de nitrógeno en cultivos o de sistemas sintéticos de microbiota vegetal. Finalmente, abordamos enfoques de ingeniería para aumentar el valor nutricional de los cultivos, así como el uso de organismos fotoautótrofos como fábricas autónomas para la producción de biofarmacéuticos y otros compuestos de interés comercial.


Avances en los sistemas de transporte de electrones bacterianos y su regulación

3.4 Transferencia de electrones a través de la membrana externa de bacterias gramnegativas

La investigación actual ha identificado dos sistemas separados por los cuales los electrones pueden pasar a través de la membrana externa de las bacterias Gram-negativas. El primero, el complejo porina-citocromo MtrAB, representa el mejor caracterizado de los conductos de transferencia de electrones, con complejos representativos identificados a partir del reductor de hierro. Shewanella, Geobacter y oxidante de hierro litotrófico Sideroxydans y Gallionella. Parece una característica clave de la respiración mediante la transferencia de electrones hacia y desde el hierro en condiciones en las que se desarrollan óxidos de hierro y es importante cuando se trata de óxidos metálicos insolubles. El segundo sistema es el sistema Cyc2 de porina-citocromo fusionado que es común entre los microorganismos que utilizan Fe (II) soluble extracelular, como A. ferrooxidans, este sistema mucho más simple se usa en condiciones ácidas cuando es poco probable que se desarrollen óxidos de hierro insolubles. También hay superposición dentro de estos sistemas, S. lithotrophicus contiene homólogos tanto del complejo de porina-citocromo MtrAB como del porina-citocromo fusionado Cyc2, mientras que ciertas cepas de Geobacter contienen homólogos de MtrAB, Cyc2 y también generan pili conductores. No se sabe si estos sistemas tienen una funcionalidad superpuesta o quizás trabajan juntos para crear una vía metabólica del hierro eficiente.

A pesar de la observación de estas vías conservadas para la transferencia de electrones de la membrana externa, también hay varios organismos que tienen, hasta el momento, mecanismos desconocidos para la transferencia de electrones a través de sus membranas externas. Por ejemplo, Rhodobacter ferrooxidans no contiene los genes de los citocromos de la porina en sus membranas externas y, sin embargo, puede oxidar el metal de la superficie celular en condiciones neutrofílicas (Hegler, Posth, Jiang y Kappler, 2008 Saraiva et al., 2012) (Fig. 2).


Descripciones generales

Darwin En el origen de las especies contiene mucho sobre competencia, generalmente competencia entre especies que operan como la fuerza de la selección natural. Hay mucho sobre plantas y ecología vegetal en el trabajo de Darwin. Por supuesto, Darwin estuvo muy influenciado por el economista inglés Thomas Malthus, quien escribió sobre los recursos y el crecimiento de la población, incluido el famoso Ensayo sobre el principio de población. La primera obra importante del siglo XX en esta área fue Weaver y Clements 1938, un volumen con una gran cantidad de experimentos de competencia. Quizás se pasa por alto el libro debido a su extensa discusión sobre la sucesión, así como a los muchos términos nuevos introducidos bajo este tema (se recomienda intentar leer el libro como un tratado sobre competencia, saltándose las otras partes). La competencia también se incluyó incluso dentro de los modelos ecológicos más básicos, como la ecuación logística, que condujo a los modelos Lotka-Volterra para la competencia, bien descritos en MacArthur 1972. El libro de MacArthur también explora cómo las especies pueden escapar de la competencia mediante el uso de diferentes recursos ( “Partición de recursos”), aunque persiste el desacuerdo sobre la aplicación de este concepto a las plantas, que comparten un conjunto común de recursos. Harper 1977 puede considerarse muy influyente para volver a centrar la atención en las poblaciones de plantas y los ciclos de vida de las plantas. Este libro resume una gran cantidad de estudios sobre poblaciones de plantas, incluidos estudios en agricultura y silvicultura. El énfasis en las poblaciones y los sistemas agrícolas fue desafiado en la década de 1970 por Grime, quien enfatizó que los hábitats naturales que carecen de recursos clave (hábitats “estresados”) son muy diferentes de los sitios relativamente fértiles favorecidos por los investigadores agrícolas (Grime 2001). Grime introdujo el modelo CSR, que relaciona las estrategias de la planta (competidora, tolerante al estrés, ruderal) con dos gradientes básicos: estrés y perturbación. La primera edición de este libro en 1979 fue un trabajo histórico, que desvió la atención de las poblaciones y volvió a los rasgos de las plantas y los gradientes ambientales. El papel de los recursos aéreos y subterráneos se explora en Tilman 1982, lo que sugiere que muchas plantas pueden coexistir explotando diferentes proporciones de recursos superficiales y subterráneos, particularmente luz y nitrógeno. Este modelo de proporción de recursos puede ser más útil que el modelo Lotka-Volterra para plantas. Para 1990 se había pensado mucho más sobre cómo explorar mejor la competencia entre plantas. Algunos de los desafíos están ilustrados por la variedad de puntos de vista, ideas y conjuntos de datos en Grace y Tilman 1990. Como señaló un árbitro, el libro muestra principalmente que poco acuerdo había sobre la palabra competencia es decir, cómo se debe medir y cómo se deben interpretar incluso los diseños experimentales comunes. Keddy 2001 enfatiza que parte de la confusión fue el resultado de la existencia de muchos componentes diferentes de la competencia: intraespecíficos / interespecíficos, simétricos / asimétricos y difusos / monopolísticos, por nombrar sólo tres. Por supuesto, la competencia es solo uno de los muchos factores que afectan a las comunidades de plantas: Keddy 2017 proporciona una introducción más corta a la competencia de plantas anidada entre los otros factores causales que controlan la composición en las comunidades de plantas.

Grace, James B. y David Tilman, eds. 1990. Perspectivas sobre la competencia vegetal. San Diego, CA: Academic Press.

Es instructivo leer el libro como una instantánea histórica. Weaver y Clements, por ejemplo, se olvidan en gran medida. Grime está comenzando a desafiar el status quo, pero no aparece como un contribuyente. También es útil comparar y contrastar las definiciones de competencia y las fuentes de evidencia utilizadas en cada capítulo.

Grime, J. Philip. 2001. Estrategias de las plantas, procesos de la vegetación y propiedades de los ecosistemas.. 2d ed. Chichester, Reino Unido: John Wiley.

Una primera edición de este libro (1979) desafió a los ecologistas a considerar los mecanismos de competencia de las plantas en diferentes ambientes. Las plantas deben invertir recursos y forrajes para obtener recursos, y esto tiene consecuencias que van desde los rasgos de la planta hasta las propiedades del ecosistema.

Harper, John L. 1977. Biología poblacional de plantas. Londres: Academic Press.

Los capítulos 6–11 son una lectura obligada para alguien que planea estudiar las poblaciones de plantas y la competencia. La mayoría de los otros capítulos también son relevantes, ya que la competencia puede ocurrir en diferentes etapas de la historia de la vida.

Keddy, Paul A. 2001. Competencia. 2d ed. Dordrecht, Países Bajos: Kluwer.

Los capítulos 1 y 2 presentan los tipos de competencia que se miden mediante diferentes tipos de experimentos. El libro fue publicado originalmente en 1989 por Chapman y Hall, y se agregaron muchos más ejemplos a esta segunda edición. El Capítulo 9 presenta muchos modelos, incluidos los de Skellam y Pielou, para la competencia entre parches y a lo largo de gradientes, respectivamente. Los capítulos 1 y 9 están disponibles en línea del autor.

Keddy, Paul A. 2017. Ecología vegetal: orígenes, procesos, consecuencias. Cambridge, Reino Unido: Cambridge Univ. Presionar.

El Capítulo 4, “Competencia” (págs. 123-162), proporciona una visión general contemporánea de la competencia de las plantas, dentro del contexto de otras fuerzas en las comunidades de plantas, como los recursos, la herbivoría y el mutualismo. Incluye dos importantes modelos antiguos de competición de plantas de Skellam y Pielou.

MacArthur, Robert H. 1972. Ecología geográfica: patrones en la distribución de especies. Nueva York: Harper & amp Row.

Este libro comienza con problemas generales que afectan la distribución de plantas y animales. Tiene una descripción lúcida del modelo de dos especies Lotka-Volterra.

Tilman, David. mil novecientos ochenta y dos. Competencia de recursos y estructura comunitaria. Princeton, Nueva Jersey: Universidad de Princeton. Presionar.

Las plantas pueden usar diferentes proporciones de recursos aéreos y subterráneos, y una consideración crítica son los niveles más bajos a los que se pueden reducir esos recursos, denominados r *. La visión más simple es que las plantas a menudo dividen los gradientes a lo largo de proporciones de luz a nitrógeno.

Weaver, John E. y Frederic E. Clements. 1938. Ecología vegetal. 2d ed. Nueva York: McGraw-Hill.

Un clásico que todo ecologista vegetal debería poseer y leer antes de planificar su propio trabajo. Inexpensive copies of this book can still be found second-hand. For the study of competition, it is best to ignore the other main theme of this book, succession, which is an entirely different topic (see also the Oxford Bibliographies entry on Succession). This book also introduces the use of phytometers that is, using an easily grown species to compare habitats from a plant’s perspective.

Los usuarios sin una suscripción no pueden ver el contenido completo en esta página. Suscríbete o inicia sesión.


Información del autor

These authors contributed equally: Sonja Blasche, Yongkyu Kim.

Afiliaciones

European Molecular Biology Laboratory, Heidelberg, Germany

Sonja Blasche, Yongkyu Kim, Daniel Machado, Eleni Kafkia, Alessio Milanese, Georg Zeller, Vladimir Benes & Kiran Raosaheb Patil

Institute of Molecular Systems Biology, ETH Zurich, Zurich, Switzerland

Ruben A. T. Mars & Uwe Sauer

Chr. Hansen A/S, Horsholm, Denmark

Maria Maansson & Rute Neves

The Medical Research Council Toxicology Unit, University of Cambridge, Cambridge, UK

Eleni Kafkia & Kiran Raosaheb Patil

Vrije Universiteit Amsterdam, Amsterdam, the Netherlands

Chalmers University of Technology, Gothenburg, Sweden

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Contribuciones

S.B. y Y.K. conceived the project, designed and performed the experiments, analysed the data and wrote the paper. R.A.T.M. performed the untargeted metabolomics experiments and data analysis, as well as the quantitative analysis of aspartate and proline. E.K. and M.M. performed the GC–MS and ion chromatography analysis. V.B. contributed to the amplicon, metagenome and messenger RNA sequencing. J.N. and B.T. contributed to the experimental design. R.N. oversaw the targeted metabolomics analysis. D.M. contributed to the amino acid profile analysis and interpretation. A.M., D.M. and G.Z. analysed the RNA-seq data. U.S. oversaw the exo-metabolome analysis. K.R.P. conceived the project, designed the experimental approach, oversaw the project and wrote the paper.

Autor correspondiente


Mathematical modelling of microbes: metabolism, gene expression and growth

The growth of microorganisms involves the conversion of nutrients in the environment into biomass, mostly proteins and other macromolecules. This conversion is accomplished by networks of biochemical reactions cutting across cellular functions, such as metabolism, gene expression, transport and signalling. Mathematical modelling is a powerful tool for gaining an understanding of the functioning of this large and complex system and the role played by individual constituents and mechanisms. This requires models of microbial growth that provide an integrated view of the reaction networks and bridge the scale from individual reactions to the growth of a population. In this review, we derive a general framework for the kinetic modelling of microbial growth from basic hypotheses about the underlying reaction systems. Moreover, we show that several families of approximate models presented in the literature, notably flux balance models and coarse-grained whole-cell models, can be derived with the help of additional simplifying hypotheses. This perspective clearly brings out how apparently quite different modelling approaches are related on a deeper level, and suggests directions for further research.

1. Introducción

Bacterial growth curves have exerted much fascination on microbiologists, as eloquently summarized by Frederick Neidhardt in his short commentary ‘Bacterial growth: constant obsession with dnorte/Dt’ published almost 20 years ago [1]. When supplied with a defined mixture of salts, sugar, vitamins and trace elements, a population of bacterial cells contained in liquid medium is capable of growing and replicating at a constant rate in a highly reproducible manner. This observed regularity raises fundamental questions about the organization of the cellular processes converting nutrients into biomass.

Work in microbial physiology has resulted in quantitative measurements of a variety of variables related to the cellular processes underlying growth. These measurements have usually been carried out during steady-state exponential or balanced growth, that is a state in which all cellular components as well as the total volume of the population have the same constant doubling time, implying that the concentrations of the cellular components remain constant [2]. The measurements have enabled the formulation of empirical regularities, also called growth laws [3], relating the macromolecular composition of the cell to the growth rate [4,5]. A classical example is the linear relation between the growth rate and the fraction of ribosomal versus total protein, a proxy for the ribosome concentration, over a large range of growth rates [6–9]. The reported regularities between the growth rate and the macromolecular composition of the cell are empirical correlations and should not be mistaken as representing a causal determination of cellular composition by the growth rate [6,10]. In fact, it has been shown that, for certain combinations of media, the same growth rate of E. coli may correspond to different ribosome concentrations [6].

To unravel causal relations, it is necessary to go beyond correlations and consider the biochemical processes underlying microbial growth. These processes notably include the enzyme-catalysed transformation of substrates into precursor metabolites, the conversion of these precursors into macromolecules by the gene expression machinery, the replication of the cell when its macromolecular content has attained a critical mass and the regulatory mechanisms on different levels controlling these processes [11–14]. Moreover, for identifying causality, a dynamic perspective on microbial growth focusing on transitions between different states of balanced growth, and the time ordering of events during the transitions, is more informative than considering a population at steady state [10]. Whereas most measurements have been obtained under conditions of balanced growth, in which experiments are easier to control and reproduce, data on transitions from one state of balanced growth to another are also available in the literature (reviewed in [4]). One classical example is the measurements of the temporal ordering at which RNA, protein and DNA attain their new steady-state concentrations after a nutrient upshift [5,15]. Recent experimental technologies, allowing gene expression and metabolism to be monitored in real time, have opened new perspectives for studying the dynamics of bacterial growth on the molecular level [16,17].

The large and complex networks of biochemical reactions enabling microbial growth have been mapped in great detail over the past decades and, for some model organisms, much of this information is available in structured and curated databases [18,19]. While a huge amount of knowledge has thus accumulated, a clear understanding of the precise role played by individual constituents and mechanisms in the functioning of the system as a whole has remained elusive. For example, it is well known that in the enterobacterium E. coli the concentration of the second messenger cAMP increases when glycolytic fluxes decrease, leading to the activation of the pleiotropic transcription factor Crp. However, the precise role of this mechanism in the sequential utilization of different carbon sources by E. coli remains controversial [20,21].

Mathematical models have great potential for dissecting the functioning of biochemical reaction networks underlying microbial growth [22–24]. To be useful, they need to satisfy two criteria. First, they should not be restricted to subsystems of the cell, but provide an integrated view of the reaction networks, including transport of nutrients from the environment, metabolism and gene expression. In particular, they should account for the strong coupling between these functions: enzymes are necessary for the functioning of metabolism, while the metabolites thus produced are precursors for enzyme synthesis. In the words of Henrik Kacser, one of the pioneers of metabolic control analysis, ‘to understand the whole, you must look at the whole’ [25]. Second, models of microbial growth should be multilevel in the sense of expressing the growth of a population in terms of the functioning of the biochemical reaction networks inside the cells. Growth amounts to the accumulation of biomass, that is proteins, RNA, DNA, lipids and other cellular components produced in well-defined proportions from nutrients flowing into the cells. The two criteria amount to the requirement that models should capture the autocatalytic nature of microbial growth, the production of daughter cells from growth and division of mother cells.

Precursors of such integrated, multilevel models are the simple autocatalytic models of Hinshelwood, capable of displaying steady-state exponential growth and a variety of responses to perturbations reminiscent of the adaptive behaviour of bacteria [26]. Another early example is the coarse-grained model of a growing and dividing E. coli cell [27], which has evolved over the years into a model of a hypothetical bacterial cell with the minimal number of genes necessary for growing and dividing in an optimal environment [28]. In addition, we mention so-called cybernetic models describing growth of microbial cells on multiple substrates [29–31], and the E-CELL computer environment for whole-cell simulation [32]. In recent years, integrated, multilevel models of the cell have received renewed attention with the landmark achievement of a model describing all individual cellular constituents and reactions of the life cycle of the human pathogens Mycoplasma genitalium [33] and other genome-scale models of bacteria [34]. In addition, several coarse-grained models describing the relation between the macromolecular composition of microorganisms and their growth rate have been published [24,35–39].

At first sight, the above-mentioned models of microbial growth are quite diverse, in the sense that they have a different scope and granularity, make different simplifications, use different approaches to obtain predictions from the model structure and originate in different fields (microbiology, theoretical biology, biophysics and biotechnology). The aim of this review is, first, to show how a general framework for the kinetic modelling of microbial growth, including an analytical expression for the growth rate, can be mathematically derived from few basic hypotheses. Second, we show how additional simplifying assumptions lead to approximate kinetic models that do not require the biochemical reaction networks to be specified in full. The resulting models exemplify two widespread modelling approaches, flux balance analysis (FBA) and coarse-grained whole-cell modelling. The discussion of the different hypotheses and assumptions, including those related to the measurement units employed, which are often not explicit and/or buried in the (older) literature, reveals how the models are related on a deeper level. This will be instrumental for identifying their respective strengths and weaknesses as well as for indicating new directions in the study of the biochemical reaction networks underlying microbial growth.

2. Growth of microbial populations

An obvious view on microbial growth starts by considering the individual cells in a growing population (figure 1a). We denote by norte(t) the number of cells at time t (h). Individual cells in a temporal snapshot of the population have different sizes, as they are in different stages between birth and division. Moreover, cell sizes at birth and division are different [40–42]. As a consequence, the size of the cells in a population at time t is best described by a statistical distribution. This distribution may change over time and with the experimental conditions. For instance, in conditions supporting a higher growth rate, the average size of the cell in the population is larger [6,43]. Several models of the cell size distribution and its dependence on the experimental conditions have been proposed, based on different hypotheses about the criterion determining when a cell divides (reviewed in [42,44]). When the size distribution is known at every time t, the number of cells in a growing population can be directly used to estimate the volume of the population.

Figura 1. (a) Population of norte growing cells with different sizes. (B) Volume Vol of a growing population of cells. (C) Total mass CI and concentration CI of molecular constituents I in a population with volume Vol (each constituent is indicated by a different colour).

In what follows, however, we will adopt another point of view and ignore the individual cells making up a population. Instead, we directly quantify the growing population in terms of its expanding volume Vol (l) (figure 1B), that is, the sum of the volumes of the cells in the population. This aggregate description is appropriate when one is interested in concentrations of molecular constituents on the population level rather than in individual cells, as in the kinetic models developed below. Moreover, it corresponds to most data available in the experimental literature, obtained by pooling the contents of all cells in a (sample of the) population.

We model the growth of a population of microorganisms by means of a deterministic ordinary differential equation (ODE):

The growth rate as defined by equation (2.1) is sometimes also called specific growth rate, in order to indicate that it concerns the increase in population volume per unit of population volume ( ), instead of the absolute increase in population volume ( ). In what follows, we will drop the qualifier ‘specific’. The growth rate definition of equation (2.1) should be distinguished from another definition of the growth rate as 1/t1/2, that is, the number of doublings of the population volume per time unit. While the two definitions result in a quantity with the same unit, they do not mean the same thing and differ by a factor of ln2 [4]. Below, we use the growth rate definition of equation (2.1).

Models that do not distinguish individual cells but lump them into an aggregate volume have been called non-segregated as opposed to segregated models that do make this distinction [45–47]. If the population is composed of cells with the same growth rate, not much is lost by ignoring individual cells and using the population-level description of equation (2.1) (see the electronic supplementary material). There are situations, however, in which this assumption is not appropriate and in which essential features of the growth kinetics are shaped by the heterogeneity of the population [48–51]. For example, it was recently proposed that the lag observed in diauxic growth of E. coli on a glycolytic and gluconeogenic carbon source (e.g. glucose and acetate) is due to the responsive diversification of the population into two subpopulations upon the depletion of the (preferred) glycolytic carbon source and that only one of these subpopulations continues growth on the gluconeogenic carbon source [49]. Non-segregated models are obviously not suitable for describing such phenomena and models describing the dynamics of the distribution of individual cells in a population or of subpopulations need to be used instead.

3. Volume and macromolecular content of cells

The model of equation (2.1) is unstructured in the sense that it does not take into account the biochemical processes enabling cells to grow. By contrast, so-called structured models [45–47] explicitly describe molecular constituents of the cell and the biochemical reactions in which they are involved. Let CI (g) be the (dry) mass of molecular constituent I contained in volume Vol (figure 1C). A common assumption supported by experimental data ([52] and references therein) is that the volume of the population is proportional to the biomass, that is, the total mass of the molecular constituents of the cells:

Consistent with the decision above to consider the population as a non-segregated volume, we define the concentration CI (g) of each molecular constituent I in a population as

An immediate consequence of the above definition is the following relation:

The dynamics of each molecular constituent I are modelled by means of an ODE, obtained from equations (2.1) and (3.3):

The growth rate itself is directly connected to the concentrations of the molecular constituents, because

Therefore, while it makes sense for a specific constituent I to dilute out when it is not produced, no growth dilution occurs if the mass of all molecular constituents remains constant ( for all I). In the latter case, it follows from equation (3.6) that the growth rate is 0 by definition.

It is increasingly realized that growth dilution may have important physiological consequences [52,58,59] and therefore cannot be neglected in mathematical models of cellular processes. In particular, the interaction of a synthetic circuit with the growth physiology of the cell, and the changes in the growth rate this entails, may have an unexpected nonlinear feedback on the dilution of transcription factors and thus on the functioning of the circuit. This was illustrated by a synthetic circuit in E. coli in which the alternative T7 RNA polymerase regulates itself and a fluorescent protein. Expression of the fluorescent protein causes a metabolic burden, impairing growth and thus growth dilution of T7 RNA polymerase. The resulting positive feedback was shown to lead to two different phenotypes: growth and growth arrest [59].

An important special case of microbial growth occurs when the growth rate and the concentrations of the individual molecular constituents are constant over time, that is, μ = μ* and CI = C*I, para todos I. De CI = CI/Vol = C*I it follows that a doubling of the volume Vol of the population is accompanied by a doubling of the mass CI of each molecular constituent, which explains why this situation of steady-state exponential growth is also referred to as balanced growth [2,60].

4. Biochemical reactions underlying microbial growth

The molecular constituents of the cell are continually produced and consumed by biochemical reactions. Many of these reactions are enzyme-catalysed, such as the metabolic reactions involved in the conversion of nutrients from the environment into building blocks for macromolecules (amino acids, nucleotides) and energy carriers (ATP, NADH). The building blocks and energy are consumed in large part by the transcription and translation reactions producing macromolecules. The metabolic reactions together form the metabolic network of the cell [14,61].

The term in equation (3.5) represents the net effect of the biochemical reactions on the concentration of molecular constituent I, separate from growth dilution. Usually, for intracellular reactions, the quantities of molecular constituents are expressed in molar rather than mass units. Hence, we introduce XI = CI/αI, con XI (mol) the molar quantity of constituent I y αI (g mol −1 ) the molar mass of I. The reason for this change in units is that kinetic models of biochemical reactions are based on the physical encounters of molecules in the cell [62,63], which is best expressed in terms of molar quantities. With this unit conversion, and XI = XI/Vol, equation (3.5) becomes

With the help of the above concepts, the effect of the biochemical reactions on the concentrations of molecular constituents can be rewritten as

As a consequence of the conversion of CI para XI and the introduction of reaction stoichiometries, the growth rate becomes,

Combining all of the above, we obtain the following model for a growing microbial population:

We emphasize that the explicit expression for μ in equation (4.6) is not an ad hoc definition, but mechanically follows from the basic modelling assumptions underlying the stoichiometry model of equation (4.5), notably the assumption of constant biomass density. Figura 2a schematically projects the reaction network on a growing microbial population.

Figure 2. (a) Population of cells with volume Vol growing at a rate μ, described by the model of equations (4.5) and (4.6). The reactions fuelling growth involve intracellular constituents with concentrations X. The dots represent the molecular constituents and the arrows biochemical reactions. (B) Idem, but extended with a bioreactor environment from which the cells take up nutrients and into which they excrete by-products (with concentrations y). This extended system is described by equations (5.4)–(5.7). The boundary of the environment is schematized by the pink rectangle.

Textbooks on the modelling of biochemical reaction systems detail the different rate laws that specify how the reaction rates vj depend on the concentrations X [62,64]. A common choice, relying on first principles, is to assume mass–action kinetics for the reactions, based on the random encounter of molecules in a well-mixed volume [62,63]. In many situations, however, it is more convenient to lump individual reactions into aggregate reactions that are described by approximate rate laws such as (reversible and irreversible) Henri–Michaelis–Menten kinetics, Monod–Wyman–Changeux kinetics, Hill kinetics, etc. [62,64]. The Henri–Michaelis–Menten rate law for an irreversible, enzyme-catalysed reaction with substrate concentration X and enzyme concentration mi reads: , with , where kgato (min −1 ) is the so-called catalytic constant of the enzyme, quantifying the maximum number of substrate molecules converted per enzyme per minute. This expression, and many other approximate kinetic rate laws, can be derived from mass–action kinetics when making appropriate assumptions on the time scale of the rate of the elementary reaction steps. In the case of the Henri–Michaelis–Menten rate law, this concerns the association/dissociation of enzyme and substrate and the formation of the product [65,66].

5. Growth in a changing environment

Some of the reactions changing the molecular constituents of the cell correspond to exchanges with the environment, that is the uptake of substrates and the excretion of products. The environment is not explicitly modelled by equations (4.5) and (4.6) and the entries in v corresponding to the rates of these exchange reactions are therefore treated as external inputs. For many purposes, however, it is more appropriate to extend the model and include a (simple) representation of the environment. In what follows, we equate the environment with a bioreactor filled by a liquid medium of fixed volume containing the growing population of microorganisms as well as external substrates and products. The substrate and product concentrations in the medium are denoted by the vector y. Usually, external concentrations are expressed in terms of units g l −1 , that is mass in a fixed volume of medium.

The dynamics of the substrate and product concentrations in the medium can be described by the following differential equation:

The above considerations lead to the following extended model, taking into account the dynamics of exchanges with the environment (figure 2B):


Ver el vídeo: CRECIMIENTO BACTERIANO-MICROBIOLOGIA (Julio 2022).


Comentarios:

  1. Joop

    Que palabras tan correctas... la idea fenomenal, excelente

  2. Domingo

    Wacker, me parece una idea brillante

  3. Dan

    Creo que está equivocado. Estoy seguro. Puedo demostrarlo. Escríbeme en PM.

  4. Tubar

    Estoy de acuerdo, este excelente pensamiento, por cierto, cae

  5. Harlan

    Bravo, una oración ..., gran idea

  6. Renneil

    En absoluto no está presente.



Escribe un mensaje