MARC

 008250123s2024        us                              c    eng  d
■001000017160908
■00520250211151134
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383219522
■035    ▼a(MiAaPQ)AAI31148064
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a576
■1001  ▼aCarr,  Alex.
■24510▼aSystems  Approaches  to  Infer  Microbial  Community  Interactions  and  Their  Impacts  on  Ecosystem  Function
■260    ▼a[Sl]▼bUniversity  of  Washington▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a133  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Baliga,  Nitin.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2024.
■520    ▼aMicrobes  and  the  communities  they  form  play  critical  roles  in  ecosystem  function,  from  facilitating  the  biogeochemical  cycling  of  essential  nutrients,  such  as  carbon,  nitrogen,  and  sulfur,  to  acting  as  the  foundation  of  complex  food  webs.  Microbes  also  play  important  roles  as  eukaryotic  symbionts,  where  they  can  have  profound  effects  on  host  fitness.  Thus,  understanding  how  microbial  community  interactions  and  environmental  context  shape  the  functional  capabilities  of  microbiomes  is  of  vital  importance  if  we  want  to  engineer  these  systems  to  address  challenges  in  human  health  and  the  health  of  natural  ecosystems.  Here,  I  show  how  systems  approaches  can  be  leveraged  to  overcome  the  inherent  limitations  of  inferring  microbial  community  interactions  directly  from  correlation  structure,  which  has  been  the  standard  approach  in  the  microbiome  field.  Specifically,  I  highlight  how  multi-omic  characterization,  MCMMs,  and  synthetic  communities  (SynComs)  can  be  leveraged  to  better  understand  niche  competition  between  nitrate-reducing  bacteria  and  sulfate-reducing  bacteria  in  oxygen-depleted  ecosystems,  the  importance  of  pathway  partitioning  in  nitrate-reducing  communities,  and  the  role  of  nitrate-reducing  communities  in  nitrous  oxide  emissions.  I  also  highlight  how  microbial  community-scale  metabolic  models  (MCMMs)  can  be  leveraged  to  predict  Clostridioides  difficile  (C.  difficile)  colonization  in  the  human  gut  microbiome,  provide  mechanistic  insights  into  the  niche  of  C.  difficile  across  different  community  contexts,  and  assess  probiotic  interventions  designed  to  inhibit  C.  difficile  growth.
■590    ▼aSchool  code:  0250.
■650  4▼aMicrobiology
■650  4▼aEcology
■650  4▼aSystematic  biology
■650  4▼aEnvironmental  science
■650  4▼aAnalytical  chemistry
■653    ▼aDenitrification
■653    ▼aHuman  gut  microbiome
■653    ▼aMetabolic  modeling
■653    ▼aMicrobial  ecology
■653    ▼aSynthetic  communities
■690    ▼a0410
■690    ▼a0329
■690    ▼a0423
■690    ▼a0486
■690    ▼a0768
■71020▼aUniversity  of  Washington▼bMolecular  Engineering  and  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160908▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books