Emerging infectious diseases are increasingly recognized as a significant threat to global biodiversity conservation. Elucidating the relationship between pathogens and the host microbiome could lead to novel approaches for mitigating disease impacts. Pathogens can alter the host microbiome by inducing dysbiosis, an ecological state characterized by a reduction in bacterial alpha diversity, an increase in pathobionts, or a shift in beta diversity. We used the snake fungal disease (SFD; ophidiomycosis), system to examine how an emerging pathogen may induce dysbiosis across two experimental scales. We used quantitative polymerase chain reaction, bacterial amplicon sequencing, and a deep learning neural network to characterize the skin microbiome of free-ranging snakes across a broad phylogenetic and spatial extent. Habitat suitability models were used to find variables associated with fungal presence on the landscape. We also conducted a laboratory study of northern watersnakes to examine temporal changes in the skin microbiome following inoculation with Ophidiomyces ophidiicola. Patterns characteristic of dysbiosis were found at both scales, as were nonlinear changes in alpha and alterations in beta diversity, although structural-level and dispersion changes differed between field and laboratory contexts. The neural network was far more accurate (99.8% positive predictive value [PPV]) in predicting disease state than other analytic techniques (36.4% PPV). The genus Pseudomonas was characteristic of disease-negative microbiomes, whereas, positive snakes were characterized by the pathobionts Chryseobacterium, Paracoccus, and Sphingobacterium. Geographic regions suitable for O. ophidiicola had high pathogen loads (>0.66 maximum sensitivity + specificity). We found that pathogen-induced dysbiosis of the microbiome followed predictable trends, that disease state could be classified with neural network analyses, and that habitat suitability models predicted habitat for the SFD pathogen.
Efectos de la enfermedad fúngica en serpientes, ofidiomicosis, sobre los microbiomas dérmicos en dos escalas experimentales importantes Resumen Cada vez se reconoce más a las enfermedades infecciosas emergentes como una amenaza importante para la conservación mundial de la biodiversidad. Si aclaramos la relación entre los patógenos y el microbioma hospedero podríamos llegar a estrategias novedosas para mitigar el impacto de estas enfermedades. Los patógenos pueden alterar el microbioma hospedero cuando inducen la disbiosis, un estado ecológico caracterizado por la reducción de la diversidad bacteriana alfa, un incremento de los patobiontes o un cambio en la diversidad beta. Usamos la enfermedad fúngica de las serpientes, la ofidiomicosis, para analizar cómo un patógeno emergente puede inducir la disbiosis en dos escalas experimentales. Usamos la secuenciación qPCR de amplicón bacteriano y una red neural de aprendizaje profundo para caracterizar el microbioma dérmico de las serpientes silvestres de una extensa gama filogenética y espacial. Usamos modelos de idoneidad de hábitat para encontrar variables asociadas con la presencia de hongos en el paisaje. También realizamos un estudio de laboratorio sobre las culebras de agua para analizar los cambios temporales en el microbioma dérmica después de la inoculación con Ophidiomyces ophidiicola. Encontramos patrones característicos de la disbiosis en ambas escalas, así como cambios no lineales en la diversidad alfa y cambios en la diversidad beta, aunque los cambios a nivel estructural y en la dispersión difirieron entre los contextos del laboratorio y el silvestre. La red neural fue mucho más precisa (99.8% PPV) para predecir el estado de la enfermedad que otras técnicas de análisis (36.4% PPV). El género Pseudomonas fue característico de los microbiomas negativos para enfermedades, mientras que las serpientes positivas se caracterizaron por tener los patobiontes Chryseobacterium, Paracoccus y Sphingobacterium. Las regiones geográficas aptas para O. ophidiicola tuvieron una carga elevada de patógenos (>0.66 sensibilidad + especificidad máxima). Descubrimos que la disbiosis del microbioma inducida por patógenos sigue tendencias predecibles, que el estado de la enfermedad puede clasificarse con los análisis de red neuronal y que los modelos de idoneidad del hábitat pronosticaron el hábitat para el patógeno de la enfermedad fúngica de las serpientes.
【摘要】人们日益认识到新发传染病已成为全球生物多样性保护的重大威胁。解析病原体与宿主微生物组之间的关系可能为减缓疾病影响提供新的策略。病原体可能通过引发菌群失调来改变宿主微生物组, 菌群失调是一种生态状态, 通常表现为细菌α多样性降低、致病菌增加或β多样性改变。本研究利用蛇真菌病(Ophidiomycosis)系统, 在两个实验尺度上探究新发病原体如何引发菌群失调。我们利用qPCR、细菌扩增子测序和深度学习神经网络, 分析了来自不同系统发育地位和空间范围的自由活动蛇类皮肤微生物组的特征。我们还使用栖息地适宜性模型来识别与真菌存在有关的景观变量。此外, 我们对北方水蛇进行了实验室研究, 以探究接种Ophidiomyces ophidiicola菌后皮肤微生物组的动态变化。我们在两个实验尺度上均发现了菌群失调的特征性模式, 包括α多样性和β多样性的非线性变化, 尽管结构水平和扩散变化在野外和实验室环境中有所不同。神经网络在预测疾病状态方面的准确性(99.8%的阳性预测值)远高于其他分析技术(36.4%)。未感染疾病的蛇类微生物组以假单胞菌属(Pseudomonas)为特征, 而患病蛇类的微生物组则以致病金黄杆菌属(Chryseobacterium)、副球菌属(Paracoccus)和鞘氨醇杆菌属(Sphingobacterium)为特征。适合O. ophidiicola生存的地理区域病原体负荷较高(>0.66最大灵敏度+特异性)。我们发现, 病原体引起的菌群失调具有可预测的趋势, 疾病状态可通过神经网络分析进行分类, 栖息地适宜性模型也可预测蛇真菌病病原体的适宜分布区。【翻译:胡怡思;审校:聂永刚】.
Keywords: deep learning neural network; disbiosis; dysbiosis; enfermedad fúngica en serpientes; enfermedades de la fauna; microbioma dérmico; red neural de aprendizaje profundo; skin microbiome; snake fungal disease; wildlife diseases; 关键词: 皮肤微生物组; 深度学习神经网络; 菌群失调; 蛇真菌病; 野生动物疾病.
© 2024 The Author(s). Conservation Biology published by Wiley Periodicals LLC on behalf of Society for Conservation Biology.