Die vergleichende Genomik deckt umfangreiche genomische Variationen zwischen Populationen von Listeria-Arten in der Natur und in Lebensmitteln auf

ISME Communications Band 3, Artikelnummer: 85 (2023) Diesen Artikel zitieren

2012 Zugriffe

Details zu den Metriken

Das Verständnis der bakteriellen genomischen Variation in Verbindung mit unterschiedlichen Umgebungen kann neue Einblicke in die Mechanismen liefern, die der unterschiedlichen Anpassung und Übertragung von Mikroben über Umgebungen hinweg zugrunde liegen. Die Gewinnung solcher Erkenntnisse ist insbesondere für Krankheitserreger von entscheidender Bedeutung, da sie der Überwachung der öffentlichen Gesundheit zugute kommt. Das Verständnis der genomischen Variation von Bakterien ist jedoch durch den Mangel an Untersuchungen zur genomischen Variation in Verbindung mit unterschiedlichen ökologischen Kontexten begrenzt. Um dieser Einschränkung zu begegnen, konzentrierten wir uns auf Listeria, eine für die Lebensmittelsicherheit wichtige Bakteriengattung, zu der auch der menschliche Krankheitserreger L. monocytogenes gehört, und analysierten einen umfangreichen genomischen Datensatz, den wir aus natürlichen und lebensmittelbezogenen Umgebungen in den Vereinigten Staaten gesammelt hatten. Durch vergleichende Genomanalysen an 449 Isolaten aus dem Boden und 390 Isolaten aus landwirtschaftlichen Wasser- und Produktionsverarbeitungsanlagen, die L. monocytogenes, L. seeligeri, L. innocua und L. welshimeri repräsentieren, stellen wir fest, dass sich die Genomprofile je nach Umgebung in jedem einzelnen stark unterscheiden Spezies. Dies wird durch die umweltassoziierten Unterklassen und das unterschiedliche Vorhandensein von Plasmiden, Stressinseln und akzessorischen Genen unterstützt, die an der Biogenese der Zellhülle sowie dem Kohlenhydrattransport und -stoffwechsel beteiligt sind. Kerngenome von Listeria-Arten sind auch stark mit der Umgebung verknüpft und können mithilfe maschinellen Lernens Isolationsquellen auf Abstammungsebene in L. monocytogenes genau vorhersagen. Wir stellen fest, dass die große umweltbedingte genomische Variation bei Listeria offenbar gemeinsam durch die Bodenbeschaffenheit, das Klima, die Landnutzung und die begleitenden Bakterienarten verursacht wird, bei denen es sich hauptsächlich um Actinobakterien und Proteobakterien handelt. Insgesamt deuten unsere Daten darauf hin, dass sich Populationen von Listeria-Arten genetisch an unterschiedliche Umgebungen angepasst haben, was ihre Übertragung von natürlichen auf mit Lebensmitteln verbundene Umgebungen einschränken könnte.

Bakterielle Genome, darunter sowohl Kerngenome (bei allen Individuen vorhandene Gene) als auch akzessorische Genome (nicht bei allen Individuen vorhandene Gene), können aufgrund von Gengewinn und -verlust und homologer Rekombination, die durch Umweltselektion und -verbreitung vermittelt werden, innerhalb einer Art äußerst vielseitig sein [1, 2,3,4]. Eine solche genomische Variation ermöglicht es Bakterienarten (hauptsächlich nicht pathogenen Bakterien), in einem breiten Spektrum ökologischer Dimensionen zu leben, einschließlich Umweltbedingungen mit unterschiedlichen Kohlenstoff- und anorganischen Nährstoffquellen [5]. Während einige menschliche Krankheitserreger (z. B. Bacillus anthracis, Clostridium spp., Listeria monocytogenes, Yersinia pestis, Burkholderia pseudomallei und Francisella tularensis) auch in natürlichen Umgebungen überleben können [6], ist unser Verständnis ihrer genomischen Variation in verschiedenen Umgebungen aufgrund dessen begrenzt ein Mangel an intensiven Untersuchungen in natürlichen Umgebungen im Vergleich zu mit Menschen verbundenen Umgebungen [7,8,9]. Dies ist eine verpasste Chance, das Verständnis der ökologischen Mechanismen zu verbessern, die der Anpassung von Krankheitserregern an nichtmenschliche Umgebungen zugrunde liegen, und die Überwachung der öffentlichen Gesundheit auf Infektionskrankheiten besser zu unterstützen, beispielsweise durch die Ableitung der Wahrscheinlichkeit der Übertragung von Stämmen aus natürlichen Umgebungen auf mit Menschen verbundene Umgebungen .

Listerien, eine grampositive, fakultativ anaerobe, nicht sporenbildende Bakteriengattung, die für die Lebensmittelsicherheit von entscheidender Bedeutung ist, bietet die Möglichkeit, die genomische Variation zwischen natürlichen und menschenassoziierten Umgebungen bei Bakterien zu untersuchen, die für die öffentliche Gesundheit wichtig sind. Die Mitglieder der Listeria sind in natürlichen Umgebungen sowie in landwirtschaftlichen Böden, Gewässern und Lebensmittelverarbeitungsanlagen weit verbreitet [10,11,12]. Zwei Listeria-Arten – L. monocytogenes und L. ivanovii – gelten als fakultative Krankheitserreger. Während andere Arten nicht pathogen sind [13], werden diese Arten (z. B. L. seeligeri, L. innocua und L. welshimeri) häufig in der Lebensmittelindustrie getestet, da sie als Beweis für Bedingungen gelten, die eine Kontamination mit L. monocytogenes begünstigen können [14, 15]. Die Untersuchung der genomischen Variation von Listeria-Arten kann somit Einblicke in deren Übertragung von natürlichen Umgebungen auf Lebensmittelumgebungen und Lebensmittel liefern, was besonders wichtig für Lebensmittel wie Frischwaren ist, bei denen No-Kill-Schritte zur Inaktivierung von Krankheitserregern eingesetzt werden an jedem Punkt der Nahrungskette eingeführt werden.

In mit Lebensmitteln verbundenen Umgebungen ist normalerweise eine Vielzahl von Stressfaktoren vorhanden, darunter niedriger pH-Wert, geringe Wasseraktivität, niedrige Temperatur, hoher Salzgehalt, Desinfektionsmittel (z. B. quartäres Ammonium) und antimikrobielle Verbindungen (z. B. Nisin) [16]. Listeria-Arten, darunter L. monocytogenes, haben verschiedene Stressreaktionsmechanismen entwickelt, darunter ein σB-abhängiges allgemeines Stressreaktionsregulon und zwei Stressüberlebensinseln (SSI-1 und SSI-2), die das Wachstum bei niedrigem pH-Wert und hohen Salzkonzentrationen erleichtern ( SSI-1) sowie Wachstum bei hohem pH-Wert und unter oxidativen Bedingungen (SSI-2) [17, 18]. In der Natur führen Listerien einen saprotrophen Lebensstil und spielen eine entscheidende Rolle bei der Zersetzung und dem Nährstoffkreislauf in einem Ökosystem [19]. Im Vergleich zu lebensmittelassoziierten Umgebungen bieten natürliche Umgebungen Bakterien relativ günstige und stabile Bedingungen mit moderaten Veränderungen der physikalisch-chemischen Eigenschaften [20, 21]. Allerdings ist weitgehend unbekannt, wie sich Listeria-Arten unterschiedlich an diese beiden Arten von Umgebungen anpassen und übertragen.

Hier haben wir genomische Daten von 449 Listeria-Isolaten genutzt, die wir aus einer kürzlich durchgeführten groß angelegten Bodensammlung in den Vereinigten Staaten erhalten haben [22], und weiter sequenzierte Genome von 390 Listeria-Isolaten, die aus verschiedenen lebensmittelassoziierten Umgebungen stammen, darunter (i) landwirtschaftliches Wasser [ 23, 24] und (ii) Verarbeitungsanlagen herstellen [25, 26]. Diese Isolate repräsentieren den lebensmittelbedingten Krankheitserreger L. monocytogenes und drei häufige nicht pathogene Arten (L. seeligeri, L. innocua und L. welshimeri). Durch eingehende vergleichende Genomanalysen identifizierten wir starke Assoziationen in der Phylogenie, den Kern- und akzessorischen Genomen, Plasmiden und Stress-Überlebensinseln mit natürlichen oder lebensmittelassoziierten Umgebungen. Wir haben auch Modelle für maschinelles Lernen entwickelt, die mithilfe von Kerngenomdaten Isolationsquellen für L. monocytogenes-Linien genau vorhersagen können, und potenzielle selektive abiotische und biotische Belastungen identifiziert, die die genomische Assoziation mit der natürlichen Umwelt steuern. Unsere Ergebnisse legen nahe, dass Populationen von Listeria-Arten unterschiedliche Nischen in natürlichen und mit Lebensmitteln verbundenen Umgebungen haben, was möglicherweise die Wahrscheinlichkeit begrenzt, dass Listeria-Stämme häufig zwischen diesen beiden Umgebungen übertragen werden.

Zu den 839 in dieser Studie verwendeten Listeria-Isolaten (Tabelle S1) gehörten (i) 449 Isolate, die aus dem Boden der natürlichen Umgebung in den Vereinigten Staaten gesammelt wurden (22), (ii) 115 zuvor gemeldete Isolate aus landwirtschaftlichem Wasser (23, 24) und (iii) 275 Isolate aus Produktionsanlagen [27]; Der Begriff „lebensmittelbezogene Umgebung“ bezieht sich auf die Quelle von Isolaten in den Kategorien (ii) landwirtschaftliches Wasser und (iii) Produktionsanlagen. Zu den 449 Isolaten, die Satz (i) repräsentieren, gehörten 177 L. monocytogenes-Isolate der Abstammungslinien I, II und III (n = 12, 39 bzw. 126), L. seeligeri (n = 98), L. innocua (n = 33) und L. welshimeri (n = 141) Isolate, die 2018 in der natürlichen Umgebung der USA aus dem Boden gesammelt wurden. Während der ursprüngliche Satz von Liao et al. [22] auch Isolate umfasste, die andere Arten repräsentierten, waren diese Isolate nicht in der hier berichteten Studie enthalten, da keine dieser Arten im Satz lebensmittelassoziierter Isolate vertreten war. Zu den 115 Isolaten aus Satz (ii) gehörten 54 L. seeligeri-, 19 L. innocua und 42 L. welshimeri-Isolate, die zwischen 2017 und 2018 aus landwirtschaftlichen Gewässern in New York und Arizona gesammelt wurden. Die 275 Isolate aus Satz (iii) umfassten 176 L. monocytogenes-Isolate der Abstammungslinien I, II und III (75, 68 bzw. 33 Isolate) sowie 47 L. seeligeri-, 37 L. innocua- und 15 L. welshimeri-Isolate; Diese Isolate wurden zwischen 2017 und 2018 in Verarbeitungsbetrieben für Produkte (Verpackungsbetriebe und Fresh-Cut-Betriebe) in den Vereinigten Staaten gesammelt.

Zuvor gemeldete Umweltvariablen [22], darunter Breitengrad, Längengrad, Bodenbeschaffenheit (17 Variablen), Klima (4 Variablen) und umliegende Landnutzung (10 Variablen), wurden in die ökologischen Analysen für Listerien aus dem Boden einbezogen. In dieser Studie wurden für Listeria-positive Bodenproben (insgesamt 311 Proben; Tabelle S2) und eine identische Anzahl negativer Proben (311), die zuvor für Messungen der Bodeneigenschaften verwendet wurden (22), für die 16 S-rRNA-Gensequenzierung verwendet. Der Boden für jede Probe wurde mit einem sterilen 2-mm-Sieb gesiebt. Die Gesamt-DNA wurde aus jeder Probe mit den QIAGEN Power Soil Pro Kits (12888-100) extrahiert. Die DNA wurde bis zur weiteren Verarbeitung bei –80 ° C gelagert. Die V4-Region des 16 S-rRNA-Gens wurde gemäß den in den Zusatzinformationen beschriebenen Methoden amplifiziert. Die Sequenzierung wurde auf einem MiSeq unter Verwendung eines 2 × 250 bp Paired-End-Leselaufs durchgeführt. Die Anzahl der Rohlesevorgänge unter allen 622 Proben lag zwischen 8599 und 59.425 (Tabelle S2). Rohlesevorgänge wurden mit QIIME2 gemäß den Online-Tutorials (https://docs.qiime2.org/2020.2/tutorials/) verarbeitet. Methoden zur Verarbeitung von Rohdaten (z. B. Zeichnen der Alpha-Verdünnungskurve, Abb. S1) und zur Identifizierung operativer taxonomischer Einheiten (OTUs) werden in den Zusatzinformationen detailliert beschrieben.

Über vollständige Genomsequenzdaten für Listeria-Isolate in den Sätzen (i) und (iii) wurde bereits berichtet ([22, 27]). Methoden zur DNA-Extraktion, Sequenzierung des gesamten Genoms, Genomassemblierung und Qualitätskontrolle von Isolaten, die zuvor in Liao et al. [22] beschrieben wurden, wurden hier verwendet, um Isolate aus Satz (ii) zu sequenzieren. Kern-SNPs für Genome jeder Art wurden mit kSNP3 3.1.2 bestimmt (28). Phylogenetische Bäume jeder Art wurden mit RAxML-8.2.12 [29] mit 500 Bootstrap-Wiederholungen basierend auf den Kern-SNPs erstellt. Bei der Baumkonstruktion wurde ein von jModelTest [30] ermitteltes GTR + G-Substitutionsmodell (General Time Reversible + Gammaverteilung) mit Ermittlungsverzerrungskorrektur verwendet. Die Analyse der Kerngenom-Multilocus-Sequenztypisierung (cgMLST) wurde mithilfe einer internen Pipeline zusammen mit der cgMLST-Datenbank durchgeführt, die auf der BIGSdb-Lm-Plattform [31] (https://bigsdb.pasteur.fr/listeria) verfügbar ist, um Alleltypen zuzuweisen jedes L. monocytogenes-Genom. Die Annotation des Genoms und die Identifizierung akzessorischer Gene wurden mit den in Liao et al. beschriebenen Methoden durchgeführt (22).

Plasmide wurden von PlasmidFinder 2 mit einem Identitäts-Cutoff von 0,6 nachgewiesen [32]. Vorhergesagte Plasmide wurden in Plasmidfamilien (z. B. Inc18) und Plasmidgruppen (z. B. rep13) eingeteilt. Plasmidsequenzen wurden aus den Genomen für jede Plasmidgruppe extrahiert und unter Verwendung von Muskel 5.1 ausgerichtet. Für jede der Plasmidgruppen, die mehr als drei Genomen enthielten (dh rep25, rep26, repUS25 und repUS43), wurde ein Genbaum mit RAxML-8.2.12 [29] mit 1000 Bootstrap-Wiederholungen basierend auf ausgerichteten Plasmidsequenzen erstellt. Bei der Baumkonstruktion wurde ein von jModelTest [30] ermitteltes GTR + G-Substitutionsmodell verwendet. Genome aller Listeria-Arten wurden verwendet, um das Vorhandensein von SSI-1, einer Insel mit fünf Genen (lmo0444 – lmo0448), und SSI-2, einer Insel mit zwei Genen (lin0464 – lin0465), nachzuweisen. Genome für alle L. monocytogenes-Genome wurden außerdem verwendet, um das Vorhandensein ausgewählter Virulenzgene zu bestimmen, einschließlich der Gene, die auf der Listeria-Pathogenitätsinsel 1 (LIPI-1; prfA, plcA, hly, mpl, actA, plcB) und der Listeria-Pathogenitätsinsel 3 ( LIPI-3; llsAGHXBYDP), Listeria-Pathogenitätsinsel 4 (LIPI-4; LM9005581_70009 - LM9005581_70014) sowie Gene, die ausgewählte verschiedene Internaline kodieren (inlAB,C,E,F,G,H,J,K,I,P). SSI-Gene und diese ausgewählten Virulenzgene wurden mithilfe von BLASTN mit Standardeinstellungen anhand von Referenzdatenbanken erkannt, die auf der BIGSdb-Lm-Plattform verfügbar sind (31). Ein vorzeitiges Stoppcodon wurde in einem bestimmten Gen als vorhanden angesehen, wenn ein Stoppcodon vor dem letzten Codon des Gens innerhalb der Mindestlänge der Referenzsequenzen nachgewiesen wurde. Gene wurden definiert als (i) mutmaßlich funktionsfähig, wenn die Abdeckung > 0,8 war und kein vorzeitiges Stoppcodon vorhanden war, (ii) mutmaßlich nicht funktionsfähig, wenn 0,3 ≤ Abdeckung < 0,8 oder vorzeitiges Stoppcodon vorhanden war, und iii) nicht vorhanden, wenn keine Treffer vorhanden waren in BLASTN beobachtet oder die Abdeckung betrug <0,3. Als Grenzwerte wurden eine Abdeckung von 0,3 und 0,8 gewählt, weil (i) die Multidomänenstruktur von Proteinen höchstwahrscheinlich erhalten bleibt, wenn eine Abdeckung von 0,8 verwendet wird [33], und (ii) eine Abfrageabdeckung von mindestens 0,3 oder weniger empfohlen wurde um Gene zu identifizieren, die sich über Contigs erstrecken und/oder Lücken berühren [34]. Bei der Berechnung des Vorhandenseins/der Prävalenz eines bestimmten Gens in allen Genomen werden nur mutmaßlich funktionale Gene in die Berechnung einbezogen.

Innerhalb jeder Art wurden Zusammenhänge zwischen Isolationsquellen und dem Vorhandensein von (i) Virulenzgenen (nur L. monocytogenes), (ii) Plasmiden, (iii) Stressüberlebensinseln und (iv) akzessorischen Genen durch Fishers genaue Tests identifiziert rpy2 in Python 3.6.8. Es wurde eine Korrektur der Falscherkennungsrate (FDR) von Benjamin und Hochberg (BH) für mehrere Tests angewendet; Es wurde festgestellt, dass Elemente (z. B. akzessorische Gene) mit einem FDR-bereinigten P < 0,05 quellenassoziiert sind. Die Korrelation zwischen quellenassoziierten orthologen Genen und der Plasmidfamilie Inc18 wurde durch Phi-Korrelationsanalyse unter Verwendung von sklearn.metrics in Python 3.6.8 bewertet. Ein in den Zusatzinformationen beschriebenes Binomialverteilungsmodell wurde verwendet, um Cluster von Funktionskategorien orthologer Gene (COG) zu identifizieren, die für jede Art und jede L. monocytogenes-Linie signifikant unter den quellenassoziierten akzessorischen Genen angereichert waren.

Der in scikit-learn in Python 3 implementierte Gradientenverstärkungsalgorithmus LightGBM wurde verwendet, um Vorhersagemodelle für Isolationsquellen der L. monocytogenes-Linie I, II und III zu entwickeln, wobei das Vorhandensein/Fehlen des cgMLST-Allelprofils jeder Linie als Merkmale verwendet wurde. Allele, die in mehr als 99 % der Proben vorhanden waren oder nicht, wurden als redundant angesehen und aus der Merkmalsmatrix ausgeschlossen. In LightGBM wurde der Parameter „Lernrate“ auf 0,05, der Parameter „max_ Depth“ auf 10 und der Parameter „num_leaves“ auf 80 gesetzt. Alle anderen Hyperparameter sind auf Standardwerte gesetzt. Alle Modelle für maschinelles Lernen wurden durch zweifache Kreuzvalidierung getestet. Diese Methode unterteilt den Datensatz in zwei Abschnitte, von denen jeder einen ähnlichen Anteil an Stichproben aus jeder Klasse aufweist wie der gesamte Satz. Dadurch wird gewährleistet, dass die Trainings- und Testsätze innerhalb jeder Falte die ungleichmäßige Verteilung des Originaldatensatzes widerspiegeln. In jeder Falte wird ein Abschnitt zum Training und der andere zum Testen verwendet. Der über die beiden Falten berechnete Durchschnittswert wird zur Bewertung der Leistung des Modells verwendet. Die Fläche unter der Kurve der Empfängerbetriebscharakteristik (auROC) und die Fläche unter der Kurve des Präzisionsrückrufs (auPR) wurden berechnet und visualisiert, um die Genauigkeit der Modi zu messen. Der LightGBM-Feature-Wichtigkeitswert wurde mithilfe der internen LightGBM-Funktion „feature_importances_“ berechnet. Dieser wurde für jede Falte innerhalb der zweifachen Kreuzvalidierung berechnet, was zu einem Wichtigkeitswert pro Feature aus jeder Falte führte. Der Durchschnitt der Merkmalswichtigkeitswerte aus den beiden Falten wurde berechnet, um einen Gesamtwichtigkeitswert für jedes Merkmal in jedem Modell zu generieren.

Ein teilweiser Mantel-Test wurde zwischen jeder Umgebungsvariablen und der durchschnittlichen Nukleotididentität (ANI) der Genomen für jede Listeria-Art und jede L. monocytogenes-Linie durchgeführt, wobei vegan in R 3.6.0 (999 Permutationen) verwendet und geografische Variablen kontrolliert wurden. ANI und geografische Entfernung wurden mithilfe von Methoden berechnet, die von Liao et al. [22] beschrieben wurden. Die Umweltunähnlichkeit wurde in der euklidischen Distanz berechnet. Zur Korrektur mehrerer Teil-Mantel-Tests wurde eine BH-FDR-Korrektur angewendet. Variablen mit einem FDR-bereinigten P < 0,05 wurden als signifikante ökologische Variablen definiert und einbezogen, um die Bedeutung der Vorhersage des ANI von Listerien in einem Zufallswaldmodell unter Verwendung von randomForest in R 3.6.0 nach den in Liao et al. beschriebenen Verfahren zu bewerten. [22].

Der OTU-Reichtum und der Shannon-Wiener-Diversitätsindex wurden mit skbio in Python 3.6.8 berechnet. T-Tests wurden durchgeführt, um den OTU-Gehalt und die Shannon-Wiener-Diversität zwischen Proben mit positivem und negativem Gehalt an Listerien zu vergleichen. Das gleichzeitige Vorkommen von Bakterienarten und jeder Listeria-Art und jeder L. monocytogenes-Linie wurde zunächst durch Phi-Korrelationsanalyse unter Verwendung von sklearn.metrics in Python 3 bewertet. Bakterienarten mit jeweils einem Phi-Korrelationskoeffizienten (r) >0,2 oder <–0,2 Listeria-Taxon wurden als Bakterientaxa definiert, die tendenziell ähnliche bzw. unterschiedliche Lebensraumpräferenzen haben; Diese Arten wurden in die Netzwerkanalyse des gemeinsamen Vorkommens einbezogen. Mit ggraph in R 3.6.0 wurden Netzwerke gleichzeitig vorkommender Bakterienarten für jedes Listeria-Taxon erstellt.

Um die Beziehung zwischen dem Kerngenom von L. monocytogenes (das die Genome aller drei in dieser Studie identifizierten L. monocytogenes-Linien umfasst – Linie I, II und III) und Isolationsquellen (Boden versus Lebensmittel-assoziiert) zu beurteilen, haben wir zunächst konstruiert ein auf Kern-SNPs basierender phylogenetischer Baum von 177 L. monocytogenes-Isolaten aus dem Boden und 176 L. monocytogenes-Isolaten aus Produktionsverarbeitungsbetrieben (aus landwirtschaftlichem Wasser waren keine L. monocytogenes-Isolate verfügbar) (Abb. 1a). Die Ergebnisse zeigten, dass die L. monocytogenes-Linien I und II deutlich von Isolaten aus Verarbeitungsbetrieben dominiert wurden, während Linie III von Bodenisolaten dominiert wurde (genauer Fisher-Wert P < 0,001). Darüber hinaus zeigten beide Abstammungslinien II und III umweltassoziierte Unterklassen (dh Unterklassen, die hauptsächlich aus Isolaten aus einer Umgebung bestanden) (P < 0,01). In Übereinstimmung mit diesen Ergebnissen identifizierte cgMLST eine kleine Anzahl von Isolatpaaren (ein Isolat aus dem Boden und eines aus Produktionsbetrieben) in L. monocytogenes-Linien, die eng miteinander verwandt waren (<50 Allelfehlpaarungen), darunter 42, 5 und 1 Paar ) innerhalb der Abstammungslinien I, II und III (Abb. 1b, Tabelle S3). Zu diesen Paaren gehörten 31, 5 und 1 Isolat(e) aus Produktionsbetrieben, die eng mit einem oder mehreren Bodenisolaten der Abstammungslinien I, II und III verwandt waren. Diese Ergebnisse zeigen, dass das Kerngenom von L. monocytogenes stark mit den Umgebungstypen verknüpft ist und möglicherweise die Fähigkeit besitzt, Isolationsquellen auf Abstammungsebene vorherzusagen.

ein phylogenetischer Maximum-Likelihood-Baum für L. monocytogenes basierend auf Kern-SNPs von 177 Isolaten aus dem Boden (Spitzen in Grün) und 176 Isolaten aus Produktionsanlagen (Lebensmittelpflanzen) (Spitzen in Rot) mit 500 Bootstrap-Wiederholungen. Bootstrap-Werte >70 % werden durch graue Kreise an den Bifurkationsknoten angezeigt. Der Baum war in der Mitte verwurzelt. Zweige sind durch L. monocytogenes-Linien farblich gekennzeichnet. Der Baum wird durch das Vorhandensein/Fehlen von Virulenzgenen gekennzeichnet. Die Anwesenheits-/Abwesenheits-Genmatrizen von innen nach außen stellen (i) Gene dar, die sich auf den Pathogenitätsinseln LIPI-1 befinden (prfA, plcA, hly, mpl, actA, plcB), (ii) Gene, die für Internaline kodieren (inlABCEFGHJKIP), und (iii) Gene, die sich auf den Pathogenitätsinseln LIPI-3 (llsAGHXBYDP) und LIPI-4 (LM9005581_70009 bis LM9005581_70014) befinden. Ein ausgefülltes Kästchen stellt das Vorhandensein eines mutmaßlich funktionellen Gens dar; ein leeres Kästchen stellt ein nicht funktionsfähiges Gen dar (dh es ist verkürzt oder weist vorzeitige Stoppcodons auf); und ein weißes Kästchen stellt das Fehlen des Gens dar. b Histogramme, die die Verteilung der cgMLST-Allelfehlpaarungen zwischen Isolaten aus dem Boden und Produktionsverarbeitungsanlagen (Lebensmittelpflanze) für L. monocytogenes (LM) Linie I (rot), II (blau) und III (gelb) zeigen. c ROC- und PR-Kurven für binäre Klassifikatoren, die auf cgMLST-Allelprofilen von Isolaten der LM-Linien I, II und III trainiert wurden. auROC: Fläche unter der Kurve der Empfängerbetriebscharakteristik, auPR: Fläche unter der Kurve des Präzisionsrückrufs. Phylogenetischer Maximum-Likelihood-Baum von (d) L. innocua, (e) L. welshimeri und (f) L. seeligeri basierend auf den Kern-SNPs der Isolate jeder Art; Isolate wurden aus Erde, landwirtschaftlichem Wasser und Produktionsanlagen („Lebensmittelpflanzen“) gewonnen. Bäume wurden auf der Grundlage von 1000 Bootstrap-Wiederholungen konstruiert und in der Mitte verwurzelt. Die Etiketten der Isolate sind nach Quellen farblich gekennzeichnet. Bootstrap-Werte >70 % werden durch graue Kreise an den Bifurkationsknoten angezeigt.

Um die Hypothese hinsichtlich der Vorhersagbarkeit der Isolationsquellen von L. monocytogenes-Linien anhand von Kerngenomdaten zu testen, verwendeten wir einen Algorithmus für maschinelles Lernen, Gradient Boosting, um Isolationsquellen für jede Linie mithilfe von cgMLST-Profilen als Merkmale zu klassifizieren. Unser Modell erzielte eine überlegene Genauigkeit für die Abstammungslinien II und III (auROC = 0,89, auPR = 0,85 bzw. auROC = 0,88, auPR = 0,95) und eine begrenzte Genauigkeit (auROC = 0,59, auPR = 0,18) für die Abstammungslinie I (Abb. 1c). Zu den 50 wichtigsten Merkmalen (Kerngenen) zur Vorhersage der Isolationsquellen jeder Linie (Abb. S2) gehören eine Reihe von Genen, die Zelloberflächenproteine ​​kodieren, darunter die PTS-Mannose-Transporter-Untereinheit IIC, die PTS-Glukose-Transporter-Untereinheit IIA und den PTS-Fruktose-Transporter Untereinheit IIA und Flagellen-Basalkörper-Stäbchenprotein FlgC für Linie I (Tabelle S4), Flagellen-Basalkörper-Stäbchenprotein FlgB, PTS-Mannit-Transporter-Untereinheit IIA, Zucker-ABC-Transporter-Permease, Formiattransporter, PTS-Zuckertransporter-Untereinheit IIB und PTS-Beta- Glucosid-Transporter-Untereinheit IIB für Linie II (Tabelle S5) und PTS-Zuckertransporter-Untereinheit IIA, PTS-Beta-Glucosid-Transporter-Untereinheit IIABC und Flagellen-Basalkörper-Stabmodifikationsprotein für Linie III (Tabelle S6). Diese Ergebnisse legen nahe, dass Kerngenomdaten, die durch Techniken des maschinellen Lernens ermöglicht werden, eine hohe Vorhersagekraft für Isolationsquellen für L. monocytogenes auf Abstammungsebene haben und Kerngene, die an Zelloberflächenfunktionen beteiligt sind, stark mit Isolationsquellen assoziiert sind.

Um die Beziehung zwischen Kerngenomen und Isolationsquellen in anderen Listeria-Arten besser zu verstehen, haben wir die genetische Verwandtschaft zwischen L. seeligeri-, L. innocua- und L. welshimeri-Isolaten aus dem Boden, landwirtschaftlichen Gewässern und Produktionsanlagen auf der Grundlage von Kern-SNPs untersucht ; Die Anzahl der Isolate aus den drei Umgebungen betrug 98, 54 und 47 für L. seeligeri, 33, 19 und 37 für L. innocua und 141, 42 bzw. 15 für L. welshimeri. Basierend auf den phylogenetischen Bäumen gruppierten sich Isolate von L. innocua und L. welshimeri (die 4 bzw. 5 Hauptkladen darstellten) stark nach Umgebungen (Abb. 1d, e; Fishers exakter P <0, 001 für beide Arten). L. seeligeri hatte zwei Hauptunterklassen (A und B) mit einer Mischung aus Isolaten aus dem Boden, landwirtschaftlichem Wasser und Produktionsanlagen, und Isolate aus dem Boden waren in Unterklasse B im Vergleich zu Unterklasse A deutlich überrepräsentiert (Abb. 1f; P < 0,01). In Übereinstimmung mit diesen Ergebnissen haben wir in L. seeligeri eine kleine Anzahl eng verwandter Isolatpaare (ein Kern-SNP-Unterschied <50) zwischen natürlichen und lebensmittelbezogenen Umgebungen (z. B. Boden vs. landwirtschaftliches Wasser oder Boden vs. Produktionsanlagen) entdeckt. L. innocua und L. welshimeri (22, 9 bzw. 0 Paare; Abb. S3, Tabelle S7). Für diese Arten wurden SNP-Unterschiede statt cgMLST-Unterschiede verwendet, da das cgMLST-Schema nur für L. monocytogenes verfügbar ist. Diese Ergebnisse zeigen, dass L. seeligeri-, L. innocua- und L. welshimeri-Isolate aus natürlichen und lebensmittelassoziierten Umgebungen nicht eng miteinander verwandt sind.

Angesichts der Tatsache, dass das Kerngenom jeder Listeria-Art mit Isolationsquellen verbunden ist, stellten wir die Hypothese auf, dass sich auch das akzessorische Genom je nach Umgebung unterscheidet. Um unsere Hypothese zu testen, verwendeten wir die exakten Tests von Fisher, um umweltassoziierte akzessorische Gene von Listeria-Arten zu identifizieren, basierend auf dem Vorhandensein/Fehlen eines bestimmten Gens in natürlichen und lebensmittelassoziierten Umgebungen. Wir identifizierten 902 akzessorische Gene in allen L. monocytogenes sowie 50, 36 und 195 akzessorische Gene in den Abstammungslinien I, II und III, die signifikant mit Isolationsquellen (d. h. Boden und Produktionsanlagen) assoziiert waren. darunter 450, 50, 29 und 80 überrepräsentiert unter den Bodenisolaten bzw. 452, 0, 7 und 115 überrepräsentiert unter den Isolaten aus Produktionsverarbeitungsbetrieben (Fishers genaues angepasstes P < 0,05; Abb. 2a, Abb. S4). , Tabelle S8). Für L. seeligeri, L. innocua und L. welshimeri waren insgesamt 6, 357 und 306 akzessorische Gene signifikant mit Quellen (d. h. Boden, landwirtschaftliches Wasser, Produktionsanlagen) assoziiert (angepasstes P < 0,05; Abb. 2b, Tabelle S9).

Prävalenz von quellenassoziierten akzessorischen Genen (a) zwischen Isolaten von L. monocytogenes (LM) im Boden und in der Lebensmittelverarbeitungsanlage (Lebensmittelpflanze) und (b) zwischen Isolaten von L. seeligeri im Boden, landwirtschaftlichem (landwirtschaftlichem) Wasser und Nahrungspflanze , L. innocua und L. welshimeri. Punkte sind nach COG-Funktionskategorien farblich gekennzeichnet. Die Größe der Punkte ist proportional zum Logarithmus 10 der Anzahl der Gene, die als eine COG-Kategorie annotiert sind. Nachfolgend werden die Abkürzungen der COG-Kategorien beschrieben. C: Energieerzeugung und -umwandlung; D: Zellzykluskontrolle, Zellteilung, Chromosomenaufteilung; E: Aminosäuretransport und -stoffwechsel; F: Nukleotidtransport und -stoffwechsel; G: Kohlenhydrattransport und -stoffwechsel; H: Coenzymtransport und -stoffwechsel; I: Lipidtransport und Stoffwechsel; J: Translation, ribosomale Struktur und Biogenese; K: Transkription; L: Replikation, Rekombination und Reparatur; M: Zellwand-/Membran-/Hüllenbiogenese; N: Zellmotilität; O: Posttranslationale Modifikation, Proteinumsatz, Chaperone; P: Anorganischer Ionentransport und Stoffwechsel; F: Biosynthese, Transport und Katabolismus von Sekundärmetaboliten; S: Funktion unbekannt; T: Signaltransduktionsmechanismen; U: Intrazellulärer Transport, Sekretion und vesikulärer Transport; V: Abwehrmechanismen. c Anreicherungsanalyse der COG-Funktionskategorien für quellenassoziierte Gene in LM (grau), LM-Linie I (rot), II (blau) und III (gelb), L. seeligeri (braun), L. innocua (grün), und L. welshimeri (lila). Ein Anreicherungsindex >2 (schwarze gestrichelte Linie) zeigt an, dass die COG-Kategorie deutlich angereichert ist (P < 0,05). Die Größe des Kreises ist proportional zum Logarithmus der Anzahl der Gene, die als eine COG-Kategorie annotiert sind.

Die Analyse der funktionellen Anreicherung zeigte, dass unter den quellenassoziierten akzessorischen Genen (i) die „Zellwand-/Membran-/Hüllenbiogenese (M)“ in L. monocytogenes, L. monocytogenes Linie II, L. innocua und L. welshimeri signifikant angereichert war. (ii) „Kohlenhydrattransport und -stoffwechsel (G)“ war in L. monocytogenes Linie III und L. welshimeri signifikant angereichert; und (iii) „Intrazellulärer Transport, Sekretion und vesikulärer Transport (U)“ war bei L. welshimeri signifikant angereichert (P < 0,05; Abb. 2c). Unter den 88 quellenassoziierten akzessorischen Genen, die in L. monocytogenes als „Zellwand-/Membran-/Hüllkurvenbiogenese (M)“ annotiert wurden, wurden 12 Gene als Leucin-Rich-Repeat-Protein (LRR) annotiert, die alle deutlich überrepräsentiert waren aus Bodenisolaten mit Ausnahme von zwei Genen (Tabelle S8). Unter den 24 bzw. 15 quellenassoziierten akzessorischen Genen, die in L. welshimeri und L. monocytogenes Linie III als „Kohlenhydrattransport und Metabolismus (G)“ bezeichnet sind, waren mindestens 6 bzw. 4 Gene am Phosphotransferasesystem (PTS) beteiligt. Fast alle davon waren in lebensmittelbezogenen Umgebungen deutlich überrepräsentiert (Tabellen S8, S9). Unter den neun quellenassoziierten akzessorischen Genen, die in L. welshimeri als „Intrazellulärer Transport, Sekretion und vesikulärer Transport (U)“ gekennzeichnet sind, wurden drei Gene als Typ-IV-Sekretionssystemprotein annotiert (Tabelle S9). Diese Ergebnisse deuten auf einen starken Zusammenhang zwischen akzessorischen Genomen von Listeria-Arten, insbesondere Genen, die an der Synthese der Zellhülle und dem Kohlenhydratstoffwechsel beteiligt sind, und der Umgebung hin.

Es wurde berichtet, dass viele genetische Elemente (z. B. Virulenzgene, Plasmide und Stressreaktionsgene) eine Rolle bei der Anpassung von Bakterien an eine bestimmte Umgebung spielen [17, 18]. Wir haben daher Virulenzgene in L. monocytogenes und Plasmiden sowie Stress-Überlebensinseln in allen hier untersuchten Arten profiliert. Alle L. monocytogenes-Isolate aus natürlichen und lebensmittelassoziierten Umgebungen enthielten ein mutmaßliches funktionelles LIPI-1, mit Ausnahme von 6 von 87 Isolaten der Linie I und 5 von 159 Isolaten der Linie III, bei denen ein vorzeitiges Stoppcodon im actA-Gen nachgewiesen wurde (Abb . 1a). Internalin-Gene (inlABCEFGHJKIP) waren in den meisten L. monocytogenes-Isolaten vorhanden, wobei einige Internalin-Gene (z. B. inlF und inlG) eine geringere Prävalenz aufwiesen, insbesondere bei Isolaten der Linie III (Abb. 1a). LIPI-3 kam bei Isolaten der Abstammungslinie I häufig vor, mit einer Prävalenz von 78,2 % im Vergleich zu 6,5 % und 3,8 % bei Isolaten der Abstammungslinien II und III (Abb. 1a). LIPI-4 war im Vergleich zu LIPI-3 häufiger und wurde in 43,7 %, 9,3 % bzw. 43,4 % der Isolate der Abstammungslinien I, II und III gefunden (Abb. 1a). Alle mutmaßlichen funktionellen LIPI-3- und LIPI-4-Gene sowie die meisten mutmaßlichen funktionellen Internalin-Gene (inlA, inlC, inlE, inlF, inlG, inlH, inlI, inlP) waren signifikant mit Quellen assoziiert (genauer angepasster Fisher-P < 0,05). ; Abb. S6). Mutmaßliche funktionelle inlA- und LIPI-4-Gene waren bei Bodenisolaten deutlich überrepräsentiert, während mutmaßliche funktionelle inlC-, inlE-, inlF-, inlG-, inlH-, inlI-, inlP- und LIPI-3-Gene bei Isolaten aus Produktionsverarbeitungsbetrieben deutlich überrepräsentiert waren (angepasstes P < 0,05; Abb. S6). Während sich inlA und inlB auf demselben Operon befinden, war nur inlA in Bodenisolaten überrepräsentiert, da im Vergleich zu inlB in mehr Isolaten aus Lebensmittelverarbeitungsbetrieben vorzeitige Codons vorhanden waren.

Plasmide waren unter Listeria-Isolaten nicht häufig, mit einer Prävalenz von 14,4 % (51/353), 3,5 % (7/199), 33,7 % (30/89), 19,2 % (38/198) bei L. monocytogenes, L. seeligeri, L. innocua bzw. L. welshimeri (Tabelle S10). Die Häufigkeit von Plasmiden in L. monocytogenes, L. monocytogenes Linie I, Linie III und L. innocua war signifikant mit Isolationsquellen verbunden (exakter Fisher-Wert P <0,05; Abb. 3a, b). Insbesondere waren Plasmide unter den Bodenisolaten von L. monocytogenes und der Linie III überrepräsentiert und ausschließlich unter den Bodenisolaten von L. monocytogenes der Linie I vorhanden, während für L. innocua Plasmide unter den Isolaten aus Verarbeitungsbetrieben für Produkte deutlich überrepräsentiert waren (Abb . 3a, b). In die Inc18-Familie eingeteilte Plasmide korrelierten stark mit einer Reihe quellenassoziierter akzessorischer Gene in L. monocytogenes (10 Gene), L. monocytogenes Linie I (50 Gene) und L. innocua (59 Gene) (Phi-Korrelation r >). 0,5; Abb. S8, Tabelle S11). Viele dieser Plasmid-korrelierten Gene wurden mit an der Replikation beteiligten Funktionen wie Resolvase und Rekombinase versehen, und einige waren an der Metallresistenz beteiligt (z. B. Arsenresistenz-Operon-Repressor) (Tabelle S11). Bemerkenswert ist, dass insgesamt neun Plasmidgruppen nachgewiesen wurden, darunter rep13, rep25, rep26, rep32, rep33, rep35, rep7a, repUS25 und repUS43. Um auf einen möglichen horizontalen Transfer von Plasmiden zwischen Umgebungen und Arten zu schließen, haben wir einen Genbaum für jede der vier Plasmidgruppen erstellt, die mehr als drei Genome enthielten (rep25, rep26, repUS25 und repUS43). Wir fanden heraus, dass die größte Plasmidgruppe, repUS25, überwiegend in Bodenisolaten vorkam (81 % von 84 Isolaten) und zwei Hauptgruppen mit einer Mischung aus Isolaten sowohl aus dem Boden als auch aus lebensmittelassoziierten Umgebungen und allen vier Arten, L. monocytogenes, aufwies , L. seeligeri, L. welshimeri und L. innocua (Abb. 3c). Die Plasmidgruppe repUS43 war überwiegend in Isolaten aus lebensmittelassoziierten Umgebungen vorhanden (91 % von 11 Isolaten) und wurde ausschließlich in L. innocua nachgewiesen (Abb. 3d). Die Plasmidgruppe rep25 war auch überwiegend in Isolaten aus lebensmittelassoziierten Umgebungen vorhanden (97 % von 29 Isolaten) und weist zwei Hauptkladen mit einer Mischung aus L. innocua- und L. monocytogenes-Lineage-II-Isolaten auf (Abb. 3e). Die Plasmidgruppe rep26 wurde ausschließlich in Isolaten aus Lebensmittelverarbeitungsbetrieben gefunden und bildete zwei Hauptgruppen, eine mit L. welshimeri- und L. inncoua-Isolaten und die andere mit L. monocytogenes-Linie II und L. welshimeri (Abb. 3f). Diese Ergebnisse legen nahe, dass Plasmidgruppen stark mit Isolationsquellen verbunden sind und einige Plasmide (z. B. repUS25, rep25) möglicherweise über Umgebungen und Arten in Listerien hinweg übertragen werden.

Prävalenz von (a) Plasmiden unter L. monocytogenes (LM) und Isolaten der LM-Linien I, II, III, (b) Plasmiden unter L. seeligeri-, L. innocua- und L. welshimeri-Isolaten. Maximum-Likelihood-Baum für die Plasmidgruppe (c) repUS25, (d) repUS43, (e) rep25, (f) rep26 basierend auf den Nukleotidsequenzen von 84, 11, 29 und 9 Listeria-Isolaten mit jeweils 500 Bootstrap-Wiederholungen. Bootstrap-Werte werden auf den Bifurkationsknoten angezeigt. Der Baum war in der Mitte verwurzelt. Die Spitzen sind nach Isolationsquellen farblich gekennzeichnet (grün: Erde, rot: Lebensmittelverarbeitungsanlagen und grau: landwirtschaftliches Wasser). g SSI-Gene bei LM und LM-Linie III und (h) SSI-Gene bei L. innocua- und L. welshimeri-Isolaten aus verschiedenen Quellen, einschließlich Boden, landwirtschaftlichem (landwirtschaftlichem) Wasser und Produktionsanlagen (Lebensmittelpflanze). „***“, „**“ und „*“ zeigen an, dass die Verteilung von Plasmiden oder SSI-Genen in den genauen Tests von Fisher bei P-Werten von 0,001, 0,01 bzw. 0,05 erheblich von den Quellen abhängt.

Darüber hinaus beobachteten wir bei einigen Listeria-Taxa einen starken Zusammenhang zwischen mutmaßlichen Überlebensinseln bei funktionellem Stress und Isolationsquellen. SSI-1 wurde in 24,9 % der L. monocytogenes-Isolate einschließlich der Linien I, II und III nachgewiesen (Abb. S5, Abb. 3g). SSI-1 für L. monocytogenes und seine Linie III war unter Isolaten aus Lebensmittelverarbeitungsbetrieben signifikant angereichert (genauer angepasster Fisher-Wert P <0,05, Abb. 3g). SSI-1 wurde in 89,1 % der L. welshimeri-Isolate gefunden, war jedoch nicht signifikant mit den Quellen assoziiert (Abb. 3h). Der Unterschied in der Prävalenz zwischen SSI-1 lmo0444 und anderen SSI-1-Genen wurde durch ein vorzeitiges Stoppcodon in lmo0444 eines Bodenisolats und eines Isolats aus landwirtschaftlichem Wasser verursacht (Abb. 3h). SSI-2 wurde in 50,1 % der L. monocytogenes-Isolate einschließlich der Linien II und III nachgewiesen (Abb. S5, Abb. 3g). SSI-2 für L. monocytogenes und seine Linie III war unter den Bodenisolaten signifikant angereichert (angepasstes P <0, 05, Abb. 3g). SSI-2, das in 82,0 % der L. innocua-Isolate gefunden wurde, war bei Isolaten aus landwirtschaftlichen Wasser- und Produktverarbeitungsanlagen deutlich überrepräsentiert (angepasstes P < 0,05, Abb. 3h). In keinem L. innocua- bzw. L. welshimeri-Isolat wurden mutmaßlich funktionelle SSI-1- und SSI-2-Gene nachgewiesen, und in keinem L. seeligeri-Isolat wurden mutmaßlich funktionelle SSI-1-Gene oder SSI-2-Gene nachgewiesen.

Angesichts der großen genomischen Divergenz, die mit den Umgebungen von Listerien einhergeht, haben wir außerdem versucht, abiotische Faktoren zu identifizieren, die möglicherweise zur Diversifizierung beitragen. Wir haben den genomischen Datensatz von Bodenisolaten analysiert, der mit einem umfassenden Datensatz von Umweltfaktoren gekoppelt ist, einschließlich geografischer Lage, Bodenbeschaffenheit, Klima und Landnutzung (22). Mithilfe partieller Mantel-Tests identifizierten wir mehrere geografisch entfernungskorrigierte Umgebungsvariablen, die signifikant mit der genetischen Ähnlichkeit von L. monocytogenes, L. monocytogenes lineage II, L. seeligeri und L. innocua basierend auf ANI korrelierten (angepasstes P < 0,05) ( Abb. 4a, Tabelle S12); Diese Variablen wurden als „abiotische Treiber“ der genetischen Variation in diesen Taxa bezeichnet. Die abiotischen Treiber von L. monocytogenes waren 11 Bodenvariablen (z. B. Aluminium, organische Substanz, Mangan), drei Klimavariablen (z. B. Niederschlag) und vier Landnutzungsvariablen (z. B. Grünland). Alle abiotischen Treiber der L. monocytogenes-Linie II waren Bodenvariablen, einschließlich Gesamtstickstoff, Feuchtigkeit, Gesamtkohlenstoff, Kalium und Natrium. Abiotische Faktoren für L. seeligeri waren vier Bodenvariablen (z. B. pH-Wert, Mangan), alle vier Klimavariablen und drei Landnutzungsvariablen (z. B. Grünland, Weideland). Zu den abiotischen Treibern von L. innocua gehörten fünf Bodenvariablen (z. B. Schwefel, Magnesium), zwei Klimavariablen (Höchst- und Tiefsttemperaturen) und zwei Landnutzungsvariablen (Feuchtgebiet und Buschland). Für L. monocytogenes Linie I und III oder L. welshimeri wurden keine abiotischen Treiber identifiziert.

eine partielle Mantelkorrelation zwischen ANI von Isolaten für L. monocytogenes (LM), LM-Linie I, II und III, L. seeligeri, L. innocua und L. welshimeri und der mit der geografischen Entfernung korrelierten Unähnlichkeit von Umgebungsvariablen. r ist der Partial-Mantel-Koeffizient. Signifikante Korrelationen (bereinigtes P < 0,05) werden mit „*“ gekennzeichnet. Beschriftungen für Boden-, Klima- und Landnutzungsvariablen auf der Y-Achse sind jeweils in Rot, Grün und Blau farblich gekennzeichnet. Bebauter A: bebauter offener Raum mit <20 % undurchlässiger Abdeckung; Bebauter B: bebauter offener Raum mit >20 % undurchlässiger Abdeckung. b Variable Bedeutung bei der Vorhersage der ANI von Isolaten für LM, LM-Linie II, L. seeligeri und L. innocua basierend auf dem % Inc MSE-Index in einem Zufallswaldmodell. Abiotische Variablen auf der Y-Achse werden in aufsteigender Reihenfolge basierend auf dem mittleren % Inc MSE-Wert von 1000 Wiederholungen sortiert. „räumlich“ gibt die geografische Entfernung an. Minimal- und Maximalwerte werden durch kurze vertikale Strichlinien dargestellt; Das Kästchen stellt das obere und untere Quartil dar und die kurze Linie innerhalb des Kästchens stellt den Median dar. Punkte oberhalb und unterhalb der Whiskers weisen auf Ausreißer hin. Kästchen und Whiskers sind nach ökologischen Variablengruppen farblich gekennzeichnet. c Netzwerk gleichzeitig vorkommender Bakterienarten und LM, L. seeligeri, L. innocua und L. welshimeri. Jeder Knoten steht für eine Bakterienart, die mit einer Listeria-Art einen Phi-Korrelationskoeffizienten (r) > 0,2 oder < −0,2 hatte. Knoten, die Listeria-Arten darstellen, sind schwarz (diese Daten basieren auf generierten Kulturdaten, nicht auf 16-S-Amplikon-Sequenzierungsdaten), und andere Knoten, die gleichzeitig vorkommende Bakterienarten darstellen, sind nach Stamm farblich gekennzeichnet. Eine Kante steht für die Phi-Korrelation mit einem r > 0,2 oder < −0,2 zwischen den beiden Knoten. Die Dicke der Kante ist proportional zum Absolutwert der Phi-Korrelation r. Eine orangefarbene Kante stellt eine positive Korrelation dar, während eine graue Kante eine negative Korrelation darstellt.

Um die relative Bedeutung der abiotischen Treiber für L. monocytogenes, L. monocytogenes Linie II, L. seeligeri und L. innocua zu quantifizieren, haben wir Zufallswaldmodelle entwickelt, um die ANI von Isolaten, die diese Taxa repräsentieren, anhand signifikanter Umgebungsvariablen vorherzusagen. Basierend auf % Inc MSE (Abb. 4b) und Inc Node Purity (Abb. S7) waren die beiden wichtigsten Variablen (i) Niederschlag und Aluminium (für L. monocytogenes); (ii) Kalium und Natrium (für L. monocytogenes Linie II); (iii) Waldnähe und Windgeschwindigkeit (für L. seeligeri) und (iv) jährliche Höchst-/Tiefsttemperatur und Nähe zu Feuchtgebieten (für L. innocua). Diese Ergebnisse legen nahe, dass die genomische Variation innerhalb der Listeria-Arten gemeinsam von der geografischen Lage, den Bodeneigenschaften, dem Klima und der Landnutzung beeinflusst wird und dass die wichtigsten abiotischen Faktoren zwischen den verschiedenen Taxa variieren.

Neben abiotischen Faktoren können auch biotische Faktoren als selektiver Druck wirken und zur Diversifizierung des Bakteriengenoms beitragen. Daher haben wir die Bakteriengemeinschaften der in dieser Studie ausgewählten Bodenproben mithilfe der 16S-rRNA-Gen-Amplikonsequenzierung weiter charakterisiert. Der Reichtum und die Shannon-Wiener-Diversität bakterieller OTUs für Proben, die für alle hier untersuchten Taxa positiv waren, waren signifikant höher als die von Proben, die für Listeria negativ waren (t-Test P <0, 05 für alle; Abb. S9). Um mögliche Bakterienarten zu identifizieren, die zur genomischen Diversifizierung bei Listeria-Arten beitragen könnten, haben wir das Muster des gleichzeitigen Vorkommens von Listeria-Arten und 1.172 Bakterienarten analysiert, die mithilfe der Phi-Korrelationsanalyse entdeckt wurden. Insgesamt 22, 14, 4 und 30 Arten zeigten eine relativ starke positive Korrelation mit L. monocytogenes, L. seeligeri, L. innocua bzw. L. welshimeri (Phi-Korrelation r > 0,2; Tabelle S13). Ein großer Teil der Arten, die positiv mit L. monocytogenes und L. innocua korrelierten (41 % bzw. 50 %), wurden in den Stamm Proteobacteria eingeteilt, einschließlich der Familien Hyphomicrobiaceae und Rickettsiaceae; 29 % der Arten, die positiv mit L. seeligeri korrelierten, wurden dem Stamm Planctomycetes zugeordnet, einschließlich der Familie Pirellulaceae; und 33 % der Arten, die positiv mit L. welshimeri korrelierten, wurden in den Stamm Actinobacteria eingeteilt, einschließlich der Familie Pseudonocardiaceae (Abb. 4c, Tabelle S13). Diese positiv korrelierten Arten besiedeln möglicherweise ähnliche Lebensräume wie diese Listeria-Arten.

Im Gegensatz dazu zeigte eine kleinere Anzahl von Arten eine relativ starke negative Korrelation mit diesen vier Listeria-Arten (jeweils 12, 1, 0 und 8 Arten; Phi-Korrelation r < −0,2; Tabelle S13). Insgesamt 83 % der Arten, die negativ mit L. monocytogenes korrelierten, wurden in den Stamm Actinobacteria eingeteilt, einschließlich der Familie Geodermatophilaceae (z. B. Geodermatophilus obscurus) und Pseudonocardiaceae (z. B. Pseudonocardia halophobica); 100 % der Arten, die negativ mit L. seeligeri korrelierten, wurden dem Stamm Acidobacteria zugeordnet; und 50 % der Arten, die negativ mit L. welshimeri korrelierten, wurden in den Stamm Proteobakterien eingeteilt, einschließlich der Familie Methylocystaceae (Abb. 4c, Tabelle S13). Für die L. monocytogenes-Linie I, II und III zeigten insgesamt 9, 3 und 16 Arten und insgesamt 0, 1 und 4 Arten eine relativ starke positive bzw. negative Korrelation (r > 0,2 und r < −0,2; Abb. S10, Tabelle S13). Diese negativ korrelierten Bakterienarten bevorzugen möglicherweise andere oder unterschiedliche Lebensräume als diese Listeria-Taxa. Zusammenfassend schlagen wir vor, dass bestimmte Proteobakterien- und Actinobakterienarten interessante Taxa sind, die einen selektiven Druck auf Listerien ausüben und zu deren Genomentwicklung in der Bodenumgebung beitragen könnten.

Hier haben wir eingehende vergleichende Genomanalysen an einem umfangreichen Genomdatensatz von Listeria-Isolaten durchgeführt, die wir aus Böden, landwirtschaftlichen Gewässern und Lebensmittelverarbeitungsanlagen in den gesamten USA gesammelt haben, um die genomische Diversifizierung von vier wichtigen Listeria-Arten in natürlichen und lebensmittelbezogenen Umgebungen zu untersuchen . Insgesamt legen unsere Ergebnisse nahe, dass Listeria-Arten sowohl Kerngenome als auch akzessorische Genome umgestalten und sich unterschiedlich an natürliche und mit Lebensmitteln verbundene Umgebungen anpassen. Wir gehen davon aus, dass es bei Listerien eine solche unterschiedliche Anpassung an andere natürliche Umgebungen (z. B. Flusswasser) und auch an Lebensmittelumgebungen gibt, die durch verschiedene intrinsische und extrinsische Faktoren gesteuert werden. Unsere Ergebnisse deuten außerdem darauf hin, dass die Wahrscheinlichkeit der Übertragung von Listerien aus natürlichen Umgebungen auf Lebensmittelumgebungen aufgrund von Einschränkungen in der genetischen Zusammensetzung und Umweltbelastungen gering sein könnte.

Die beobachteten starken Zusammenhänge zwischen Genomdiversifizierung und Isolationsquellen von Listeria-Arten legen nahe, dass die Aufteilung der Genomdiversifizierung zwischen Isolaten aus dem Boden und lebensmittelassoziierten Umgebungen mit der Einführung von Listerien aus ihrem primären Lebensraum in der Natur in die Lebensmittelproduktionskette verbunden sein könnte kann Veränderungen des Lebensstils beinhalten (z. B. von einem saprophytischen zu einem fakultativ intrazellulären und pathogenen Lebensstil bei pathogenetischen Arten [35]). Für zukünftige Studien ist es notwendig, einen Zeitpunkt für dieses Spaltungsereignis abzuleiten, indem Genome von Isolaten einbezogen werden, die aus einem breiteren Spektrum von Zeitpunkten entnommen wurden.

Sowohl umweltassoziierte Kerngene als auch akzessorische Gene, die in dieser Studie identifiziert wurden, wurden hinsichtlich ihrer Funktionen angereichert, die an der Biogenese der Zellhülle beteiligt sind. Die Zellhülle ist die äußerste Schicht, die die Interaktion zwischen Mikroben und ihrer Umgebung vermittelt und daher möglicherweise einer starken Selektion unterliegt [36]. Unsere Ergebnisse stimmen mit früheren Erkenntnissen überein, dass die Hochregulierung von Genen, die an der Stressreaktion der Zellhülle bei Listerien beteiligt sind, mit der Exposition gegenüber lebensmittelbedingten Stressbedingungen zusammenhängt [37,38,39,40]. Beispielsweise wurde berichtet, dass L. monocytogenes als Reaktion auf Benzethoniumchlorid, eine quartäre Ammoniumverbindung, die häufig als Desinfektionsmittel in der Lebensmittelverarbeitungsumgebung verwendet wird, mehrere Gene und Genwege hochreguliert, die direkt oder indirekt an der Zellwandbiosynthese beteiligt sind (z. B , mnaA und tagGH, die Proteine ​​kodieren, die an der Teichonsäure-Biogenese beteiligt sind) [38]. Während die meisten dieser Studien die Stressreaktion von Listeria auf der Transkriptionsebene identifizierten (z. B. unterschiedliche Expression von Genen), legen unsere Ergebnisse nahe, dass der Gewinn und Verlust von Genen, die an der Zellwand- und Membranbiogenese beteiligt sind, ebenfalls ein wichtiger Mechanismus sein könnte, der dies unterstreicht Anpassung von Listerien an mögliche Belastungen, die mit diesen Lebensräumen verbunden sind. Eine bemerkenswerte Gruppe von Genen, die als an der Biosynthese der Zellhülle beteiligt eingestuft wurden, waren Gene, die für LRR-Proteine ​​kodieren, die für eine Vielzahl von Protein-Protein-Interaktionen in vielen Bakterien von entscheidender Bedeutung sind (41, 42). L. monocytogenes kodiert für eine Multigenfamilie von LRR-haltigen LPXTG-Proteinen, einschließlich Internalinen, die bei der Adhäsion und Invasion von Wirtszellen verwendet werden (43). Da Internaline für das Überleben von L. monocytogenes in der Nicht-Wirtsumgebung tendenziell weniger wichtig sind, kann es theoretisch zu metabolischen Kosten kommen, diese Gene in dieser Umgebung zu erhalten [19]. Die Unterrepräsentation von Genen, die mutmaßlich für LRR-Proteine ​​kodieren, in Isolaten aus Lebensmittelverarbeitungsbetrieben und die Unterrepräsentation von Internalin-Genen, einschließlich inlC, inlE, inlF, inlG, inlH, inlI, inlP, in Isolaten aus dem Boden lassen auf höhere Stoffwechselkosten und eine höhere Verlustrate schließen diese Gene in L. monocytogenes in Lebensmittelverarbeitungsbetrieben bzw. im Boden im Vergleich zur anderen Umgebung.

Eine weitere interessante Funktionskategorie, die unter den umweltassoziierten akzessorischen Genen angereichert wurde, war der Kohlenhydrattransport und -stoffwechsel. Listeria führt einen saprotrophen Lebensstil und ist genetisch dafür gerüstet, auf unterschiedliche Kohlenstoffquellen aus mehreren Nicht-Wirtsumgebungen zuzugreifen [44]. Der Zusammenhang von Kohlenhydrattransport- und Stoffwechselfunktionen mit Isolationsquellen kann durch die Unterschiede in der Häufigkeit und Art der Kohlenhydrate verursacht werden, die in natürlichen und mit Lebensmitteln verbundenen Umgebungen vorkommen. Darüber hinaus kann die Zugänglichkeit von Kohlenhydraten in diesen beiden Umgebungen unterschiedlich sein; Beispielsweise sind Kohlenhydrate im Boden normalerweise mit anderen organischen Substanzen vermischt (z. B. Rückstände pflanzlicher und mikrobieller Materialien, Humus) [45]. Bemerkenswert ist, dass viele umweltassoziierte Gene, die am Kohlenhydrattransport und -stoffwechsel beteiligt sind, einschließlich LIPI-4 (46), PTS-Gene sind, die Funktionen kodieren, die die Aufnahme einer Vielzahl von Zuckern vermitteln (47). Frühere Studien haben über höhere Transkriptmengen bekannter Aktivatoren mehrerer PTS-Systeme (z. B. Glucose/Glucosid, Mannose-Fructose-Sorbose) im Boden berichtet [48]. Unsere Daten legen nahe, dass der Gewinn und Verlust von Genen, die am PTS-System beteiligt sind, wahrscheinlich auch zur Anpassung von Listerien an verschiedene Umgebungen beiträgt.

Als wichtige Treiber der bakteriellen Evolution kodieren Plasmide eine Vielzahl von Funktionen, die eine Anpassung an unterschiedliche Belastungen in Bakterien, einschließlich Listerien, ermöglichen [18, 49]. Wir fanden eine Überrepräsentation von Plasmiden in L. monocytogenes, insbesondere der Linien I und III, aus dem Boden im Vergleich zu Plasmiden, die aus Produktionsanlagen isoliert wurden. Interessanterweise zeigten mehrere Studien, dass Plasmide in L. monocytogenes-Isolaten aus lebensmittelassoziierten Umgebungen im Vergleich zu denen aus klinischen Fällen überrepräsentiert waren [50, 51]. Es scheint, dass der Wechsel von Lebensräumen von der natürlichen Umgebung zu einer mit Nahrungsmitteln verbundenen Umgebung und dann zu Wirten, in denen sie einen fakultativ pathogenen Lebensstil führen, mit einer verringerten Persistenz von Plasmiden in diesem Krankheitserreger einhergeht. Es ist bekannt, dass die Aufrechterhaltung von Plasmiden durch zwei Hauptfaktoren behindert wird: die durch Plasmide in der Wirtszelle erzeugte Belastung und die Verlustrate von Plasmiden während der Zellteilung [49]. Unsere Ergebnisse legen nahe, dass die metabolische Belastung und/oder die Verlustrate von Plasmiden für L. monocytogenes in einer mit Lebensmitteln verbundenen Umgebung höher sein könnten, was möglicherweise auf ungünstige Bedingungen im Vergleich zur natürlichen Umgebung zurückzuführen ist. Allerdings beobachteten wir bei L. innocua ein gegenteiliges Muster, nämlich eine Überrepräsentation von Plasmiden in Isolaten aus lebensmittelassoziierten Umgebungen im Vergleich zur natürlichen Umgebung. Interessanterweise haben wir eine hohe Korrelation zwischen der Plasmidfamilie Inc18 und mehreren umweltassoziierten Genen festgestellt, die Funktionen im Zusammenhang mit der Metallresistenz (z. B. Kupfer- und Arsenresistenz) bei dieser Art kodieren, was mit dem früheren Nachweis von Cadmium-, Kupfer- und Arsenit-Resistenzgenen auf Listeria übereinstimmt Plasmide [52]. Diese Ergebnisse legen nahe, dass die Aufrechterhaltung einer hohen Plasmidhäufigkeit in einer mit Lebensmitteln verbundenen Umgebung die Fitness von L. innocua steigern kann, vermutlich als Reaktion auf Schwermetallbelastungen.

Stressüberlebensinseln kodieren Funktionen, von denen erwartet wird, dass sie das Wachstum von Listerien unter suboptimalen Bedingungen erleichtern [53, 54]. Bisher wurden in Listeria zwei Stress-Überlebensinseln identifiziert; Es wurde berichtet, dass SSI-1, eine Fünf-Gen-Insel (lmo0444 – lmo0448), das Wachstum von Listerien bei niedrigem pH-Wert und hohen Salzkonzentrationen erleichtert [53], und SSI-2, eine Zwei-Gen-Insel (lin0464 – lin0465), wurde berichtet bei hohem pH-Wert und unter oxidativen Bedingungen vorteilhaft zu sein [54]. Frühere Studien legten nahe, dass SSI-1- und SSI-2-Gene mit spezifischen Untergruppen von L. monocytogenes und Listeria-Arten assoziiert sind [54,55,56]. Beispielsweise war SSI-1 bei Listerien, die aus Umgebungen der Lebensmittelverarbeitung isoliert wurden, besonders häufig bei Isolaten vom L. monocytogenes-Sequenztyp (ST) 14, während SSI-2 überwiegend bei Isolaten von L. monocytogenes ST121 und L. innocua gefunden wurde [55]. Hier zeigen wir, dass SSI-1 und SSI-2 auch mit Umgebungen verbunden sind. Die Überrepräsentation von SSI-1 in Isolaten der L. monocytogenes-Linie III aus lebensmittelassoziierten Umgebungen ermöglicht möglicherweise die Bewältigung der in diesen Umgebungen vorhandenen Säure- und osmotischen Belastungen, während die Überrepräsentation von SSI-2 in Isolaten von L. innocua davon abhält Lebensmittelbedingte Umgebungen ermöglichen möglicherweise die Bewältigung alkalischer und oxidativer Belastungen in diesen Umgebungen.

Die beiden hier untersuchten Umgebungen (dh die natürliche Umgebung [Boden] und die mit Lebensmitteln verbundenen Umgebungen [landwirtschaftliche Wasser- und Produktionsanlagen]) stellen unterschiedliche Bedingungen für das Überleben und Schicksal von Listerien dar. Obwohl der Boden eine heterogene Umgebung ist und unerwartete Umweltveränderungen auftreten können, bleiben seine physikalisch-chemischen Eigenschaften im Allgemeinen stabil [20, 21]. Im Vergleich dazu können landwirtschaftliche Wasser- und Produktverarbeitungsanlagen eine stressigere und weniger stabile Umgebung darstellen (z. B. aufgrund großer Temperaturschwankungen im landwirtschaftlichen Wasser und großer Schwankungen des pH-Werts und der Nährstoffverfügbarkeit sowie des Vorhandenseins chemischer und antimikrobieller Verbindungen in den Produkten). Verarbeitungsanlagen) [16]. Unsere Daten zeigen, dass die genomische Divergenz von Listeria-Arten und L. monocytogenes-Linien mit unterschiedlichen Kombinationen von Boden-, Klima- und Landnutzungsvariablen verbunden ist. Neben einigen edaphischen Faktoren (z. B. pH-Wert, Feuchtigkeit), von denen bekannt ist, dass sie für L. monocytogenes wichtig sind (11, 57, 58), identifizierten wir mehrere andere Bodenvariablen (z. B. Konzentrationen von Aluminium, Eisen, organischer Substanz) sowie Klima und Landnutzungsvariablen (z. B. Niederschlag, Grünlandanteil), die nicht häufig mit der Ökologie und Entwicklung von L. monocytogenes im Boden in Verbindung gebracht werden. Darüber hinaus fanden wir heraus, dass Klimavariablen für nicht pathogene Listeria-Arten, einschließlich L. seeligeri und L. innocua, besonders wichtig sind, was direkt oder indirekt Anpassungen bei diesen Arten auslösen kann [59].

Listerien im Boden interagieren nicht nur mit abiotischen Elementen, sondern auch mit anderen Organismen [44]. Solche Wechselwirkungen können die Zusammensetzung der Listeria-Populationen beeinflussen und zu ihrer Anpassung an die Bodenumgebung beitragen, was sich indirekt auf die genomische Vielfalt der Listeria-Populationen auswirkt. Es wurde festgestellt, dass eine Reihe von Proteobakterien-Arten positiv mit dem Nachweis von Listeria-Arten korrelierten. Während allgemein davon ausgegangen wird, dass positive Assoziationen zwischen zwei bakteriellen Taxa durch Kooperation (z. B. bei der Nährstoffaufnahme) entstehen, konnten wir keine Mechanismen identifizieren, die eine direkte Zusammenarbeit zwischen Listeria- und Proteobacteria-Arten erleichtern könnten. Proteobakterien produzieren jedoch eine Vielzahl von Polyketiden und nicht-ribosomalen Peptiden, die andere Bakterien hemmen können [60], die Konkurrenten von Listerien sein könnten. Interessanterweise wurde bereits früher auch festgestellt, dass Proteobakterien der am häufigsten vorkommende Stamm in Bakteriengemeinschaften von Bodenabflüssen in einer Lebensmittelverarbeitungsumgebung sind, die mit L. monocytogenes kontaminiert ist [61]. Darüber hinaus wurde ein großer Teil der Arten, die negativ mit L. monocytogenes korrelierten, in Actinobakterien eingeteilt. In Übereinstimmung mit unserem Befund berichtete eine frühere Studie, dass Exopolysaccharid aus Bifidobacterium bifidum, einer Actinobacteria-Spezies, antibakterielle Aktivität gegen mehrere pathogene Bakterien, einschließlich L. monocytogenes, zeigte [62]. Während unsere Ergebnisse Aufschluss über mögliche Wechselwirkungen von Listerien mit anderen Bakterien in der Bodenumgebung geben, beschränken sie sich auf Korrelationen auf Artenebene. Untersuchungen zur Ursache mikrobieller Gemeinschaften bei der Anpassung und genomischen Diversifizierung von Listerien auf einer feineren taxonomischen/phylogenetischen Ebene (z. B. Stämme) sind erforderlich, um die Mechanismen hinter diesen Wechselwirkungen besser aufzuklären.

Wichtig ist, dass diese mit Listeria-Arten verbundenen abiotischen und biotischen Faktoren als äußere Einschränkungen wirken können, die die effektive und effiziente Übertragung von Listerien zwischen natürlichen und mit Lebensmitteln verbundenen Umgebungen einschränken, zusammen mit quellenbedingten genetischen Varianzen, die als intrinsische Einschränkungen wirken. Während die Wahrscheinlichkeit, dass Listerien häufig zwischen natürlichen und lebensmittelassoziierten Umgebungen übertragen werden, tendenziell gering ist, haben wir in der L. monocytogenes-Linie I, die hauptsächlich klinische Infektionen verursacht, tatsächlich 31 Isolate aus Produktionsbetrieben entdeckt, die eng mit einem oder mehreren Bodenisolaten verwandt waren aus NY, MD, IA und MN. Für die Übertragung von L. monocytogenes über große Entfernungen vom Boden zu Verarbeitungsbetrieben ist der Übertragungsweg unserer Hypothese zufolge der Boden in der natürlichen Umgebung – benachbarte Felder mit landwirtschaftlichen Erzeugnissen (z. B. über die Ablagerung von Wildtierkot) – Kontamination von Erzeugnissen – Transport kontaminierter Erzeugnisse Verarbeitungsanlagen herzustellen. Es ist auch möglich, dass L. monocytogenes aufgrund menschlicher Aktivitäten (z. B. über den Schmutz auf den Schuhen) direkt vom Boden in der natürlichen Umgebung auf nahegelegene Verarbeitungsbetriebe übertragen wird. Unsere Ergebnisse deuten darauf hin, dass die Häufigkeit der Verbreitung von natürlichen Umgebungen in mit Lebensmitteln in Zusammenhang stehende Umgebungen nicht Null ist, was mit früheren Schlussfolgerungen übereinstimmt [63].

Insgesamt haben wir durch eine vergleichende Genomanalyse von Listeria-Isolaten aus natürlichen und lebensmittelassoziierten Umgebungen starke Hinweise auf unterschiedliche Anpassungen sowohl bei pathogenen als auch bei nicht pathogenen Listeria-Arten festgestellt. Zu den intrinsischen Faktoren, die dieser Anpassung zugrunde liegen, gehörten die Diversifizierung der Kerngenome und der Gewinn und Verlust akzessorischer Gene, insbesondere derjenigen, die an der Biogenese der Zellhülle und dem Kohlenhydratstoffwechsel beteiligt sind, sowie Plasmide und Stressüberlebensinseln. Mit maschinellem Lernen können diese intrinsischen genetischen Varianten (z. B. cgMLST) die Isolationsquellen von Listeria-Isolaten auf einer feinen taxonomischen Ebene genau vorhersagen, was der Quellenverfolgung künftiger lebensmittelbedingter Ausbrüche und Lebensmittelkontaminationen durch L. monocytogenes zugute kommen wird. Darüber hinaus haben wir auch eine Reihe extrinsischer Faktoren identifiziert, darunter Boden-, Klima- und Landnutzungsparameter sowie andere Bakterienarten, insbesondere solche, die Proteobakterien und Actinobakterien repräsentieren, die zu den unterschiedlichen Anpassungen bei Listeria-Arten beitragen können. Diese intrinsischen und extrinsischen Faktoren stellen auch potenzielle neue Barrieren dar, die zusätzlich zu den allgemein anerkannten geografischen Barrieren die Übertragung von Listeria-Arten, einschließlich des lebensmittelbedingten Krankheitserregers L. monocytogenes, aus natürlichen in lebensmittelassoziierte Umgebungen einschränken.

Die in dieser Studie verwendeten Datensätze umfassen Daten von Isolaten, die aus (i) Böden in der natürlichen Umgebung in den Vereinigten Staaten, (ii) landwirtschaftlichem Wasser und (iii) Verarbeitungsanlagen für Erzeugnisse gesammelt wurden. Die Rohdaten und zusammengesetzten Genome für Isolate in den Sätzen (i) und (ii) wurden im SRA bzw. NCBI DDBJ/ENA/GenBank des National Center for Biotechnology Information (NCBI) unter den in Tabelle S1 aufgeführten Zugangsnummern hinterlegt. Aufgrund der Datensensibilität und des Datenschutzes wurden Rohdaten und zusammengesetzte Genome für Isolate in Satz (iii) nicht auf NCBI hochgeladen; Diese Daten sind jedoch im eCommons-Repository der Cornell University verfügbar: https://doi.org/10.7298/74sp-fg52. 16 S-rRNA-Sequenzierungslesungen wurden im NCBI Sequence Read Archive unter der Zugangsnummer PRJNA749132 hinterlegt.

Peña A, Teeling H, Huerta-Cepas J, Santos F, Yarza P, Brito-Echeverría J, et al. Evolution im Feinmaßstab: Genomische, phänotypische und ökologische Differenzierung in zwei koexistierenden Salinibacter ruber-Stämmen. ISME J. 2010;4:882–95.

Artikel PubMed Google Scholar

Shapiro BJ, Friedman J, Cordero OX, Preheim SP, Timberlake SC, Szabó G, et al. Populationsgenomik früher Ereignisse in der ökologischen Differenzierung von Bakterien. Wissenschaft. 2012;335:48–51.

Artikel Google Scholar

Garant D, Forde SE, Hendry AP. Die vielfältigen Auswirkungen von Ausbreitung und Genfluss auf die zeitgenössische Anpassung. Funktion Ecol. 2007;21:434–43.

Artikel Google Scholar

Vogwill T., Fenton A., Brockhurst MA. Wie wirkt sich das räumliche Ausbreitungsnetzwerk auf die Entwicklung der lokalen Anpassung von Parasiten aus? Evolution. 2010;64:1795–801.

Artikel PubMed Google Scholar

Koeppel A, Perry EB, Sikorski J, Krizanc D, Warner A, Ward DM, et al. Identifizierung der Grundeinheiten der Bakterienvielfalt: Ein Paradigmenwechsel zur Einbeziehung der Ökologie in die Bakteriensystematik. Proc Natl Acad Sci USA. 2008;105:2504–9.

Artikel CAS PubMed PubMed Central Google Scholar

Steffan JJ, Derby JA, Brevik EC. Bodenpathogene, die möglicherweise Pandemien auslösen können, einschließlich Coronaviren des schweren akuten respiratorischen Syndroms (SARS). Aktuelle Meinung Environ Sci Health. 2020;17:35.

Artikel PubMed PubMed Central Google Scholar

Chasseignaux E, Gérault P, Toquin MT, Salvat G, Colin P, Ermel G. Ökologie von Listeria monocytogenes in der Umgebung von Verarbeitungsbetrieben für rohes Geflügelfleisch und rohes Schweinefleisch. FEMS Microbiol Lett. 2002;210:271–5.

Artikel CAS PubMed Google Scholar

Blackman IC, Frank JF. Wachstum von Listeria monocytogenes als Biofilm auf verschiedenen Lebensmitteloberflächen. J Lebensmittelschutz. 1996;59:827–31.

Artikel PubMed Google Scholar

Bucur FI, Grigore-Gurgu L, Crauwels P, Riedel CU, Nicolau AI. Resistenz von Listeria monocytogenes gegenüber Stressbedingungen in Lebensmitteln und Lebensmittelverarbeitungsumgebungen. Vordere Mikrobiol. 2018;9:2700.

Artikel PubMed PubMed Central Google Scholar

Orsi RH, Wiedmann M. Merkmale und Verbreitung von Listeria spp., einschließlich der seit 2009 neu beschriebenen Listeria-Arten. Appl Microbiol Biotechnol. 2016;100:5273–87.

Artikel CAS PubMed PubMed Central Google Scholar

Locatelli A, Spor A, Jolivet C, Piveteau P, Hartmann A. Biotische und abiotische Bodeneigenschaften beeinflussen das Überleben von Listeria monocytogenes im Boden. Plus eins. 2013;8:e75969.

Artikel CAS PubMed PubMed Central Google Scholar

Liao J, Wiedmann M, Kovac J. Genetische Stabilität und Evolution des sigB-Allels, verwendet für Listeria sensu stricto-Subtypisierung und phylogenetische Inferenz. Appl Environ Microbiol. 2017;83:e00306–17.

Artikel PubMed PubMed Central Google Scholar

Carlin CR, Liao J, Weller D, Guo X, Orsi R, Wiedmann M. Listeria cossartiae sp. nov., Listeria farberi sp. nov., Listeria immobilis sp. nov., L. portnoyi sp. nov. und L. Rustica sp. Nov. isoliert von landwirtschaftlichen Gewässern und natürlichen Umgebungen. Int J Syst Evol Microbiol. 2021;71:004795.

CAS PubMed PubMed Central Google Scholar

Chapin TK, Nightingale KK, Worobo RW, Wiedmann M, Strawn LK. Geografische und meteorologische Faktoren, die mit der Isolierung von Listeria-Arten im Bundesstaat New York verbunden sind, führen zu Produktions- und Naturumgebungen. J Lebensmittelschutz. 2014;77:1919–28.

Artikel PubMed Google Scholar

Sauders BD, Overdevest J, Fortes E, Windham K, Schukken Y, Lembo A, et al. Vielfalt von Listeria-Arten in städtischen und natürlichen Umgebungen. Appl Environ Microbiol. 2012;78:4420–33.

Artikel CAS PubMed PubMed Central Google Scholar

NicAogáin K, O'Byrne CP. Die Rolle von Stress und Stressanpassungen bei der Bestimmung des Schicksals des bakteriellen Krankheitserregers Listeria monocytogenes in der Nahrungskette. Vordere Mikrobiol. 2016;7:1865.

Artikel PubMed PubMed Central Google Scholar

Chaturongakul S, Raengpradub S, Wiedmann M, Boor KJ. Modulation von Stress und Virulenz bei Listeria monocytogenes. Trends Mikrobiol. 2008;16:388–96.

Artikel CAS PubMed PubMed Central Google Scholar

Palma F, Brauge T, Radomski N, Mallet L, Felten A, Mistou MY, et al. Dynamik mobiler genetischer Elemente von Listeria monocytogenes, die in Fabriken zur Verarbeitung von verzehrfertigen Meeresfrüchten in Frankreich fortbestehen. BMC-Genom. 2020;21:130.

Artikel CAS Google Scholar

den Bakker HC, Cummings CA, Ferreira V, Vatta P, Orsi RH, Degoricija L, et al. Vergleichende Genomik der Bakteriengattung Listeria: Die Genomentwicklung ist durch begrenzten Generwerb und begrenzten Genverlust gekennzeichnet. BMC-Genom. 2010;11:688.

Artikel Google Scholar

Dusek N, Hewitt AJ, Schmidt KN, Bergholz PW. Zu den Faktoren im Landschaftsmaßstab, die die Prävalenz von Escherichia coli im Oberflächenboden beeinflussen, gehören die Art der Landbedeckung, Randwechselwirkungen und der pH-Wert des Bodens. Appl Environ Microbiol. 2018;84:e02714–17.

Artikel CAS PubMed PubMed Central Google Scholar

Liao J, Bergholz P, Wiedmann M. Angrenzende terrestrische Landschaften beeinflussen das biogeografische Muster des Bodens Escherichia coli in Gemüsefeldern, indem sie die Bedeutung der Umweltselektion und -verbreitung verändern. Appl Environ Microbiol. 2021;87:e02516–20.

Artikel CAS PubMed PubMed Central Google Scholar

Liao J, Guo X, Weller DL, Pollak S, Buckley DH, Wiedmann M, et al. Der landesweite Genomatlas bodenbewohnender Listerien zeigt Auswirkungen von Selektion und Populationsökologie auf die Pangenomentwicklung. Nat Microbiol. 2021;6:1021–30.

Artikel CAS PubMed Google Scholar

Weller D, Belias A, Green H, Roof S, Wiedmann M. Landschafts-, Wasserqualitäts- und Wetterfaktoren, die mit einer erhöhten Wahrscheinlichkeit einer lebensmittelbedingten Krankheitserregerkontamination von New Yorker Bächen verbunden sind, die als Wasserquelle für die Lebensmittelproduktion dienen. Front Sustain Food Syst. 2020;3:124.

Artikel PubMed PubMed Central Google Scholar

Weller D, Brassill N, Rock C, Ivanek R, Mudrak E, Roof S, et al. Komplexe Wechselwirkungen zwischen dem Wetter sowie der mikrobiellen und physikalisch-chemischen Wasserqualität beeinflussen die Wahrscheinlichkeit, lebensmittelbedingte Krankheitserreger in landwirtschaftlichen Gewässern nachzuweisen. Vordere Mikrobiol. 2020;11:134.

Artikel PubMed PubMed Central Google Scholar

Sullivan G, Wiedmann M. Nachweis und Prävalenz von Listerien in US-amerikanischen Verpackungsbetrieben und Fresh-Cut-Betrieben. J Lebensmittelschutz. 2020;83:1656–66.

Artikel PubMed Google Scholar

Estrada EM, Hamilton AM, Sullivan GB, Wiedmann M, Critzer FJ, Strawn LK. Prävalenz, Persistenz und Diversität von Listeria monocytogenes und Listeria-Arten in Lebensmittelverpackungsbetrieben in drei US-Bundesstaaten. J Lebensmittelschutz. 2020;83:277–86.

Artikel PubMed Google Scholar

Sullivan G, Orsi RH, Estrada E, Strawn L, Wiedmann M. Die auf der Sequenzierung des gesamten Genoms basierende Charakterisierung von Listeria-Isolaten aus Verpackungsbetrieben und Fresh-Cut-Einrichtungen deutet sowohl auf die Persistenz als auch auf die Wiedereinführung vollständig virulenter L. monocytogenes hin. Appl Environ Microbiol. 2022;88:e0117722.

Artikel PubMed Google Scholar

Gardner SN, Slezak T, Hall BG. kSNP3.0: SNP-Detektion und phylogenetische Analyse von Genomen ohne Genom-Alignment oder Referenzgenom. Bioinformatik. 2015;31:2877–8.

Artikel CAS PubMed Google Scholar

Stamatakis A. RAxML Version 8: Ein Tool für die phylogenetische Analyse und Nachanalyse großer Phylogenien. Bioinformatik. 2014;30:1312–3.

Artikel CAS PubMed PubMed Central Google Scholar

Darriba D, Taboada GL, Doallo R, Posada D. JModelTest 2: Mehr Modelle, neue Heuristiken und paralleles Rechnen. Nat-Methoden. 2012;9:772.

Artikel CAS PubMed PubMed Central Google Scholar

Moura A, Criscuolo A, Pouseele H, Maury MM, Leclercq A, Tarr C, et al. Gesamtgenombasierte Populationsbiologie und epidemiologische Überwachung von Listeria monocytogenes. Nat Microbiol. 2016;2:1–10.

Artikel Google Scholar

Carattoli A, Zankari E, Garciá-Fernández A, Larsen MV, Lund O, Villa L, et al. In Silico-Detektion und Typisierung von Plasmiden mittels Plasmidfinder und Plasmid-Multilocus-Sequenztypisierung. Antimikrobielle Wirkstoffe Chemother. 2014;58:3895–903.

Artikel PubMed PubMed Central Google Scholar

Steinegger M, Söding J. MMseqs2 ermöglicht die Suche nach sensiblen Proteinsequenzen für die Analyse umfangreicher Datensätze. Nat Biotechnol. 2017;35:1026–8.

Artikel CAS PubMed Google Scholar

Zeng Q. Prokaryotische Annotation Pipeline Broad Institute. https://www.hmpdacc.org/doc/sops/reference_genomes.

Deng X, Horn AL, Cao S. 26 Der jährliche Überblick über Lebensmittelwissenschaft und -technologie ist online unter food. Annu Rev Food Sci Technol. 2021;12:22–23.

Google Scholar

Liao J, Orsi RH, Carroll LM, Kovac J, Ou H, Zhang H, et al. Serotypspezifische Evolutionsmuster von antimikrobiell resistenten Salmonella enterica. BMC Evol Biol. 2019;19:132.

Artikel PubMed PubMed Central Google Scholar

Davies EA, Falahee MB, Adams MR. Beteiligung der Zellhülle von Listeria monocytogenes am Erwerb einer Nisinresistenz. J Appl Bakteriol. 1996;81:139–46.

Artikel CAS PubMed Google Scholar

Casey A, Fox EM, Schmitz-Esser S, Coffey A, McAuliffe O, Jordan K. Die Transkriptomanalyse von Listeria monocytogenes, die Biozidstress ausgesetzt war, zeigt eine Multisystemreaktion, die Zellwandsynthese, Zuckeraufnahme und Motilität umfasst. Vordere Mikrobiol. 2014;5:68.

Artikel PubMed PubMed Central Google Scholar

Veen S, van der, Hain T, Wouters JA, Hossain H, de Vos WM, Abee T, et al. Die Hitzeschockreaktion von Listeria monocytogenes umfasst Gene, die an Hitzeschock, Zellteilung, Zellwandsynthese und der SOS-Reaktion beteiligt sind. Mikrobiologie. 2007;153:3593–607.

Artikel PubMed Google Scholar

Liu X, Basu U, Miller P, McMullen LM. Stressreaktion und Anpassung von Listeria monocytogenes 08-5923, ausgesetzt einer subletalen Dosis von Carnocyclin A. Appl Environ Microbiol. 2014;80:3835–41.

Artikel PubMed PubMed Central Google Scholar

Hu Y, Huang H, Hui X, Cheng X, White AP, Zhao Z, et al. Verteilung und Entwicklung von Yersinia-Leucin-reichen Wiederholungsproteinen. Immun infizieren. 2016;84:2243–54.

Artikel CAS PubMed PubMed Central Google Scholar

Kajava AV. Strukturelle Vielfalt leucinreicher Wiederholungsproteine. J Mol Biol. 1998;277:519–27.

Artikel CAS PubMed Google Scholar

Cabanes D, Dehoux P, Dussurget O, Frangeul L, Cossart P. Oberflächenproteine ​​und das pathogene Potenzial von Listeria monocytogenes. Trends Mikrobiol. 2002;10:238–45.

Artikel CAS PubMed Google Scholar

Vivant AL, Garmyn D, Piveteau P. Listeria monocytogenes, ein bodenständiger Krankheitserreger. Front Cell Infect Microbiol. 2013;4:87.

Google Scholar

Cheshire MV, Russell JD, Fraser AR, BracewellL JM, Rorbertsons GW, Benzing-Purdie LM, et al. Natur der Bodenkohlenhydrate und ihre Verbindung mit Bodenhumusstoffen. J Bodenwissenschaft. 1992;43:359–73.

Artikel CAS Google Scholar

Maury MM, Tsai YH, Charlier C, Touchon M, Chenal-Francisque V, Leclercq A, et al. Aufdeckung der Hypervirulenz von Listeria monocytogenes durch Nutzung ihrer Artenvielfalt. Nat Genet. 2016;48:308–13.

Artikel CAS PubMed PubMed Central Google Scholar

Somavanshi R, Ghosh B, Sourjik V. Erkennung des Zuckerzuflusses durch das Phosphotransferasesystem von Escherichia coli. PLoS Biol. 2016;14:e2000074.

Artikel PubMed PubMed Central Google Scholar

Piveteau P, Depret G, Pivato B, Garmyn D, Hartmann A. Veränderungen in der Genexpression während der Anpassung von Listeria monocytogenes an die Bodenumgebung. Plus eins. 2011;6:e24881.

Artikel CAS PubMed PubMed Central Google Scholar

Millan AS, Peña-Miller R, Toll-Riera M, Halbert ZV, McLean AR, Cooper BS, et al. Positive Selektion und kompensatorische Anpassung interagieren, um nicht übertragbare Plasmide zu stabilisieren. Nat Commun. 2014;5:1–11.

Artikel Google Scholar

Lebrun M, Loulergue J, Chaslus-Dancla E, Audurier A. Plasmide in Listeria monocytogenes im Zusammenhang mit Cadmiumresistenz. Appl Environ Microbiol. 1992;58:3183–6.

Artikel CAS PubMed PubMed Central Google Scholar

McLauchlin J, Hampton MD, Shah S, Threlfall EJ, Wieneke AA, Curtis GDW. Subtypisierung von Listeria monocytogenes anhand von Plasmidprofilen und Arsen- und Cadmium-Empfindlichkeit. J Appl Microbiol. 1997;83:381–8.

Artikel CAS PubMed Google Scholar

Kuenne C, Voget S, Pischimarov J, Oehm S, Goesmann A, Daniel R, et al. Vergleichende Analyse von Plasmiden der Gattung Listeria. Plus eins. 2010;5:1–7.

Artikel Google Scholar

Ryan S., Begley M., Hill C., Gahan CGM. Eine Stress-Überlebensinsel mit fünf Genen (SSI-1), die zum Wachstum von Listeria monocytogenes unter suboptimalen Bedingungen beiträgt. J Appl Microbiol. 2010;109:984–95.

Artikel CAS PubMed Google Scholar

Harter E, Wagner EM, Zaiser A, Halecker S, Wagner M, Rychli K. Stress-Überlebensinsel 2, vorwiegend in Listeria monocytogenes-Stämmen des Sequenztyps 121 vorhanden, ist an den Reaktionen auf alkalischen und oxidativen Stress beteiligt. Appl Environ Microbiol. 2017;83:e00827–17.

Artikel CAS PubMed PubMed Central Google Scholar

Kaszoni-Rückerl I, Mustedanagic A, Muri-Klinger S, Brugger K, Wagner KH, Wagner M, et al. Vorherrschen verschiedener Listeria innocua und Listeria monocytogenes bei wiederkehrenden Kontaminationsereignissen in Milchverarbeitungsbetrieben. Mikroorganismen. 2020;8:234.

Artikel PubMed PubMed Central Google Scholar

Pasquali F, Palma F, Guillier L, Lucchi A, De Cesare A, Manfreda G. Listeria monocytogenes-Sequenztypen 121 und 14, die innerhalb eines Jahres nach der Probenahme in einer Kaninchenfleischverarbeitungsanlage wiederholt isoliert wurden: Persistenz und Ökophysiologie. Vordere Mikrobiol. 2018;9:596.

Artikel PubMed PubMed Central Google Scholar

Sidorenko ML, Buzoleva LS, Kostenkov NM. Der Einfluss der Bodeneigenschaften auf die Erhaltung und Vermehrung von Listerien und Yersinien. Eurasische Bodenwissenschaft. 2006;39:211–7.

Artikel Google Scholar

McLaughlin HP, Casey PG, Cotter J, Gahan CGM, Hill C. Faktoren, die das Überleben von Listeria monocytogenes und Listeria innocua in Bodenproben beeinflussen. Arch Microbiol. 2011;193:775–85.

Artikel CAS PubMed Google Scholar

Mellander PE, Löfvenius MO, Laudon H. Auswirkungen des Klimawandels auf Schnee und Bodentemperatur in borealen Waldkiefernbeständen. Klimawandel. 2007;85:179–93.

Artikel CAS Google Scholar

Desriac F, Jégou C, Balnois E, Brillet B, Chevalier P, Fleury Y. Antimikrobielle Peptide aus marinen Proteobakterien. Mar-Drogen. 2013;11:3632–60.

Artikel PubMed PubMed Central Google Scholar

Dzieciol M, Schornsteiner E, Muhterem-Uyar M, Stessl B, Wagner M, Schmitz-Esser S. Bakterienvielfalt von Bodenabfluss-Biofilmen und Abflusswässern in einer mit Listeria monocytogenes kontaminierten Lebensmittelverarbeitungsumgebung. Int J Lebensmittelmikrobiol. 2016;223:33–40.

Artikel PubMed Google Scholar

Nisha P, John N, Mamatha C, Thomas M. Charakterisierung einer bioaktiven Verbindung, die durch Mikrofouling-Aktinobakterien (Micrococcus Luteus) produziert wird, die aus dem Schiffsrumpf im Arabischen Meer, Cochin, isoliert wurden. Kerala. Mater Today Proc. 2020;25:257–64.

Artikel CAS Google Scholar

Moura A, Criscuolo A, Pouseele H, Maury MM, Leclercq A, Tarr C, et al. Gesamtgenombasierte Populationsbiologie und epidemiologische Überwachung von Listeria monocytogenes. Nat Microbiol. 2016;2:1–10.

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom Center for Produce Safety (Auszeichnungsnummer 2018CPS13) durch das Florida Department of Agriculture and Consumer Services (unter der Vereinbarungsnummer 024842) und durch den Zuschuss der Specialty Crop Research Initiative (Auszeichnungsnummer 2019-51181-30016) des US-Ministeriums unterstützt of Agriculture – NIFA (MW) und 4-VA (JL). Alle in dieser Veröffentlichung geäußerten Meinungen, Erkenntnisse, Schlussfolgerungen oder Empfehlungen sind die der Autoren und spiegeln nicht unbedingt die Meinung des Center for Produce Safety oder des USDA wider.

Abteilung für Lebensmittelwissenschaft, Cornell University, Ithaca, NY, USA

Jingqiu Liao, Xiaodong Guo, Genevieve Sullivan und Martin Wiedmann

Abteilung für Bau- und Umweltingenieurwesen, Virginia Tech, Blacksburg, VA, USA

Jingqiu Liao

Fakultät für Biomedizinische und Pharmazeutische Wissenschaften, Technische Universität Guangdong, Guangzhou, Guangdong, China

Shaoting Li

Fakultät für Informatik, Virginia Tech, Blacksburg, VA, USA

Sai Manohar Balu Anupoju

Abteilung für Lebensmittelwissenschaft und -technologie, Virginia Tech, Blacksburg, VA, USA

Rachel A. Cheng und Daniel L. Weller

Abteilung für Biostatistik und Computerbiologie, University of Rochester Medical Center, Rochester, NY, USA

Daniel L. Weller

Abteilung für Wirtschaftsinformatik, Virginia Tech, Blacksburg, VA, USA

Hailong Zhang

Zentrum für Lebensmittelsicherheit, University of Georgia, Griffin, GA, USA

Xiangyu Deng

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

JL und MW haben die Studie entworfen. XG führte die Laborexperimente durch. JL, SL, BA und HZ analysierten die Daten mit Eingaben von XD und MW. JL hat den Artikel mit Beiträgen von RC, GS und MW verfasst. DW und GS unterstützten bei der isolierten Erfassung und dem Datenzugriff.

Korrespondenz mit Jingqiu Liao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

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

Nachdrucke und Genehmigungen

Liao, J., Guo, X., Li, S. et al. Die vergleichende Genomik deckt umfangreiche genomische Variationen zwischen Populationen von Listeria-Arten in natürlichen und lebensmittelassoziierten Umgebungen auf. ISME COMMUN. 3, 85 (2023). https://doi.org/10.1038/s43705-023-00293-x

Zitat herunterladen

Eingegangen: 12. April 2023

Überarbeitet: 02. August 2023

Angenommen: 04. August 2023

Veröffentlicht: 19. August 2023

DOI: https://doi.org/10.1038/s43705-023-00293-x

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

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

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt