Nachricht

Nov 17, 2023

Umfangreiches Screening deckt bisher unentdeckte Aminoglykosid-Resistenzgene bei menschlichen Krankheitserregern auf

Communications Biology Band 6, Artikelnummer: 812 (2023) Diesen Artikel zitieren 151 Zugriffe auf 4 Altmetric Metrics-Details Antibiotikaresistenz ist eine wachsende Bedrohung für die menschliche Gesundheit, die teilweise durch verursacht wird

Communications Biology Band 6, Artikelnummer: 812 (2023) Diesen Artikel zitieren

151 Zugriffe

4 Altmetrisch

Details zu den Metriken

Antibiotikaresistenzen stellen eine wachsende Bedrohung für die menschliche Gesundheit dar, die zum Teil dadurch verursacht wird, dass Krankheitserreger durch horizontalen Gentransfer Antibiotikaresistenzgene (ARGs) ansammeln. Neue ARGs werden in der Regel erst erkannt, wenn sie weit verbreitet sind, was unsere Fähigkeit, ihre Verbreitung einzudämmen, einschränkt. In dieser Studie verwenden wir ein groß angelegtes computergestütztes Screening von Bakteriengenomen, um bisher unentdeckte mobile ARGs in Krankheitserregern zu identifizieren. Aus ca. 1 Million Genomen prognostizieren wir 1.071.815 Gene, die für 34.053 einzigartige Aminoglycosid-modifizierende Enzyme (AMEs) kodieren. Diese gruppieren sich in 7.612 Familien (<70 % Aminosäureidentität), von denen 88 bereits beschrieben wurden. Fünfzig neue AME-Familien werden mit mobilen genetischen Elementen und pathogenen Wirten in Verbindung gebracht. Von diesen verleihen 24 von 28 experimentell getesteten AMEs eine Resistenz gegen Aminoglykoside in Escherichia coli, wobei 17 eine Resistenz oberhalb der klinischen Grenzwerte bieten. Diese Studie erweitert das Spektrum klinisch relevanter Determinanten der Aminoglykosidresistenz erheblich und zeigt, dass rechnerische Methoden die frühzeitige Entdeckung potenziell neu auftretender ARGs ermöglichen.

Antibiotikaresistenzen breiten sich unter Krankheitserregern immer weiter aus und drohen, den Nutzen von Antibiotika bei der Behandlung und Vorbeugung bakterieller Infektionen unwiderruflich zu beeinträchtigen1. Resistenzen entstehen häufig, wenn Mikroorganismen durch horizontalen Gentransfer2 mobile Antibiotikaresistenzgene (ARGs) erwerben. Dieser Prozess wird normalerweise durch mobile genetische Elemente (MGEs) wie konjugative Plasmide und Insertionssequenzen erleichtert, die es ARGs ermöglichen können, sich unter ausreichendem Selektionsdruck schnell zwischen Bakterienzellen in Gemeinschaften zu verbreiten3,4. Krankheitserreger werden durch die Anhäufung neuer, oft effizienterer ARGs immer resistenter5,6. Das mangelnde Wissen über die evolutionären Prozesse hinter diesem laufenden Gentransfer erschwert jedoch die Umsetzung wirksamer Präventionsmaßnahmen.

Aminoglykoside stellen eine wichtige Klasse von Antibiotika dar, gegen die die klinische Resistenz zunimmt7,8. Diese Verbindungen werden seit langem klinisch eingesetzt, vor allem zur Behandlung von Infektionen durch gramnegative Bakterien (z. B. Enterobacteriaceae), aber auch als Zweitlinienbehandlung gegen bestimmte grampositive Krankheitserreger (z. B. das multiresistente Mycobacterium tuberculosis)9. 10. Resistenz gegen Aminoglykoside ist mit mehreren Mechanismen verbunden, wobei die Arzneimittelinaktivierung durch Aminoglykosid-modifizierende Enzyme (AMEs) im klinischen Umfeld am häufigsten vorkommt11,12. Unter den AME-Mechanismen sind die Aminoglycosid-Acetyltransferasen (AACs) und die Aminoglycosid-Phosphotransferasen (APHs) am häufigsten13,14. Die AACs wirken durch Acetylierung von Aminoglykosiden an Position 1 (AAC(1)), 2' (AAC(2')), 3 (AAC(3)) oder 6' (AAC(6')). Die meisten dieser Enzyme gehören zur großen GCN5-verwandten N-Acetyltransferase (GNAT)-Proteinfamilie15,16, mit Ausnahme der meisten AAC(3)-Enzyme17 und möglicherweise AAC(1)-Enzyme, für die keine Sequenzen öffentlich zugänglich gemacht wurden13. Die APHs hingegen nutzen Phosphorylierung an Position 2'' (APH(2'')), 4 (APH(4)), 3' (APH(3')), 3'' (APH(3') ')), 6 (APH(6)), 7'' (APH(7'')) oder 9 (APH(9)) zur Inaktivierung von Aminoglykosiden. Die Ursprünge von APHs sind nicht klar, es wurde jedoch angenommen, dass sie aufgrund ihrer strukturellen Ähnlichkeit eine Evolutionsgeschichte mit Mph-Makrolid-Phosphotransferasen und eukaryotischen Proteinkinasen (z. B. cAMP-abhängige Proteinkinase cAMP) haben18,19. Unter den AMEs weisen AACs mit 86 im ResFinder20 vorhandenen Gensequenzen die größte bekannte Diversität auf, verglichen mit 39 bisher gemeldeten Gensequenzen von APHs. Die volle Vielfalt dieser Enzyme ist jedoch noch unbekannt.

Es ist bekannt, dass Bakteriengemeinschaften in Menschen, Tieren und äußeren Umgebungen eine große Vielfalt an ARGs aufrechterhalten. Dazu gehören Gene, die für AMEs kodieren, und stellen ein Reservoir dar, aus dem Gene für Krankheitserreger rekrutiert werden können21,22,23,24. Der jüngste Ursprung der meisten ARGs ist noch unbekannt, was darauf hindeutet, dass sie wahrscheinlich von Arten mobilisiert wurden, die in den aktuellen Sequenzrepositorien noch nicht gut vertreten sind25. Folglich werden neu auftretende ARGs häufig erst dann identifiziert, wenn sie in Krankheitserregern weit verbreitet sind und somit ein erhebliches klinisches Problem darstellen. Beispielsweise wurde die Beta-Lactamase NDM-1 ursprünglich bei einer Klebsiella pneumoniae-Infektion entdeckt, die 2008 in Indien erworben wurde26, aber bereits 2009 wurde das Gen häufig in Kliniken in Indien, Pakistan, Bangladesch und dem Vereinigten Königreich angetroffen27. Dieses schnelle Auftreten legt nahe, dass NDM-1 vor seiner Entdeckung häufig von Krankheitserregern übertragen wurde. Ebenso war die plasmidkodierte Colistin-Resistenzdeterminante MCR-1, die erstmals 2015 in kommensalen und klinischen Isolaten aus China beobachtet wurde, zum Zeitpunkt ihrer Entdeckung in mindestens 16 Ländern auf zwei Kontinenten vorhanden28,29. Die Unfähigkeit, neu entstehende Resistenzgene zu stoppen, führt nicht nur zu einer erhöhten Morbidität und Mortalität der Patienten, sondern auch zu steigenden Gesundheitskosten30. Tatsächlich wurden die Kosten, die durch einen einzigen Ausbruch von NDM-übertragenden Bakterien auf einer Krankenhausstation entstehen, auf etwa 1 Million US-Dollar geschätzt31. Um die Wirksamkeit bestehender und zukünftiger Antibiotika zu schützen, sollten neue ARGs idealerweise frühzeitig identifiziert werden. Dies würde eine genspezifische Diagnostik ermöglichen und die Umsetzung von Gegenmaßnahmen wie gezielter Infektionskontrolle und -überwachung erleichtern, um eine weitere Verbreitung einzudämmen.

Eine grundlegende Herausforderung bei der Erkennung neu auftretender ARGs besteht darin, dass sie in den Sequenzdatenbanken generell fehlen, was ihre Identifizierung mit Standardmethoden erschwert. Neue ARGs können mithilfe der funktionalen Metagenomik32 erkannt werden, diese Technik ist jedoch kostspielig und hat einen begrenzten Durchsatz und ist daher schwer in großem Maßstab umzusetzen. Alternativ wurde eine breite Palette rechnerischer Methoden für die Vorhersage nicht charakterisierter ARGs aus Sequenzierungsdaten entwickelt33. Diese Methoden nutzen in der Regel die aktuellen Resistenzgendatenbanken wie ResFinder20 und CARD34 und verwenden Modelle, um Gene anhand ihrer Sequenz oder Strukturmerkmale vorherzusagen. Beispiele hierfür sind fARGene, das genspezifische Hidden-Markov-Modelle (HMMs) verwendet, um homologe ARGs mit geringer Sequenzähnlichkeit zu identifizieren;35 deepARG, das Deep-Learning-Algorithmen anwendet, um zwischen neuen ARGs und anderen Genen zu unterscheiden;36 sowie PCM37 und ARGGNN38, beide Nutzen Sie maschinelles Lernen, um neue ARGs anhand von Merkmalen ihrer Proteinstruktur zu identifizieren. Die experimentelle Validierung hat gezeigt, dass die allgemeine Genauigkeit der rechnerischen Vorhersage von ARGs bis zu >80 % beträgt35, was diese Methoden zu einer zuverlässigen Option für die Erkennung neuer Resistenzgene macht.

In dieser Studie zeigen wir, wie rechnerische Vorhersagen genutzt werden können, um bisher unentdeckte Aminoglykosid-Resistenzgene zu identifizieren. Durch die Analyse von ca. 1 Million Bakteriengenomen haben wir 1.071.815 Gene vorhergesagt, die 34.053 einzigartige AMEs kodieren, aufgeteilt in 7.612 AME-Familien (<70 % Aminosäureidentität). Unter diesen enthielten 50 neue AME-Familien Gene, die zusammen mit MGEs lokalisiert waren und in menschlichen Krankheitserregern vorhanden waren. Die experimentelle Validierung von Genen aus 28 dieser Familien zeigte, dass 24 einen Resistenzphänotyp in Escherichia coli induzierten, von dem 17 eine Resistenz oberhalb klinischer Grenzwerte und/oder epidemiologischer Grenzwerte (ECOFFs) verliehen. Unsere Ergebnisse erweitern die Zahl der bekannten AMEs erheblich und bieten einen einzigartigen Überblick über die nicht charakterisierten, aber klinisch relevanten Determinanten der Aminoglykosidresistenz. Wir kommen zu dem Schluss, dass ein groß angelegtes computergestütztes Screening von Bakteriengenomen eine effiziente Möglichkeit darstellt, neue Resistenzgene zu identifizieren, bevor sie sich in Krankheitserregern verbreiten.

Mit fARGene, einer Software, die optimierte HMMs nutzt, um ARGs in Sequenzdaten zu identifizieren, wurden neue Gene, die für AMEs kodieren, in Bakteriengenomen vorhergesagt35. Es wurden neun HMMs (AI) erstellt, die Gene aus zwei Hauptmechanismen von AMEs darstellen: sechs Modelle (AF) für AACs und drei Modelle (GI) für APHs, basierend auf der Phylogenie (Ergänzende Abbildungen 1, 2, 3). Die Empfindlichkeit der Modelle wurde basierend auf experimentell validierten Proteinsequenzen optimiert, die für jedes Modell einzigartig sind (Ergänzungsdaten 1). Um eine hohe Spezifität sicherzustellen, wurden die Modelle auch gegen negative Datensätze optimiert, die aus Genen mit einer evolutionär engen Beziehung zu AACs oder APHs bestehen, von denen nicht berichtet wurde, dass sie Aminoglycosidresistenz verleihen (Ergänzungsdaten 1; vollständige Einzelheiten siehe Methoden). Nach der Kreuzvalidierung zeigten die Modelle eine hohe Sensitivität und Spezifität, wobei alle bis auf ein Modell eine Sensitivität von 1,0 zeigten (0,9375 für Modell E [AAC(6')-I]), während die Spezifität aller Modelle am optimierten Schwellenwert 1,0 betrug Punktzahl (Ergänzungsabbildung 4, Ergänzungstabelle 1).

Als nächstes verwendeten wir die optimierten Modelle und untersuchten 990.306 von NCBI Assembly39 heruntergeladene Bakteriengenome auf Gene, die für AMEs kodieren. Dies ergab insgesamt 1.071.815 vorhergesagte Gene – 153.317 davon waren bisher unbekannt (Ergänzungsdaten 2) – die 34.053 einzigartige Proteinsequenzen kodierten (nach Clusterung bei 100 % Aminosäureidentität; Tabelle 1), die sowohl bekannte als auch neue AMEs repräsentierten. Die vorhergesagten AMEs gruppierten sich in 7.613 AME-Familien (< 70 % Aminosäureidentität), von denen 4.271 AACs und 3.342 Familien APHs darstellten. Von den analysierten Genomen kodierten 280.372 (28,3 %) eine einzelne AME, während 261.295 (26,4 %) mehrere Varianten kodierten. Bei pathogenen Arten wurden bis zu 997.373 AMEs (93 %) vorhergesagt, aber da diese nur 6.075 einzigartigen Proteinen (17,8 %) in 204 AME-Familien (2,7 %) entsprachen, stellten sie lediglich einen Bruchteil der für alle Arten vorhergesagten genetischen Vielfalt dar. Wenn man jedoch bedenkt, dass nur 112 (0,6 %) der Arten, die AMEs tragen, als pathogen eingestuft wurden, war die vorhergesagte Menge neuer AMEs bei pathogenen Arten beträchtlich (Abb. 1a). Dies traf insbesondere auf die Gene zu, die durch die Modelle C [AAC(3)-II, III, VI, VII, VIII, IX], E [AAC(6')-I] und I [APH(6)-I +) vorhergesagt wurden APH(3')-II], wobei 75 %, 81 % bzw. 89 % der pathogenassoziierten vorhergesagten AME-Familien neu waren. Allerdings trugen Krankheitserreger im Vergleich zu nicht pathogenen Arten im Allgemeinen einen geringeren Anteil neuer AMEs bei (Abb. 1b).

a AME-Familien, die von Krankheitserregern übertragen werden. b AME-Familien, die von allen Arten getragen werden. c Mobile AME-Familien, die von Krankheitserregern übertragen werden. d Mobile AME-Familien, die von allen Arten getragen werden.

Die phylogenetische Analyse der von jedem Modell vorhergesagten AMEs wurde verwendet, um ihre Evolutionsgeschichte zu analysieren. Bei allen Modellen wurden deutliche Abweichungen zwischen den Gen- und Wirtsphylogenien beobachtet, was auf mehrere horizontale Gentransferereignisse hinweist (ergänzende Abbildung 5). Um die potenzielle Mobilität der neuen AMEs in Krankheitserregern weiter zu untersuchen, haben wir ihren genetischen Kontext auf MGEs untersucht. Wir identifizierten 104 pathogenassoziierte AME-Familien, von denen 50 (48 %) nicht in aktuellen ARG-Repositories vorhanden waren und deren Mitglieder zusammen mit konjugativen Elementen, Insertionssequenzen, Integrons und/oder anderen bekannten mobilen ARGs lokalisiert waren (Abb. 1c und). 2). Die meisten neuen mobilen Pathogen-assoziierten AME-Familien (36) wurden bei proteobakteriellen Pathogenen gefunden (am häufigsten kommt Pseudomonas aeruginosa vor). Unter den Überträgern befanden sich jedoch auch pathogene Arten von Firmicutes (z. B. Streptococcus sp.) und Bacteroidetes (Elizabethkingia anophelis). Bemerkenswerterweise umfassten mehrere AME-Familien (z. B. C24, H510, siehe ergänzende Daten 3) Gene, die in mehreren Phyla vorhanden waren, was darauf hindeutet, dass diese Gene irgendwann einem horizontalen Gentransfer zwischen Phyla unterzogen wurden.

Die Balken unten zeigen die von jedem der neun Modelle innerhalb jeder Kategorie vorhergesagte Verteilung der Gene. a Familien, die neue AMEs repräsentieren, und b Familien, die bekannte AMEs repräsentieren.

Die neuen mobilen Pathogen-assoziierten AME-Familien waren im Allgemeinen mit bestimmten MGE-Typen assoziiert, wobei nur 10 Familien (20 %) mit Elementen aus mehreren Kategorien kolokalisiert waren. Der häufigste Hinweis auf MGEs waren Gene, die an der Konjugation beteiligt sind – wie Relaxasen und/oder Gene zur Paarungspaarbildung –, die zusammen mit AMEs aus 34 neuen Pathogen-assoziierten Familien lokalisiert waren (68 %; Abb. 2a). Dabei handelte es sich in erster Linie um Paarebildungsgene aus den F-, G- oder FATA-Klassen und die MOBP1-Relaxase, die mit breiten Wirtsbereichen assoziiert sind40. Im Gegensatz dazu waren die bekannten pathogenassoziierten AMEs mit einer größeren Vielfalt an MGEs assoziiert, wobei 19 AME-Familien (32 %) zusammen mit Elementen aus allen einbezogenen Kategorien lokalisiert waren. Es wurde angegeben, dass die Konjugation auch der Hauptmechanismus für die Übertragung bekannter AMEs ist, da Gene aus 42 bekannten Pathogen-assoziierten Familien (78 %) nahe an den Konjugationsgenen zu liegen schienen (Abb. 2b). Darüber hinaus waren Gene aus 27 der neuen Pathogen-assoziierten AME-Familien (54 %) zusammen mit anderen mobilen Resistenzgenen lokalisiert, was darauf hindeutet, dass die Co-Selektion eine Rolle bei ihrer Verbreitung spielen kann. Zu diesen co-lokalisierten ARGs gehörten Gene, die Resistenz gegen Beta-Lactame, Tetracycline, Makrolide, Chinolone und Sulfonamide verleihen, sowie andere Aminoglycosid-Resistenzgene (Supplementary Data 3).

Als nächstes analysierten wir die Herkunftsumgebung, den geografischen Standort und das Sammeldatum der Isolate, die die neuen mobilen pathogenassoziierten AMEs enthielten. Daraus stellten wir fest, dass 21 Familien (42 %) mindestens ein in einem klinischen Isolat identifiziertes Gen enthielten (Abb. 3a) und dass weltweit Wirte der neuen mit mobilen Krankheitserregern assoziierten AME-Familien gefunden wurden (Abb. 3b). Interessanterweise wurden Gene aus sieben Familien in Genomen gefunden, die vor 1979 isoliert wurden, was darauf hindeutet, dass sie schon seit langer Zeit in Krankheitserregern vorhanden sind (Abb. 3c).

Die Tafeln zeigen die Anzahl der AME-Familien, aufgeteilt nach der Isolation ihrer Wirte: a Umgebung (Daten verfügbar für 14.747 Isolate (16 %) repräsentieren 39 AME-Familien (78 %)), b Kontinent (Daten verfügbar für 10.631 Isolate (12 %) repräsentieren). 41 AME-Familien (82 %) und c-Entnahmedatum (Daten für 10.260 Isolate (11 %) verfügbar, die 41 AME-Familien (82 %) repräsentieren). Beachten Sie, dass eine Familie Genvarianten enthalten kann, die von mehreren Wirten aus unterschiedlichen Quellen getragen werden.

Wir bewerteten die Funktionalität der vorhergesagten AMEs, indem wir repräsentative Gene aus 28 neuen mobilen Pathogen-assoziierten AME-Familien in E. coli exprimierten. Die resultierenden Phänotypen wurden durch Scheibendiffusionstests mit sieben verschiedenen Aminoglykosiden bewertet. Die zur Bewertung ausgewählten Gene wurden auf der Grundlage ihres potenziellen Risikos für die menschliche Gesundheit durch die Kombination von Pathogenität der Wirtsspezies, co-lokalisierten MGE-assoziierten Genen und anderen ARGs (Supplementary Data 3) sowie der Wahrscheinlichkeit, einen messbaren Resistenzphänotyp zu erzeugen, ausgewählt die getesteten Bedingungen (unter der Annahme eines ähnlichen Phänotyps wie das nächstgelegene bekannte Homolog). Von den 28 getesteten ARGs verliehen 24 (86 %) eine signifikant erhöhte Resistenz (d. h. eine verringerte Anfälligkeit im Vergleich zur Kontrolle mit einem p-Wert < 0,01; genaue p-Werte für jeden Test sind in den Zusatzdaten 4 aufgeführt) gegenüber mindestens einem Aminoglykosid. während 23 (82 %) E. coli eine Resistenz gegen mehrere Aminoglykoside verliehen (Abb. 4). Während mehrere der getesteten Gene eine signifikant erhöhte Resistenz gegen Amikacin, Gentamicin, Kanamycin, Neomycin, Netilmicin und Tobramycin aufwiesen (12, 3, 22, 6, 12 bzw. 11 Gene), induzierte keines eine Resistenz gegen Spectinomycin. Beim Vergleich der Hemmzonendurchmesser mit den klinischen Grenzwerten und ECOFFs41 von EUCAST ergaben 17 der getesteten Gene (61 %), dass sie Resistenzen über den Grenzwerten für Amikacin (D292, E111, E141, E449, E553, F309) und Gentamicin (C322, C1264) ergaben. , Neomycin (H957), Netilmicin (D292, E64, E111, E141, E449, E526, E550, E553, E606, E657, E963, F72, F309, F314) und/oder Tobramycin (C322, C1264, E449, E553, E963). ) (Abb. 4, ergänzende Abb. 6).

Die Felder a–g zeigen den mittleren Unterschied im Durchmesser der Hemmzone [mm] zwischen Klonen, die neue AMEs tragen (n = 3 für jedes Gen und Antibiotikum) und anfälligen Kontrollen (n = 6 für jedes Antibiotikum) für sieben verschiedene Aminoglykoside: Amikacin (AK 30 µg). ), Gentamicin (CN 30 µg), Kanamycin (K 30 µg), Neomycin (N 30 µg), Netilmicin (NET 10 µg), Spectinomycin (SH 25 µg) und Tobramycin (TOB 30 µg). Einzelne Datenpunkte sind in der ergänzenden Abbildung 6 dargestellt. Ein deutlich erhöhtes Wachstum (p-Wert < 0,01, einseitiger T-Test bei zwei Stichproben) wird durch ein Sternchen über dem Balken gekennzeichnet, wobei rote Sternchen ein Widerstandsniveau über dem klinischen Bereich anzeigen Haltepunkt (Amikacin, Gentamicin, Tobramycin) oder ECOFF (Neomycin). Standardabweichungen werden als Fehlerbalken angezeigt. Panel h zeigt einen Überblick über die getesteten Antibiotikaresistenzgene und die Aminoglykoside, gegen die jedes Gen eine signifikant erhöhte Resistenz verlieh, wobei Sternchen die klinischen Resistenzniveaus kennzeichnen.

In dieser Studie haben wir etwa 1 Million Bakteriengenome gescreent und Gene identifiziert, die für Aminoglycosid-modifizierende Enzyme (AMEs) aus 7.613 Genfamilien kodieren (< 70 % Aminosäureidentität). Dazu gehörten 50 bisher unentdeckte AME-Familien, die zusammen mit Genen lokalisiert waren, die mit mobilen genetischen Elementen (MGEs) in menschlichen Krankheitserregern assoziiert sind. Gene aus 21 dieser 50 neuen Pathogen-assoziierten mobilen AME-Familien wurden in klinischen Isolaten identifiziert, was zeigt, dass sie bereits unter Pathogenen im menschlichen Mikrobiom zirkulieren. Die Phänotypen der vorhergesagten AMEs wurden experimentell bestätigt, wobei 24 der 28 getesteten Gene (86 %) die Resistenz gegen mindestens ein Aminoglykosid signifikant erhöhten. Unsere Ergebnisse erweitern die Zahl der bekannten klinisch relevanten AMEs erheblich und zeigen, dass computergestütztes Screening zur Identifizierung potenziell neu auftretender Resistenzgene eingesetzt werden kann.

Siebzehn (61 %) der experimentell validierten AMEs verliehen eine Resistenz oberhalb der klinischen Grenzwerte und/oder ECOFFs für Amikacin, Gentamicin, Neomycin, Netilmicin und/oder Tobramycin gemäß EUCAST (Abb. 4, ergänzende Abb. 6). Es ist jedoch wichtig zu beachten, dass die Extrapolation exakter Resistenzniveaus, die in heterologen Expressionssystemen erzeugt werden, immer mit Vorsicht erfolgen sollte. Außerdem entsprach unser Assay nicht genau den EUCAST-Standards, da für die Validierungen Scheiben mit 30 µg Antibiotika verwendet wurden (mit Ausnahme von Netilmicin und Spectinomycin, bei denen Scheiben mit 10 µg bzw. 25 µg verwendet wurden), während die EUCAST-Grenzwerte für Gentamicin, Neomycin, und Tobramycin basieren auf Scheiben mit 10 µg-Beladungen41, und in diesem Sinne sind die von uns vorgelegten Resistenzschätzungen wahrscheinlich konservativ. Andererseits verwendeten wir einen Vektor mit hoher Expression, was wahrscheinlich zu höheren Resistenzniveaus führte, als dies natürlicherweise der Fall wäre. Dennoch zeigen unsere Ergebnisse, dass mehrere der identifizierten AMEs möglicherweise zur abnehmenden Wirksamkeit von Aminoglykosiden beitragen und, wenn sie in Krankheitserregern vorhanden und in ausreichender Menge exprimiert werden, eine erfolgreiche Antibiotikabehandlung verhindern könnten. Es ist zu beachten, dass vier der getesteten neuen AMEs unter unseren Versuchsbedingungen keine Aminoglycosidresistenz aufwiesen (C24, C118, C715, E18), selbst nachdem die Gene für E. coli codonoptimiert wurden. Es ist jedoch plausibel, dass diese Gene auch in anderen Wirten oder genetischen Kontexten noch funktionsfähig sind. Interessanterweise wurden alle vier dieser AMEs von Genen kodiert, die ursprünglich in Streptococcus sp. identifiziert wurden, was darauf hindeutet, dass sie möglicherweise genetisch inkompatibel mit E. coli sind. Zwei der anderen getesteten AMEs, die mit Streptococcus assoziiert waren (E449, E526), ​​induzierten jedoch einen Resistenzphänotyp, was zeigt, dass zumindest einige AMEs in evolutionär entfernten Wirten funktionieren können.

Unsere Ergebnisse legen nahe, dass die neuen pathogenassoziierten AMEs hauptsächlich durch Konjugation übertragen werden. Basierend auf strengen Kriterien (siehe Methoden) waren bis zu 68 % der 50 neuen pathogenassoziierten mobilen AMEs zusammen mit an der Konjugation beteiligten Genen lokalisiert. Dies entsprach in etwa dem, was bei den bekannten AMEs beobachtet wurde, von denen 78 % auf konjugativen Plasmiden gefunden wurden. Wir haben festgestellt, dass mehrere der neuen AMEs mit Plasmiden mit breitem Wirtsspektrum assoziiert waren, einschließlich Plasmiden, die Typ-IV-Sekretionssysteme der Klassen F und T tragen, was auf ein Potenzial für eine Ausbreitung über große evolutionäre Distanzen hindeutet42. Es gab auch Unterschiede im genetischen Kontext zwischen neuen und bekannten AMEs. Am auffälligsten war die Assoziation zwischen AMEs und Integrons, wobei nur 6 %, verglichen mit 48 % der neuen bzw. bekannten pathogenassoziierten AMEs, in der Nähe von Integrasen der Klasse 1 lokalisiert waren. Die neuen AMEs waren in geringerem Maße auch mit bekannten mobilen ARGs kolokalisiert. Tatsächlich waren 91 % der bekannten pathogenassoziierten AMEs zusammen mit bekannten Genen lokalisiert, die Resistenzen gegen andere Antibiotika verleihen, darunter Betalaktame, Tetracycline und Makrolide, was nur für 54 % der neuen AMEs zutraf. Dies könnte darauf hindeuten, dass mehrere der neuen AMEs, die in Krankheitserregern gefunden werden, neue ARGs darstellen, die noch nicht mit den effizientesten MGEs assoziiert sind und/oder mit anderen etablierteren und weit verbreiteten ARGs kolokalisiert sind. Multiresistenzplasmide, die große Genarrays tragen, werden durch einen schrittweisen Prozess gebildet, der mehrere aufeinanderfolgende, über die Zeit verteilte Evolutionsereignisse umfasst43. Eine geringere Tendenz zur Co-Lokalisierung mit anderen ARGs wurde auch bei Carbapenemasen beobachtet, von denen angenommen wird, dass viele davon nach der relativ neuen Einführung von Carbapenemen zur Behandlung bakterieller Infektionen auf Krankheitserreger übertragen wurden44. Daher ist es möglich, dass mehrere der in dieser Studie identifizierten AMEs im Laufe der Zeit häufiger vorkommen, und wenn sie einmal in Kontexten auftreten, die den Transfer und die gemeinsame Auswahl erleichtern, kann nicht ausgeschlossen werden, dass sie einige der bewährten AMEs ergänzen oder sogar ersetzen. etablierte Aminoglykosid-Resistenzgene.

Mehrere der neuen mobilen pathogenassoziierten AMEs, die in dieser Studie identifiziert wurden, waren in alten Proben vorhanden, wobei Gene aus sieben Familien (C1, C4, E18, G5, H100, I80, I269) von Bakterien getragen wurden, die vor 1980 isoliert wurden. Diese Gene waren vorhanden sind daher seit mindestens vier Jahrzehnten in Krankheitserregern wie Bacillus anthracis, Streptococcus pneumoniae und Salmonella enterica vorhanden, ohne sich ausreichend verbreitet zu haben, um als ARGs identifiziert zu werden. Weitere Untersuchungen dieser Familien ergaben, dass jede eine starke Präferenz für einen engen taxonomischen Wirtsbereich zeigte (Bacillus spp., Listeria spp., Streptococcus spp., Bacillus spp., Pseudomonas spp., S. enterica bzw. Legionella spp.). , was darauf hindeutet, dass ihnen die Mittel für eine effiziente Verbreitung fehlen. Bei vier der sieben in alten Isolaten identifizierten AME-Familien (C1, E18, G5, I80) war jedoch ein kleiner Anteil der Gene in evolutionär weit entfernten Krankheitserregern vorhanden, was auf einen horizontalen Gentransfer hindeutet (Supplementary Data 3). Unter diesen evolutionär weit entfernten Wirten war das früheste bestätigte Sammeldatum 2006, und wir spekulieren daher, dass diese Gene in jüngerer Zeit mit MGEs in Verbindung gebracht wurden, die ihre Fähigkeit zur breiteren Übertragung verbesserten. Es ist auch möglich, dass diese Gene und andere in dieser Studie gefundene AMEs mit starken Hindernissen konfrontiert sind, die ihre Verbreitung behindern45. ARGs sind oft mit erhöhten Fitnesskosten verbunden. Dies hängt zu einem großen Teil von der Nukleotidsequenz des Gens ab, wobei das Vorhandensein seltener Codons im neuen Wirt die Translationsrate drastisch reduzieren und dadurch eine ausreichend hohe Expression verhindern kann46. Daher ist es möglich, dass einige der in dieser Studie identifizierten AMEs keinen ausreichenden Nutzen haben und dass die meisten Bakterien kosteneffizientere Aminoglykosid-Resistenzdeterminanten bevorzugen47.

Die über 1 Million vorhergesagten AMEs gruppierten sich in fast 8.000 AME-Familien – von denen nur ein sehr kleiner Teil (1,2 %) zuvor charakterisiert wurde. Dies zeigt die große Vielfalt der AMEs, von denen viele latent in vielen Bakteriengemeinschaften vorhanden sind48. Tatsächlich waren AMEs sowohl in Umwelt- als auch Kommensalbakterien, einschließlich Actinobacteria, Firmicutes, Proteobacteria, Bacteroidetes, Chloroflexi und Cyanobacteria, allgegenwärtig (ergänzende Abbildung 5). Darüber hinaus zeigten die von den verschiedenen Modellen vorhergesagten Gene klare taxonomische Präferenzen, was darauf hindeutet, dass sie aus verschiedenen Bakterienstämmen stammen (Ergänzende Abbildungen 5, 7)25. Während die meisten ARGs in nicht pathogenen Arten möglicherweise keine unmittelbare Bedrohung darstellen, ist es nicht unangemessen anzunehmen, dass einige von ihnen in Zukunft mobilisiert und auf Krankheitserreger übertragen werden könnten. Bemerkenswert ist, dass wir neben den 50 neuen mobilen Pathogen-assoziierten AME 433 weitere neue AME-Familien identifizierten, die mit MGEs assoziiert sind, was darauf hindeutet, dass die Mobilisierung mehrerer Gene möglicherweise bereits stattgefunden hat (Abb. 1d). Dies wurde durch die phylogenetische Analyse gestützt, die klare Hinweise auf horizontale Transferereignisse in allen Bäumen zeigte, was darauf hindeutet, dass nicht nur die klinisch relevanten AMEs mobil sind (ergänzende Abbildung 5). Ein äußerst vielfältiges und teilweise mobiles Resistom wurde kürzlich für andere ARGs beschrieben, darunter Beta-Lactam-, Makrolid-, Tetracyclin- und Chinolin-Resistenzgene49,50,51,52. Dies unterstreicht weiter, dass das gesamte Resistom – einschließlich der vielen ARGs, die noch nicht in Krankheitserregern gefunden wurden – berücksichtigt werden muss, um die zukünftigen Risiken für die menschliche Gesundheit, die mit der Förderung von Antibiotikaresistenzen verbunden sind, vollständig einzuschätzen.

Die in dieser Studie beschriebene Identifizierung neuer AMEs basierte auf rechnerischen Vorhersagen. Diese Gene sollten als mutmaßliche ARGs behandelt werden, bis sie experimentell validiert wurden. Selbst wenn die meisten der vorhergesagten Gene zusammen mit bekannten Resistenzgenen in monophyletischen Gruppen vorhanden wären (ergänzende Abbildung 5), könnten einige von ihnen kürzlich ihre ursprüngliche Funktionalität verloren haben. Die experimentelle Validierung zeigte jedoch, dass 86 % der getesteten Gene in E. coli eine erhöhte Resistenz gegen mindestens ein Aminoglykosid hervorriefen. Dies steht im Einklang mit früheren Studien, die dieselbe Methodik verwendeten und bei denen 60–90 % der getesteten Gene den erwarteten Phänotyp hervorbrachten49,50,51,52. Diese Studie liefert somit einen weiteren Beweis dafür, dass rechnerische Vorhersagen verwendet werden können, um das Resistom über die begrenzte Anzahl von Gensequenzen hinaus zu erweitern, die derzeit in den ARG-Datenbanken vorhanden sind. Basierend auf unseren Ergebnissen argumentieren wir auch, dass das computergestützte Screening von Bakterienisolaten den effizientesten groß angelegten Ansatz zur Identifizierung neuer, potenziell neu auftretender Resistenzdeterminanten darstellt.

In dieser Studie haben wir eine Fülle neuer mobiler AMEs identifiziert, die von pathogenen Arten übertragen werden. Dies zeigt, dass rechnerische Methoden die Identifizierung potenziell neu auftretender ARGs ermöglichen, bevor sie sich verbreiten. Die experimentelle Validierung zeigte eine hohe Genauigkeit bei der Vorhersage funktioneller neuer Resistenzdeterminanten, und mehrere der getesteten neuen AMEs zeigten eine Resistenz, die weit über die klinischen Grenzwerte hinausging. Die Einführung neuer und wirksamer ARGs stellt eine ernsthafte Bedrohung für die Wirksamkeit bestehender und zukünftiger Antibiotika dar1,2,3. Das Wissen darüber, welche ARGs in Zukunft zu einem klinischen Problem werden könnten, ist für die Umsetzung geeigneter präventiver Maßnahmen zur Begrenzung der Verbreitung von entscheidender Bedeutung. Es ist auch von entscheidender Bedeutung für sequenzierungsbasierte Methoden, die heute routinemäßig in der Diagnostik53, Infektionskontrolle54 und Überwachung55 eingesetzt werden. Tatsächlich zeigen die Ergebnisse dieser Studie, dass die vorhandenen ARG-Datenbanken eindeutig begrenzt sind und nur Informationen über einen kleinen Teil des klinisch relevanten Resistoms liefern. Tatsächlich verdoppelt diese einzelne Studie die Anzahl der bekannten aac- und aph-Genvarianten, die in Krankheitserregern zirkulieren, nahezu. Daher ist es unbedingt erforderlich, die Referenzdatenbanken der ARGs zu erweitern. Hier bietet die rechnerische Vorhersage eine genaue und skalierbare Methode, die die traditionelleren Ansätze ergänzen kann.

Neun Profil-Hidden-Markov-Modelle (HMMs) wurden mit fARGene v0.135 wie folgt erstellt und optimiert. Nukleotidsequenzen, die aac- und aph-Gene darstellen, wurden von ResFinder v4.020 heruntergeladen und mit EMBOSS Transeq v6.5.7.056 übersetzt. Da minimale Unterschiede erforderlich sind, damit einige Aminoglykosid-Resistenzgene als unterschiedliche Varianten betrachtet werden57, wurden die Proteinsequenzen mit USEARCH v8.01445 und den Parametern '-cluster_fast -id 0.9'58 bei 90 % Aminosäureidentität geclustert, um die Redundanz zu reduzieren.

Die Schwerpunktsequenzen, die GNAT-AACs, nicht-GNAT-ähnliche AACs und APHs darstellen, wurden separat mit mafft v7.2359 mit Standardparametern ausgerichtet. Phylogenetische Bäume wurden aus den Alignments mit FastTree v2.1.1060 mit Standardparametern erstellt. Aus den resultierenden Bäumen wurden neun Untergruppen von Sequenzen identifiziert, die sich zusammenschlossen (Ergänzende Abbildungen 1, 2, 3). Diese Teilmengen wurden verwendet, um neun HMMs mit „fargene_model_creation“ aus fARGene v0.135 zu erstellen. Von diesen Modellen stellten sechs (mit AF bezeichnet) AACs dar (wobei Modell C nicht-GNAT-ähnliche AAC(3)s darstellte) und drei (mit GI bezeichnet) APHs (Supplementary Data 1). Sequenzen, die von den neun Teilmengen abwichen, konnten in kein Modell aufgenommen werden, ohne dessen Leistung erheblich zu beeinträchtigen, und wurden daher ausgeschlossen.

Für jedes Modell wurde die Sensitivität mithilfe einer einmaligen Kreuzvalidierung geschätzt. Die Spezifität wurde anhand eines negativen Satzes von Proteinsequenzen geschätzt, die evolutionär nahe an der AME liegen, aber nicht mit einer Aminoglykosidresistenz in Verbindung gebracht wurden. Für die sechs AAC-Modelle wurde die Spezifität aus einem Satz von 374 Sequenzen geschätzt, die evolutionär verwandte Acetyltransferasen repräsentieren, einschließlich Mitgliedern der GNAT-Familie der N-Acetyltransferasen, zu der auch die meisten AAC-Enzyme gehören. Für die drei APH-Modelle wurden 60 Sequenzen, die Homologe von Homoserinkinase II und Makrolid-Phosphotransferasen darstellen, zur Schätzung der Spezifität verwendet (Supplementary Data 1). Für alle Modelle wurden Domänen-Score-Schwellenwerte mit dem Kriterium zugewiesen, dass sowohl Sensitivität als auch Spezifität so hoch wie möglich sein sollten. Um jedoch eine niedrige Falsch-Positiv-Rate sicherzustellen, hatte eine hohe Spezifität Vorrang vor einer hohen Sensitivität. Darüber hinaus haben wir während des gesamten Modellerstellungsprozesses auf etwaige Überlappungen zwischen den von verschiedenen Modellen vorhergesagten Sequenzen geachtet und bei den endgültigen Modellen keine solche Überlappung festgestellt.

Alle Bakteriengenome von NCBI Assemly (heruntergeladen im August 2021) wurden mit fARGene v0.135 unter Verwendung der neuen HMMs nach Genen durchsucht, die für AMEs kodieren. Für jedes Modell wurden AME-Familien erstellt, indem die Proteinsequenzen zusammen mit ihren entsprechenden Referenzsequenzen aus ResFinder bei 70 % Aminosäureidentität unter Verwendung von USEARCH v8.0.144558 mit den Parametern „-cluster_fast -id 0.7“ geclustert wurden. Neun phylogenetische Bäume wurden aus den repräsentativen Schwerpunktsequenzen unter Verwendung der im vorherigen Abschnitt beschriebenen Methodik erstellt. Für jeden Schwerpunkt wurde das nächstgelegene bekannte Homolog durch Anwendung von BLASTx v2.10.161 identifiziert, wobei eine benutzerdefinierte Datenbank verwendet wurde, die hauptsächlich auf ResFinder v4.020 basierte, aber durch Sequenzen von CARD62 erweitert wurde. Der erhaltene Identitätswert wurde zusammen mit den Bäumen mit ggtree v3.0.463 visualisiert.

Für jede der 7612 vorhergesagten AME-Familien wurden mit GEnView v0.164 genetische Regionen von bis zu 10 kb vor und nach den Genen im Cluster abgerufen. Diese genetischen Kontexte wurden auf MGEs untersucht, einschließlich konjugativer Elemente, Integrons und Insertionssequenzen (ISs) sowie bekannter ARGs. Konjugative Elemente wurden identifiziert, indem die genetischen Regionen in allen sechs Leserahmen mit EMBOSS Transeq v6.5.7.056 übersetzt und die übersetzten Kontexte mit 124 HMMs von MacSyfinder CONJScan v2.065 unter Verwendung von HMMER v3.1b266 gescreent wurden. Integron Finder v1.5.167 wurde auf die genetischen Kontexte angewendet, um Integrons zu identifizieren. Insertionssequenzen und co-lokalisierte mobile ARGs wurden durch Anwendung von BLASTx v2.10.161 auf die genetischen Kontexte identifiziert. Für Insertionssequenzen wurde eine auf ISFinder68,69 basierende Referenzdatenbank verwendet, um die besten unter den überlappenden Treffern zu finden, die sich innerhalb von 1 kb des vorhergesagten AME befinden, wobei die Trefferkriterien eine Abdeckung von >50 % und eine Nukleotididentität von >90 % aufwiesen. Für co-lokalisierte ARGs wurde ResFinder v4.0 als Referenzdatenbank20 verwendet, mit dem Kriterium, dass Treffer >90 % Nukleotididentität zeigten.

Die Ähnlichkeit zwischen den Proteinen, die jede Familie umfassen, und bekannten AMEs wurde mit BLASTx v2.10.161 und derselben Datenbank wie bei der phylogenetischen Analyse bewertet. Jede AME-Familie wurde auf der Grundlage des höchsten erhaltenen Identitätswerts als entweder bekannt oder neu klassifiziert, wobei eine Aminosäureidentität von mehr als 70 % zu jedem ResFinder/CARD-AME als bekannt galt. Darüber hinaus wurden pathogene Wirtsarten innerhalb jedes Clusters durch Querverweise der dargestellten Arten mit einer Referenzliste basierend auf der PATRIC-Datenbank70 identifiziert. Schließlich wurden für jede AME-Familie Metadaten über die Wirtsgenomisolate von NCBI mithilfe von Entrez Direct v13.971,72 gesammelt.

Zur funktionellen Validierung wurden repräsentative Gene aus 34 neuen AME-Familien ausgewählt. Zusammen mit vier positiven (aph(9)-Ia [U94857], aac(3)-IIb [M97172], aph(3')-III [M26832], aph(3'')-Ib [M28829]) und zwei Negative (tet(A) [AF534183], dfrA1 [FJ591049]) Kontrollgensequenzen, die aus CARD62 erhalten wurden, wurden mit dem Online-Codonoptimierungstool GenScript73 für E. coli codonoptimiert und von Twist Bioscience (USA) synthetisiert. Diese Gene wurden vorab in die pBAD-Region mit mehreren Klonierungsstellen des pBAD/myc-His B-Plasmidvektors (Invitrogen, USA) eingefügt. Bei der Ankunft wurde die lyophilisierte DNA in nukleasefreiem Wasser auf einen Endkonzentrationsbereich von 10–20 ng/µl resuspendiert (validiert mit einem Qubit 2.0 Fluorometer [Invitrogen, USA]) und bei –20 °C gelagert.

Ungefähr 15 ng jeder DNA-Probe wurden mit 50 µl elektrokompetenten E. coli TOP10-Zellen gemischt und in gekühlte 1-mm-Elektroporationsküvetten (Bio-Rad, USA) überführt. Die Elektroporation wurde bei 1,7 kV für 5,3 ms mit dem Eppendorf™ Eporator™ (Eppendorf, Deutschland) durchgeführt. Die transformierten Zellen wurden sofort in 1 ml vorgewärmtem SOC-Medium resuspendiert und 1 Stunde lang bei 37 °C unter Schütteln mit 300 U/min inkubiert. Die Transformanten wurden auf LB-Agar mit und ohne Zusatz von 100 µg/ml Ampicillin ausplattiert und über Nacht bei 37 °C inkubiert. Erfolgreiche Transformanten wurden als einzelne Kolonien auf mit Ampicillin ergänzten Platten identifiziert. Die plasmidfreie Kontrolle zeigte kein Wachstum auf diesen Platten, was das Vorhandensein von Plasmiden in den geklonten Proben bestätigte. Eine einzelne Kolonie jeder transformierten Probe wurde auf LB-Agarplatten, ergänzt mit 100 µg/ml Ampicillin, ausgestrichen, über Nacht bei 37 °C inkubiert und am folgenden Tag bei 4 °C gelagert.

Die Validierung der vorhergesagten AMEs wurde mithilfe des Scheibendiffusionstests74 durchgeführt. Acht Aminoglykoside wurden ausgewählt (Kanamycin [K 30 µg], Gentamicin [CN 30 µg], Neomycin [N 30 µg], Spectinomycin [SH 25 µg], Netilmicin [NET 10 µg], Amikacin [AK 30 µg], Tobramycin [TOB 30 µg], Streptomycin [S 10 µg]), zusammen mit zwei Negativkontrollen (Tetracyclin [TE 30 µg] und Trimethoprim [W 5 µg] [Oxoid, Vereinigtes Königreich]). Eine einzelne Kolonie von jedem der transformierten Klone wurde in LB-Brühe, ergänzt mit 100 µg/ml Ampicillin, inokuliert und über Nacht bei 37 °C unter Schütteln bei 150 U/min inkubiert. Am folgenden Tag wurden 100 µl der Übernachtkultur in frische LB-Brühe, ergänzt mit 100 µg/ml Ampicillin, beimpft und etwa 6 Stunden lang bei 37 °C inkubiert. L-(+)-Arabinose (Sigma, USA) wurde jeder Brühe zugesetzt (0,1 %) und die Inkubation wurde fortgesetzt, bis ein OD600-Wert von 0,7 erreicht wurde. Jede der Proben wurde dann auf Mueller-Hinton-Agarplatten, ergänzt mit 0,1 % L-(+)-Arabinose, ausgebreitet. Eines von jedem Antibiotikum wurde mit einem Antibiotika-Scheibenspender (Oxoid, Vereinigtes Königreich) auf die Platten gegeben. Die Platten wurden etwa 18 Stunden lang bei 30 °C inkubiert, um die Bildung von Einschlusskörpern75 zu vermeiden. Die Ergebnisse wurden durch Messung der Hemmzonen jedes Antibiotikums in den verschiedenen Proben ermittelt. Das Scheibendiffusionsscreening wurde für insgesamt drei Replikate wiederholt. Die Bestätigung der in den Expressionsstudien verwendeten geklonten Inserts wurde mittels Sanger-Sequenzierung validiert.

Da der Stamm E. coli TOP10 gegen Streptomycin resistent ist, haben wir sechs getestete AMEs ausgeschlossen, von denen nur erwartet wurde, dass sie eine Resistenz gegen dieses Aminoglycosid verleihen (I26, I64, I81, I91, I270, I642), basierend auf dem mit ihnen verbundenen Resistenzprofil nächstgelegenes bekanntes Homolog. Die von diesen AMEs erzeugten Hemmzonendurchmesser für die anderen getesteten Aminoglykoside sind im Zusatzmaterial angegeben (Ergänzende Abbildung 6, Ergänzende Daten 5).

Eine Phylum-Anreicherungsanalyse wurde durchgeführt, um zu testen, ob die von verschiedenen Modellen vorhergesagten AMEs spezifische taxonomische Zugehörigkeiten aufwiesen. Für jedes Modell wurde die Anzahl einzigartiger Wirtsarten aus jeder der vier wichtigsten Bakterienstämme (Actinobacteria, Bacteroidetes, Firmicutes und Proteobacteria) gezählt und mit der Anzahl der in der Datenbank vorhandenen Arten aus demselben Stamm unter Verwendung des exakten Fisher-Tests verglichen. Ein p-Wert < 0,01 wurde als signifikant angesehen.

Um festzustellen, ob die experimentell getesteten AMEs E. coli eine signifikant erhöhte Resistenz verliehen, wurden p-Werte mithilfe eines einseitigen t-Tests mit zwei Stichproben berechnet. Für jedes Gen wurden die aus den drei Replikaten erhaltenen Hemmzonendurchmesser mit den Durchmessern der entsprechenden Negativkontrollen (sowohl leere Plasmid- als auch Nicht-Plasmid-Kontrollen) für jedes getestete Aminoglycosid verglichen. Für signifikante Tests (p-Wert < 0,01) wurde der durchschnittliche Hemmzonendurchmesser der Replikate mit den klinischen Grenzwerten (Amikacin, Gentamicin, Tobramycin) oder epidemiologischen Grenzwerten (ECOFFs; Neomycin)41 von EUCAST verglichen, sofern verfügbar. Von Genen wurde angenommen, dass sie eine klinische Resistenz ergeben, wenn der durchschnittliche Zonendurchmesser plus eine Standardabweichung unter dem entsprechenden klinischen Grenzwert/ECOFF lag.

Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verlinkten Nature Portfolio Reporting Summary.

Alle für diese Studie verwendeten Genome sind unter https://www.ncbi.nlm.nih.gov/assembly öffentlich verfügbar. Die in dieser Studie erstellten und verwendeten Modelle sind unter https://github.com/fannyhb/fargene verfügbar. Proteinsequenzen, Nukleotidsequenzen und Metadaten, die den in dieser Studie vorhergesagten neuen Genen entsprechen, sind in den Zusatzdaten 2 aufgeführt. Rohdaten aus den Scheibendiffusionstests werden in den Zusatzdaten 5 dargestellt. Die zur Generierung der Zahlen verwendeten Quelldaten finden Sie in den Zusatzdaten Daten 6.

Der für die genetische Kontextanalyse verwendete Code ist unter https://github.com/davidgllund/ARG_context_analysis_pipeline76 verfügbar.

Lerminiaux, NA & Cameron, AD Horizontaler Transfer von Antibiotikaresistenzgenen in klinischen Umgebungen. Dürfen. J. Mikrobiol. 65, 34–44 (2019).

Artikel CAS PubMed Google Scholar

Partridge, SR, Kwong, SM, Firth, N. & Jensen, SO Mobile genetische Elemente, die mit antimikrobieller Resistenz verbunden sind. Klin. Mikrobiol. Rev. 31, e00088–00017 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Stokes, HW & Gillings, MR Genfluss, mobile genetische Elemente und die Rekrutierung von Antibiotikaresistenzgenen in gramnegative Krankheitserreger. FEMS Mikrobiol. Rev. 35, 790–819 (2011).

Artikel CAS PubMed Google Scholar

Gillings, MR, Paulsen, IT & Tetu, SG Genomik und die Entwicklung der Antibiotikaresistenz. Ann. NY Acad. Wissenschaft. 1388, 92–107 (2017).

Artikel PubMed Google Scholar

Cantón, R. & Ruiz-Garbajosa, P. Co-Resistenz: eine Chance für Bakterien und Resistenzgene. Curr. Meinung. Pharmakol. 11, 477–485 (2011).

Artikel PubMed Google Scholar

Pournaras, S. et al. Nachweis der neuen Metallo-β-Lactamase VIM-19 zusammen mit KPC-2, CMY-2 und CTX-M-15 in Klebsiella pneumoniae. J. antimikrobielle Chemother. 65, 1604–1607 (2010).

Artikel CAS Google Scholar

Ramirez, MS, Nikolaidis, N. & Tolmasky, M. Aufstieg und Verbreitung der Aminoglykosidresistenz: das aac (6′)-Ib-Paradigma. Vorderseite. Mikrobiol. 4, 121 (2013).

Artikel PubMed PubMed Central Google Scholar

Khodabandeh, M. et al. Hohe Aminoglykosidresistenz bei Enterococcus faecalis und Enterococcus faecium; als ernsthafte Bedrohung in Krankenhäusern. Infizieren. Disord.-Drug Targets (ehem. Curr. Drug Targets-Infect. Disord.) 20, 223–228 (2020).

CAS Google Scholar

Garneau-Tsodikova, S. & Labby, KJ Resistenzmechanismen gegen Aminoglykosid-Antibiotika: Überblick und Perspektiven. Medchemcomm 7, 11–27 (2016).

Artikel CAS PubMed Google Scholar

Forge, A. & Schacht, J. Aminoglycosid-Antibiotika. Audiol. Neurotol. 5, 3–22 (2000).

Artikel CAS Google Scholar

Takahashi, Y. & Igarashi, M. Bestimmungsort von Aminoglykosid-Antibiotika in der „Post-Antibiotika-Ära“. J. Antibiotika 71, 4–14 (2018).

Artikel CAS Google Scholar

Serio, AW, Keepers, T., Andrews, L. & Krause, KM Wiederbelebung der Aminoglykoside: Überblick über eine historisch wichtige Klasse antimikrobieller Mittel, die sich einer Erneuerung unterziehen. EcoSal Plus 8 (2018).

Ramirez, MS & Tolmasky, ME Aminoglycosid-modifizierende Enzyme. Aktualisierungen der Arzneimittelresistenz 13, 151–171 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Zárate, SG et al. Überwindung der enzymatischen Resistenz gegen Aminoglykoside: Entwicklung neuartiger Antibiotika und Inhibitoren. Molecules 23, 284 (2018).

Artikel PubMed PubMed Central Google Scholar

Favrot, L., Blanchard, JS & Vergnolle, O. Bakterielle GCN5-verwandte N-Acetyltransferasen: von der Resistenz zur Regulierung. Biochemistry 55, 989–1002 (2016).

Artikel CAS PubMed Google Scholar

Wolf, E. et al. Kristallstruktur einer GCN5-verwandten N-Acetyltransferase: Serratia marcescens Aminoglycosid-3-N-Acetyltransferase. Cell 94, 439–449 (1998).

Artikel CAS PubMed Google Scholar

Serio, AW, Magalhães, ML, Blanchard, JS & Connolly, LE Aminoglykoside: Wirkmechanismen und Resistenz. Antimikrob. Arzneimittelresistenz: Mechanismen Arzneimittelresistenz 1, 213–229 (2017).

Artikel Google Scholar

Pawlowski, AC et al. Die Entwicklung der Substratunterscheidung bei Makrolid-Antibiotikaresistenzenzymen. Nat. Komm. 9, 1–12 (2018).

Artikel CAS Google Scholar

Hon, W.-C. et al. Die Struktur eines Enzyms, das für die Resistenz gegen Aminoglycosid-Antibiotika erforderlich ist, zeigt Homologie zu eukaryotischen Proteinkinasen. Zelle 89, 887–895 (1997).

Artikel CAS PubMed Google Scholar

Bortolaia, V. et al. ResFinder 4.0 für Vorhersagen von Phänotypen aus Genotypen. J. Antimicrob. Chemother. 75, 3491–3500 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Inda-Díaz, JS et al. Latente Antibiotikaresistenzgene kommen in Mikrobiomen von Mensch, Tier und Umwelt häufig vor, sind vielfältig und mobil. Mikrobiom 11, 44 (2023).

Artikel PubMed PubMed Central Google Scholar

Forslund, K. et al. Länderspezifische Antibiotika-Einsatzpraktiken wirken sich auf das Resistom des menschlichen Darms aus. Genomres. 23, 1163–1169 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Gibson, MK, Forsberg, KJ & Dantas, G. Verbesserte Annotation von Determinanten der Antibiotikaresistenz zeigt mikrobielle Resistomcluster nach Ökologie. ISME J. 9, 207–216 (2015).

Artikel CAS PubMed Google Scholar

Kim, D.-W. & Cha, C.-J. Antibiotikaresistom aus der One-Health-Perspektive: Verständnis und Kontrolle der Übertragung antimikrobieller Resistenzen. Exp. Mol. Med. 53, 301–309 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Ebmeyer, S., Kristiansson, E. & Larsson, DGJ Ein Rahmen zur Identifizierung der jüngsten Ursprünge mobiler Antibiotikaresistenzgene. Komm. Biol. 4, 1–10 (2021).

Artikel Google Scholar

Yong, D. et al. Charakterisierung eines neuen Metallo-β-Lactamase-Gens, bla NDM-1, und eines neuen Erythromycinesterase-Gens, das auf einer einzigartigen genetischen Struktur in der Klebsiella pneumoniae-Sequenz Typ 14 aus Indien basiert. Antimikrob. Agenten Chemother. 53, 5046–5054 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Kumarasamy, KK et al. Entstehung eines neuen Antibiotikaresistenzmechanismus in Indien, Pakistan und Großbritannien: eine molekulare, biologische und epidemiologische Studie. Lanzetteninfektion. Dis. 10, 597–602 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Ye, H. et al. Diversifizierte mcr-1-haltige Plasmidreservoirs verleihen der menschlichen Darmmikrobiota Resistenz gegen Colistin. MBio 7, e00177–00116 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Von Wintersdorff, CJ et al. Verbreitung antimikrobieller Resistenzen in mikrobiellen Ökosystemen durch horizontalen Gentransfer. Vorderseite. Mikrobiol. 7, 173 (2016).

Google Scholar

Friedman, ND, Temkin, E. & Carmeli, Y. Die negativen Auswirkungen der Antibiotikaresistenz. Klin. Mikrobiol. Infizieren. 22, 416–422 (2016).

Artikel CAS PubMed Google Scholar

Mollers, M., Lutgens, SP, Schoffelen, AF, Schneeberger, PM & Suijkerbuijk, AW Kosten eines nosokomialen Ausbruchs verursacht durch NDM-1-haltige Klebsiella pneumoniae in den Niederlanden, Oktober 2015–Januar 2016. Emerg. Infizieren. Das. Rev. 23, 1574 (2017).

Artikel PubMed PubMed Central Google Scholar

Böhm, M.-E., Razavi, M., Marathe, NP, Flach, C.-F. & Larsson, DGJ Entdeckung eines neuartigen, von Integronen übertragenen Aminoglykosid-Resistenzgens, das in klinischen Krankheitserregern vorhanden ist, durch Screening von Bakteriengemeinschaften in der Umwelt. Mikrobiom 8, 1–11 (2020).

Artikel Google Scholar

Maryam, L., Usmani, SS & Raghava, GP Computerressourcen im Management von Antibiotikaresistenzen: Beschleunigung der Arzneimittelentwicklung. Arzneimittelentdeckung. Heute 26, 2138–2151 (2021).

Artikel CAS PubMed Google Scholar

Alcock, BP et al. CARD 2023: erweiterte Kuration, Unterstützung für maschinelles Lernen und Resistomvorhersage in der umfassenden Antibiotikaresistenzdatenbank. Nukleinsäuren Res. (2022).

Berglund, F. et al. Identifizierung und Rekonstruktion neuartiger Antibiotikaresistenzgene aus Metagenomen. Mikrobiom 7, 1–14 (2019).

Artikel Google Scholar

Arango-Argoty, G. et al. DeepARG: ein Deep-Learning-Ansatz zur Vorhersage von Antibiotikaresistenzgenen aus metagenomischen Daten. Mikrobiom 6, 1–15 (2018).

Artikel Google Scholar

Ruppé, E. et al. Vorhersage des intestinalen Resistoms durch eine dreidimensionale strukturbasierte Methode. Nat. Mikrobiol. 4, 112–123 (2019).

Artikel PubMed Google Scholar

Qabel, A. et al. Strukturbewusste Klassifizierung von Antibiotikaresistenzen mithilfe graphischer neuronaler Netze. bioRxiv (2022).

Kitts, PA et al. Assembly: eine Ressource für zusammengesetzte Genome am NCBI. Nukleinsäuren Res. 44, D73–D80 (2016).

Artikel CAS PubMed Google Scholar

Smillie, C., Garcillán-Barcia, MP, Francia, MV, Rocha, EP & de la Cruz, F. Mobilität von Plasmiden. Mikrobiol. Mol. Biol. Rev. 74, 434–452 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Leclercq, R. et al. EUCAST-Expertenregeln für Antibiotika-Empfindlichkeitstests. Klin. Mikrobiol. Infizieren. 19, 141–160 (2013).

Artikel CAS PubMed Google Scholar

Coluzzi, C., Garcillán-Barcia, MP, de la Cruz, F. & Rocha, EP Evolution der Plasmidmobilität: Ursprung und Schicksal konjugativer und nichtkonjugativer Plasmide. Mol. Biol. Evolution 39, msac115 (2022).

Artikel CAS Google Scholar

Nikaido, H. Multiresistenz bei Bakterien. Annu. Rev. Biochem. 78, 119 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Johnning, A. et al. Die Resistome von sechs Carbapenem-resistenten Krankheitserregern – eine entscheidende Genotyp-Phänotyp-Analyse. Mikrob. Genomik 4, e000233 (2018).

Artikel Google Scholar

Thomas, CM & Nielsen, KM Mechanismen und Hindernisse für den horizontalen Gentransfer zwischen Bakterien. Nat. Rev. Microbiol. 3, 711–721 (2005).

Artikel CAS PubMed Google Scholar

Amorós-Moya, D., Bedhomme, S., Hermann, M. & Bravo, IG Die Evolution in regulatorischen Regionen kompensiert schnell die Kosten einer nicht optimalen Codon-Nutzung. Mol. Biol. Evolution 27, 2141–2151 (2010).

Artikel Google Scholar

Andersson, DI & Hughes, D. Antibiotikaresistenz und ihre Kosten: Ist es möglich, Resistenzen umzukehren? Nat. Rev. Microbiol. 8, 260–271 (2010).

Artikel CAS PubMed Google Scholar

Inda-Díaz, J. et al. Latente Antibiotikaresistenzgene sind in menschlichen, tierischen und umweltbedingten Mikrobiomen reichlich vorhanden, vielfältig und mobil. (2022).

Berglund, F. et al. Ein umfassendes Screening genomischer und metagenomischer Daten zeigt eine große Vielfalt an Tetracyclin-Resistenzgenen. Mikrob. Genomics 6, mgen000455 (2020).

Artikel Google Scholar

Lund, D. et al. Die groß angelegte Charakterisierung des Makrolid-Resistoms zeigt eine hohe Diversität und mehrere neue Pathogen-assoziierte Gene. Mikrob. Genomics 8, 000770 (2022).

Artikel CAS Google Scholar

Berglund, F. et al. Identifizierung von 76 neuen B1-Metallo-β-Lactamasen durch groß angelegtes Screening genomischer und metagenomischer Daten. Mikrobiom 5, 1–13 (2017).

Artikel Google Scholar

Boulund, F. et al. Computergestützte Entdeckung und funktionelle Validierung neuer Fluorchinolon-Resistenzgene in öffentlichen metagenomischen Datensätzen. BMC Genomics 18, 1–9 (2017).

Artikel Google Scholar

Trotter, AJ, Aydin, A., Strinden, MJ & O'grady, J. Aktuelle und neue Technologien zur schnellen Diagnose von Infektionen und Antibiotikaresistenzen. Curr. Meinung. Mikrobiol. 51, 39–45 (2019).

Artikel CAS PubMed Google Scholar

Eyre, DW Erkenntnisse zur Infektionsprävention und -kontrolle aus einem Jahrzehnt der Sequenzierung des gesamten Genoms von Krankheitserregern. J. Krankenhausinfekt. 122, 180–186 (2022).

Artikel CAS Google Scholar

Hendriksen, RS et al. Globale Überwachung antimikrobieller Resistenzen basierend auf metagenomischen Analysen städtischer Abwässer. Nat. Komm. 10, 1–12 (2019).

Artikel CAS Google Scholar

Madeira, F. et al. Die EMBL-EBI-Such- und Sequenzanalyse-Tools-APIs im Jahr 2019. Nucleic Acids Res. 47, W636–W641 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Shaw, K., Rather, P., Hare, R. & Miller, G. Molekulargenetik von Aminoglycosid-Resistenzgenen und familiäre Beziehungen der Aminoglycosid-modifizierenden Enzyme. Microbiological Rev. 57, 138–163 (1993).

Artikel CAS Google Scholar

Edgar, RC Suche und Clustering um Größenordnungen schneller als BLAST. Bioinformatik 26, 2460–2461 (2010).

Artikel CAS PubMed Google Scholar

Katoh, K., Misawa, K., Kuma, KI & Miyata, T. MAFFT: eine neuartige Methode für die schnelle Ausrichtung mehrerer Sequenzen basierend auf der schnellen Fourier-Transformation. Nukleinsäuren Res. 30, 3059–3066 (2002).

Artikel CAS PubMed PubMed Central Google Scholar

Price, MN, Dehal, PS & Arkin, AP FastTree 2 – Bäume mit ungefähr maximaler Wahrscheinlichkeit für große Ausrichtungen. PLoS ONE 5, e9490 (2010).

Artikel PubMed PubMed Central Google Scholar

Madden, T. Das BLAST-Sequenzanalysetool. NCBI Handb. 2, 425–436 (2013).

Google Scholar

Alcock, BP et al. CARD 2020: Antibiotika-Resistom-Überwachung mit der umfassenden Antibiotika-Resistenz-Datenbank. Nukleinsäuren Res. 48, D517–D525 (2020).

CAS PubMed Google Scholar

Yu, G., Smith, DK, Zhu, H., Guan, Y. & Lam, TTY ggtree: ein R-Paket zur Visualisierung und Annotation phylogenetischer Bäume mit ihren Kovariaten und anderen zugehörigen Daten. Methoden Ecol. Evolution 8, 28–36 (2017).

Artikel Google Scholar

Ebmeyer, S., Coertze, RD, Berglund, F., Kristiansson, E. & Larsson, DGJ GEnView: eine genzentrierte, phylogeniebasierte vergleichende Genomik-Pipeline für Bakteriengenome und Plasmide. Bioinformatik (2021).

Abby, SS et al. Identifizierung von Proteinsekretionssystemen in Bakteriengenomen. Wissenschaft. Rep. 6, 1–14 (2016).

Artikel Google Scholar

Eddy, SR Beschleunigte Profil-HMM-Suchen. PLoS Comput. Biol. 7, e1002195 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Cury, J., Jové, T., Touchon, M., Néron, B. & Rocha, EP Identifizierung und Analyse von Integrons und Kassettenarrays in Bakteriengenomen. Nukleinsäuren Res. 44, 4539–4550 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Siguier, P., Pérochon, J., Lestrade, L., Mahillon, J. & Chandler, M. ISfinder: das Referenzzentrum für bakterielle Insertionssequenzen. Nukleinsäuren Res. 34, D32–D36 (2006).

Artikel CAS PubMed Google Scholar

Insertion Sequence (IS)-Datenbank, https://github.com/thanhleviet/ISfinder-sequences.

Davis, JJ et al. Das PATRIC Bioinformatics Resource Center: Erweiterung der Daten- und Analysemöglichkeiten. Nukleinsäuren Res. 48, D606–D612 (2020).

CAS PubMed Google Scholar

Koordinatoren, NR Datenbankressourcen des Nationalen Zentrums für biotechnologische Informationen. Nukleinsäuren Res. 44, D7–D19 (2016).

Artikel Google Scholar

Kans, J. in Entrez Programming Utilities Help [Internet] (National Center for Biotechnology Information (US), 2022).

GenScript. GenSmart Codon-Optimierung, https://www.genscript.com/tools/gensmart-codon-optimization.

Jorgensen, JH & Turnidge, JD Empfindlichkeitstestmethoden: Verdünnungs- und Scheibendiffusionsmethoden. Handbuch der klinischen Mikrobiologie, 1253-1273 (2015).

Sørensen, HP & Mortensen, KK Lösliche Expression rekombinanter Proteine ​​im Zytoplasma von Escherichia coli. Mikrob. Zellfabriken 4, 1–8 (2005).

Artikel Google Scholar

Lund, D. davidgllund/ARG_context_analysis_pipeline: Zenodo-Veröffentlichung. Zenodo (2023). https://doi.org/10.5281/zenodo.8147354.

Referenzen herunterladen

Diese Forschung wurde vom Schwedischen Forschungsrat (VR) unterstützt (2018–02835, 2018-05771 und 2019–03482). Finanzierungsquellen waren nicht an der Gestaltung, Analyse oder Interpretation der Ergebnisse beteiligt.

Open-Access-Finanzierung durch die Chalmers University of Technology.

Fachbereich Mathematische Wissenschaften, Technische Universität Chalmers und Universität Göteborg, Göteborg, Schweden

David Lund, Marcos Parras-Moltó, Anna Johnning und Erik Kristiansson

Zentrum für Antibiotikaresistenzforschung (CARe), Universität Göteborg, Göteborg, Schweden

David Lund, Roelof Dirk Coertze, Marcos Parras-Moltó, Fanny Berglund, Carl-Fredrik Flach, Anna Johnning, DG Joakim Larsson und Erik Kristiansson

Abteilung für Infektionskrankheiten, Institut für Biomedizin, Sahlgrenska-Akademie, Universität Göteborg, Göteborg, Schweden

Roelof Dirk Coertze, Fanny Berglund, Carl-Fredrik Flach und DG Joakim Larsson

Abteilung für System- und Datenanalyse, Fraunhofer-Chalmers Centre, Göteborg, Schweden

Anna Johnning

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

DL, FB, AJ, DGJL und EK haben die Studie entworfen und den Ansatz entwickelt. DL hat die probabilistischen Modelle erstellt und optimiert. MP-M. sammelte die Daten und führte die fARGene-Analyse durch. DL implementierte die rechnerische Analysepipeline, einschließlich phylogenetischer Analyse und genetischer Kontextanalyse. RDC und C.-FF führten die experimentelle Validierung durch. Alle Autoren diskutierten die Ergebnisse und ihre Implikationen. DL und EK haben das Manuskript verfasst. Alle Autoren haben das endgültige Manuskript bearbeitet und genehmigt.

Korrespondenz mit Erik Kristiansson.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Communications Biology dankt Emily Bordeleau und den anderen anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Hauptredakteure: Pei Hao und Gene Chong. Eine Peer-Review-Datei ist verfügbar.

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 Originalautor(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 gesetzlich 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

Lund, D., Coertze, RD, Parras-Moltó, M. et al. Umfangreiches Screening deckt bisher unentdeckte Aminoglykosid-Resistenzgene bei menschlichen Krankheitserregern auf. Commun Biol 6, 812 (2023). https://doi.org/10.1038/s42003-023-05174-6

Zitat herunterladen

Eingegangen: 20. Januar 2023

Angenommen: 24. Juli 2023

Veröffentlicht: 03. August 2023

DOI: https://doi.org/10.1038/s42003-023-05174-6

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

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.