Información

¿Qué ventaja habría recibido el "donante" inicial en la transferencia horizontal de genes por conjugación?


Estoy luchando por pensar por qué la transferencia horizontal de genes entre bacterias habría persistido durante el curso de la evolución, ya que seguramente pone al 'donante' en desventaja.

Por ejemplo, considere una situación hipotética en la que solo una especie de bacteria tiene un gen para resistir un antibiótico nuevo (casi) omnipotente. Al crecer en este medio, esta especie de bacteria no tiene competencia interespecífica por los recursos que necesita. Sin embargo, si transmite el plásmido que contiene el gen de resistencia a través de la conjugación a individuos de una especie bacteriana diferente, ellos también pueden crecer en el medio y potencialmente competir con la primera especie, por lo que la conjugación podría ser extremadamente perjudicial para el organismo. supervivencia de la población original.

Obviamente me falta algo como característica tiene persistió Entonces, ¿cuál es la ventaja para la especie donante de conjugación??


Es muy posible que la bacteria donante, vista como una unidad, no obtenga ninguna ventaja al compartir sus genes. Sin embargo, los genes que se comparten pueden obtener una ventaja reproductiva muy sustancial al poder propagarse a otras cepas. Si algunos de los genes que pueden compartirse también promueven el compartir, es posible que la evolución los seleccione.

Este es un buen ejemplo del principio básico de la visión de la evolución centrada en los genes, popularizado por Richard Dawkins en su libro. El gen egoísta: la evolución selecciona genes que son buenos para propagarse. Esto puede implicar, aunque no siempre es necesario, ayudar al organismo que contiene el gen a sobrevivir y reproducirse.


Demostración de la transferencia de genes horizontal basada en plásmidos en matrices ambientales complejas: un enfoque práctico para una revisión crítica

Examinamos tres métodos para evaluar la transferencia de plásmidos en matrices ambientales.

El aislamiento de transconjugantes por cultivo se ve afectado por las antibiorresistencias de fondo.

La detección de la transferencia de plásmido por fluorescencia no es adecuada para muestras ambientales.

Los métodos de base molecular permiten detectar raros eventos exitosos de transferencia de plásmidos.

La depredación eucariota promueve y limita la transferencia de plásmidos en comunidades naturales.


Fondo

La recombinación de material genético que conduce a la creación de rasgos nuevos y beneficiosos se logra por diferentes medios en diferentes organismos. En los procariotas y sus comunidades, se logra mediante la conjugación bacteriana, la transducción viral y la transformación. Todos estos procesos pueden conducir a la transferencia horizontal de genes, un modo prominente de recombinación entre genomas bacterianos [1, 2, 3]. Esta transferencia se produce tanto entre especies estrechamente relacionadas como entre especies muy divergentes [4], y puede conferir rasgos novedosos que ayudan a los microbios a adaptarse a una amplia gama de entornos [5, 6, 7]. La transferencia horizontal de genes puede involucrar moléculas de ADN que son circulares o lineales, monocatenarias o bicatenarias, autorreplicantes o no [3, 8, 9, 10]. Estas moléculas pueden integrarse en el genoma del huésped mediante recombinación ilegítima o basada en homología [11], cuyos subproductos pueden incluir duplicaciones de genes [12] y cambios genómicos estructurales a gran escala [13, 14]. La recombinación homóloga es el medio más común para la integración genómica de genes adquiridos horizontalmente [15]. Generalmente requiere la enzima RecBCD [16], que está altamente conservada entre las bacterias [17]. Aunque la recombinación homóloga puede haberse originado como un mecanismo de reparación del ADN [18], juega un papel importante en la evolución adaptativa, por ejemplo, insertando o reemplazando grupos de genes que facilitan la adaptación local [19]. En E. coli, la recombinación no es menos frecuente que la mutación espontánea [20, 21, 22], lo que sugiere que la recombinación contribuye sustancialmente a la evolución del genoma.

La transferencia horizontal de genes ayuda a aumentar la diversidad genética de una población o comunidad microbiana al mezclar genes en el “genoma flexible” [23], una parte del genoma cuyos genes suelen ser privados de una cepa adaptada localmente. Estudios comparativos recientes de 2000 E. coli Los genomas indican que el genoma flexible puede comprender miles de familias de genes diferentes, lo que puede ayudar E. coli ocupar una amplia gama de nichos ecológicos [24].

Los genes transferidos horizontalmente normalmente tienen funciones diferentes a las de los genes centrales. Se pierden y se obtienen más fácilmente que los genes centrales [25, 26, 27], y pueden dotar a su receptor de nuevos rasgos que faciliten la adaptación a un entorno cambiante [28, 29]. Por ejemplo, la transferencia horizontal de tales genes ha ayudado a los microbios marinos a adaptarse a una variedad de fuentes de carbono [19, 30], ha ayudado a las bacterias a adaptarse a ambientes extremos [31, 32] y ha ayudado a las comunidades microbianas intestinales o a la adaptación de patógenos. a huéspedes humanos [33, 34]. Un reciente estudio comparativo de 53 E. coli Los genomas mostraron que al menos el 10% de las adaptaciones a nuevos entornos pueden haberse logrado mediante la transferencia horizontal de genes [35].

La mayor parte de la evidencia de transferencia genética horizontal reciente en comunidades procariotas proviene de estudios de genómica comparativa o reconstrucciones filogenéticas [36,37,38]. Estos a menudo se centran en la transferencia horizontal entre organismos fenotípicamente diferenciados de la misma especie, como cepas patógenas y no patógenas [36, 39]. Dichos estudios pueden ayudar a identificar genes clave transferidos horizontalmente que confieren rasgos novedosos, pero no son concluyentes sobre el beneficio de aptitud inmediato (si lo hay) de un evento de transferencia de genes horizontal, que puede transferir uno o pocos genes impulsores junto con múltiples genes pasajeros que pueden imponer costes de aptitud en el anfitrión [40]. Esta información de aptitud puede ser proporcionada por experimentos de evolución de laboratorio [41, 42]. Sin embargo, hay pocos experimentos de este tipo que estudien la transferencia horizontal de genes [43, 44, 45, 46, 47, 48, 49], y aún menos que no se centren en la transferencia de plásmidos [46, 47, 48] sino de cromosomas genes [41, 42, 43]. En uno de los últimos experimentos [43], E. coli K12 se adaptó a un entorno mínimo de glucosa constante mientras se recombinaba con E. coli B REL606. Aunque la recombinación confirió una mayor diversidad genética, no mejoró significativamente el crecimiento. En un experimento más reciente, la sustitución de genes codificadores de proteínas ribosomales de Salmonella typhimurium con ortólogos de otras eubacterias, levaduras o arqueas resultó en una mala aptitud debido a la expresión subóptima de estos genes extraños [44]. Sin embargo, después de 40 a 250 generaciones de evolución en el laboratorio, la aptitud mejoró mediante la amplificación de los genes afectados. En un tercer experimento [45], Salmonela transformado con fragmentos aleatorios de ADN cromosómico de Bacteroides fragilis, Proteus mirabilis, y los fagos intestinales humanos mostraron una aptitud reducida en un entorno de mínimo de glucosa constante, lo que sugiere que la transferencia horizontal de genes puede ser costosa. Ninguno de estos experimentos demostró una ventaja directa de la transferencia horizontal de genes observada en poblaciones naturales [5, 50].

Aquí llevamos a cabo experimentos de evolución de laboratorio que tenían como objetivo abordar varias cuestiones fundamentales. ¿Se pueden demostrar las ventajas de la transferencia horizontal de genes en las escalas de tiempo breves de la evolución en el laboratorio? Y si es así, ¿cuál es la base genética de los cambios adaptativos específicos provocados por la transferencia horizontal de genes en los experimentos de evolución? Para abordar estas y otras preguntas relacionadas, realizamos dos experimentos de evolución que exponen cepas receptoras de ADN de E. coli a varias cepas donantes que pueden transferirles ADN y que seleccionan la viabilidad del receptor en una nueva fuente de carbono y energía. En el primer experimento, usamos una fuente de carbono en la que el donante podría crecer, pero el receptor no, de modo que se requeriría transferencia horizontal y recombinación para el crecimiento del receptor. En el segundo experimento utilizamos una fuente de carbono en la que ni el donante ni el receptor podían crecer, de modo que podría ser necesaria una combinación de recombinación y mutaciones puntuales para garantizar la viabilidad del receptor.

Al final de los experimentos de evolución, medimos los fenotipos de crecimiento de las poblaciones en evolución y analizamos los genomas completos de 65 clones de estas poblaciones. Nuestras observaciones muestran que la ventaja de la transferencia horizontal de genes depende fundamentalmente del entorno de crecimiento y menos de la cepa donante. La transferencia horizontal de genes fue el factor clave para la adaptación en HPA, mientras que una combinación de mutaciones puntuales y eventos de transferencia horizontal puede haber facilitado la adaptación al ácido butírico.


3 resultados

3.1 Validación del sistema experimental - prueba de los supuestos del modelo

El modelo asume que la posición de las celdas sigue un proceso de Poisson, por lo que las distancias intracelulares tienen una función de distribución dada por la Ec. 1 arriba. Las comparaciones con distancias experimentales no revelaron una desviación significativa de este modelo (Fig. 1). El número de células y el radio de las colonias determinados experimentalmente aumentaron exponencialmente durante el período de incubación de 9 h. Las tasas de crecimiento específicas, así como las tasas de crecimiento específicas radiales de colonias, no fueron significativamente diferentes entre las cepas donante y receptora (PAG& gt0.05) y los valores promedio para cada tasa de crecimiento se utilizaron como constantes del modelo (Tabla 1).

Distancias intercelulares experimentales (barras) y funciones de densidad predichas por el modelo (líneas) para intensidades de (células μm −2): 0.06 × 10 −3 (A), 0.17 × 10 −3 (B), 1.92 × 10 −3 ( C) y 1,65 × 10 −3 (D). norte= 33, 49, 67 y 84 respectivamente. Las pruebas de chi-cuadrado indicaron que las distancias experimentales y del modelo no difirieron significativamente (PAG& GT0.05).

Distancias intercelulares experimentales (barras) y funciones de densidad predichas por el modelo (líneas) para intensidades de (células μm −2): 0.06 × 10 −3 (A), 0.17 × 10 −3 (B), 1.92 × 10 −3 ( C) y 1,65 × 10 −3 (D). norte= 33, 49, 67 y 84 respectivamente. Las pruebas de chi-cuadrado indicaron que las distancias experimentales y del modelo no difirieron significativamente (PAG& gt0.05).

La influencia de la motilidad en la expansión y conjugación de colonias se evaluó comparando los cambios en el diámetro de la colonia y la transferencia de plásmido utilizando el P. fluorescens Sistema MON787 y mutantes inmóviles de las cepas donante y receptora. Las tasas de expansión de colonias o cambios en los números de donantes, receptores o transconjugantes no fueron significativamente diferentes (PAG& gt0.05, datos no mostrados). Por lo tanto, los efectos de la motilidad se consideraron insignificantes para nuestro sistema experimental.

3.2 Prueba de modelos 1: comparación de experimentos de simulación por computadora y predicciones de modelos

Se llevaron a cabo simulaciones por computadora de colonias bacterianas que se desarrollan en filtros para probar las predicciones del modelo sobre el establecimiento del contacto entre las colonias (aglutinación) y la conjugación. La aproximación que define la probabilidad de agrupaciones de norte colonias que ocurrieron (Ec. 2) fue bueno cuando el número de colonias por unidad de área fue bajo (bajo λ), por lo que el tamaño medio del grupo era pequeño, es decir, menos de cinco (Tabla 2). Las simulaciones dieron una probabilidad mayor de colonias individuales debido al área finita (las colonias en el borde no pueden tener vecinos en un lado). Los tamaños medios teóricos de los grupos fueron precisos para bajas λ, pero como λ aumentó el tamaño medio teórico del grupo y los resultados de la simulación fueron diferentes. La aproximación funcionó bien para valores de λ hasta 0,2, cuando el área de los discos es el 60% del área de la superficie. En nuestro sistema experimental, esto corresponde a inóculos inferiores a 1.8 × 10 7 células por filtro, que fue generalmente el caso, excepto para los niveles más altos de inóculo en los experimentos 1-5 (ver Sección 3.3).

Comparación de las estimaciones del tamaño de los grupos (es decir, el número de colonias que se están reuniendo en un momento determinado) utilizando la teoría aproximada del modelo con las obtenidas mediante experimentos de simulación por computadora

Intensidad a (λ) Probabilidad de colonia en grupos de tamaño uno Tamaño medio del grupo
Teoría Simulación Teoría Simulación
0.01 0.882 0.882 1.07 1.07
0.02 0.778 0.780 1.14 1.13
0.05 0.533 0.537 1.39 1.38
0.1 0.285 0.292 2.00 1.94
0.2 0.0810 0.0966 4.51 3.95
0.5 0.00187 0.00821 85.1 74.5
Intensidad a (λ) Probabilidad de colonia en grupos de tamaño uno Tamaño medio del grupo
Teoría Simulación Teoría Simulación
0.01 0.882 0.882 1.07 1.07
0.02 0.778 0.780 1.14 1.13
0.05 0.533 0.537 1.39 1.38
0.1 0.285 0.292 2.00 1.94
0.2 0.0810 0.0966 4.51 3.95
0.5 0.00187 0.00821 85.1 74.5

Los resultados se basan en colonias hipotéticas de unidad de radio colocadas en un filtro con radio 150. Los resultados de la simulación se basan en 1000 repeticiones.

a El número de colonias por unidad de área en una distribución de Poisson.

Comparación de las estimaciones del tamaño de los grupos (es decir, el número de colonias que se están reuniendo en un momento determinado) utilizando la teoría aproximada del modelo con las obtenidas mediante experimentos de simulación por computadora

Intensidad a (λ) Probabilidad de colonia en grupos de tamaño uno Tamaño medio del grupo
Teoría Simulación Teoría Simulación
0.01 0.882 0.882 1.07 1.07
0.02 0.778 0.780 1.14 1.13
0.05 0.533 0.537 1.39 1.38
0.1 0.285 0.292 2.00 1.94
0.2 0.0810 0.0966 4.51 3.95
0.5 0.00187 0.00821 85.1 74.5
Intensidad a (λ) Probabilidad de colonia en grupos de tamaño uno Tamaño medio del grupo
Teoría Simulación Teoría Simulación
0.01 0.882 0.882 1.07 1.07
0.02 0.778 0.780 1.14 1.13
0.05 0.533 0.537 1.39 1.38
0.1 0.285 0.292 2.00 1.94
0.2 0.0810 0.0966 4.51 3.95
0.5 0.00187 0.00821 85.1 74.5

Los resultados se basan en colonias hipotéticas de unidad de radio colocadas en un filtro con radio 150. Los resultados de la simulación se basan en 1000 repeticiones.

a El número de colonias por unidad de área en una distribución de Poisson.

Cuando se descartó el supuesto de conjugación instantánea, las predicciones del modelo matemático coincidieron con los resultados de los experimentos de simulación por computadora cuando la intensidad era muy baja (λ& lt0.1), y dio resultados cualitativamente similares con λ entre 0,1 y 0,2. Cuando λ= 0,2 el número previsto de transconjugantes sobrestimó los resultados simulados en aproximadamente un 15%.

3.3 Prueba de modelos 2: pruebas experimentales de laboratorio de predicciones de modelos

Se obtuvieron predicciones del modelo de donantes finales, receptores y transconjugantes para diferentes tamaños de inóculo de donantes y receptores y concentración inicial de nutrientes, utilizando los valores de los parámetros del modelo que se dan en la Tabla 1. Probamos estas predicciones con los números de donantes, receptores y transconjugantes finales en el sistema experimental. en un rango de concentraciones de inóculo (Figs. 2-4). Cada conjunto de condiciones se triplicó y los valores se presentan como medias de triplicados con intervalos de confianza del 95% asociados. Usamos el término "exacto" para las predicciones que se encuentran dentro de los límites de confianza del 95% de los datos experimentales. Cuando el número de células transconjugantes se acercó o excedió al de una de las cepas parentales, los transconjugantes crecieron en medios complementados con rifampicina o kanamicina hasta niveles que enmascararon los de las cepas parentales. Cuando este fue el caso, no se presentaron valores experimentales para las células del receptor o del donante en las figuras y, por simplicidad, los valores respectivos predichos también se omitieron de las figuras.

Número previsto (pred) y experimental (obs) de donantes (D), receptores (R,) y transconjugantes (T) después de la inoculación con un número similar de donantes y receptores en el rango log 1.03–7.03 para donantes y log 1.24–7.24 para destinatarios. Se incubaron filtros Nuclepore por triplicado sobre agar LB, a 30 ° C, durante 9 h. Las barras de error representan límites de confianza del 95% para datos experimentales. El límite de detección experimental fue log 1,35 (UFC). Modele las predicciones para la conjugación instantánea (A) y para la conjugación que ocurre después de 2.25 h de contacto (B). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en el panel B.

Números previstos (pred) y experimentales (obs) de donantes (D), receptores (R,) y transconjugantes (T) después de la inoculación con un número similar de donantes y receptores en el rango log 1.03-7.03 para donantes y log 1.24-7.24 para destinatarios. Se incubaron filtros Nuclepore por triplicado sobre agar LB, a 30 ° C, durante 9 h. Las barras de error representan límites de confianza del 95% para datos experimentales. El límite de detección experimental fue log 1,35 (UFC). Modele las predicciones para la conjugación instantánea (A) y para la conjugación que ocurre después de 2.25 h de contacto (B). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en el panel B.

Los números finales previstos y experimentales de donantes, receptores y transconjugantes para los números de donantes iniciales variaron de log 1,77 a 7,77 y los números de receptores iniciales se mantuvieron constantes en log 1,86, con conjugación instantánea (A) o conjugación ocurriendo después de 2,25 h de contacto (C) con el donante inicial los números variaron de log 1.32 a 7.32 y los números de receptores iniciales se mantuvieron constantes en log 5.2, con conjugación instantánea (B) o conjugación ocurriendo después de 2.25 h de contacto (D). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en los paneles B y D. Símbolos, barras de error, detalles experimentales como se describe en la Fig.2.

Los números finales previstos y experimentales de donantes, receptores y transconjugantes para los números de donantes iniciales variaron de log 1,77 a 7,77 y los números de receptores iniciales se mantuvieron constantes en log 1,86, con conjugación instantánea (A) o conjugación ocurriendo después de 2,25 h de contacto (C) con el donante inicial los números variaron de log 1.32 a 7.32 y los números de receptores iniciales se mantuvieron constantes en log 5.2, con conjugación instantánea (B) o conjugación ocurriendo después de 2.25 h de contacto (D). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en los paneles B y D. Símbolos, barras de error, detalles experimentales como se describe en la Fig.2.

Los números finales previstos y experimentales de donantes, receptores y transconjugantes para los números de receptores iniciales variaron de log 1,41 a 7,41 y los números de donantes iniciales se mantuvieron constantes en log 4,47, con conjugación instantánea (A) o conjugación ocurriendo después de 2,25 h de contacto (C) y inicial el número de receptores varió de log 1,64 a 7,64 y el número de donantes iniciales se mantuvo constante en log 5,48, con conjugación instantánea (B) o conjugación ocurriendo después de 2,25 h de contacto (D). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en los paneles B y D. Símbolos, barras de error, detalles experimentales como se describe en la Fig.2.

Los números finales previstos y experimentales de donantes, receptores y transconjugantes para los números de receptores iniciales variaron de log 1,41 a 7,41 y los números de donantes iniciales se mantuvieron constantes en log 4,47, con conjugación instantánea (A) o conjugación ocurriendo después de 2,25 h de contacto (C) e inicial el número de receptores varió de log 1,64 a 7,64 y el número de donantes iniciales se mantuvo constante en log 5,48, con conjugación instantánea (B) o conjugación ocurriendo después de 2,25 h de contacto (D). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en los paneles B y D. Símbolos, barras de error, detalles experimentales como se describe en la Fig.2.

En el experimento 1, inoculamos un número similar de células receptoras y donantes en filtros (rango 1,08 × 10 1 –1,08 × 10 7 de donantes y 1,75 × 10 1 –1,75 × 10 7 células receptoras). El número de células donantes finales se predijo generalmente con precisión, aumentando con el tamaño del inóculo hasta un valor máximo, equivalente al rendimiento máximo, después de la utilización completa de los nutrientes (Fig. 2A). Los números de células receptoras finales previstos se acercaron a los números experimentales hasta un inóculo de 2,78 × 10 4 células, después de lo cual el modelo predice una disminución en el número de receptores debido a que se considera que estos se están convirtiendo en transconjugantes. Sin embargo, el número de receptores experimentales fue dos órdenes de magnitud mayor que el predicho para un inóculo de 2,78 × 10 5, lo que indica una sobreestimación de la conjugación por parte del modelo. En el nivel de inóculo más bajo (2,78 x 10 1), el número previsto de transconjugantes estaba por debajo del nivel de detección del sistema experimental (2,25 x 10 1). Para niveles de inóculo superiores a 2,78 × 10 3, los números de transconjugantes previstos fueron mayores que los detectados experimentalmente, lo que confirma la sobreestimación de la conjugación por parte del modelo. Sin embargo, la tasa de cambio en el número de transconjugantes con el aumento del tamaño del inóculo siguió de cerca a la del sistema experimental. El número de transconjugantes aumentó a un ritmo mayor que el de las células del donante, debido a los efectos combinados de la adquisición y el crecimiento del plásmido.

Los experimentos 2 y 3 investigaron el aumento de la proporción de inóculo donante: receptor a un número de células receptoras inicial constante. En el experimento 2 (Fig. 3A), los inóculos del donante se variaron de 5,87 x 10 1 a 5,87 x 10 7 y los inóculos del receptor fueron de 7,28 x 10 1 células. Las predicciones de los donantes fueron precisas y las predicciones de los receptores fueron generalmente una subestimación de media unidad logarítmica. Los números de transconjugantes previstos siguieron de cerca las tendencias experimentales, pero los de los inóculos de donantes de 5,87 × 10 1, 5,87 × 10 4 y 5,87 × 10 7 se sobrestimaron en media unidad logarítmica. A medida que aumentaba el tamaño del inóculo del donante, aumentaba la conjugación, debido a un mayor número de encuentros entre las colonias donante y receptora dentro del período de incubación y antes de la utilización completa de los nutrientes. La conjugación máxima en el sistema experimental se produjo con un inóculo de donante de 5,87 × 10 5. A inóculos más altos, la conjugación se redujo debido al agotamiento temprano de los nutrientes por el mayor número de células donantes. Esta disminución también es predicha por el modelo.

En el experimento 3, los donantes iniciales se variaron de 2,1 x 10 1 a 2,1 x 10 7 y los receptores se mantuvieron constantes con un inóculo más alto (1,58 x 10 5) (Fig. 3B). El modelo subestimó el número de donantes entre 0,3 y 0,9 de una unidad logarítmica y se prevé una disminución para el número de receptores de inóculos de donantes superior a 2,1 × 10 3, lo que no se observa experimentalmente. El modelo sobrestimó los números de transconjugantes, la discrepancia entre el modelo y los resultados experimentales varió entre 0,2 y 1,7 de una unidad logarítmica y fue mayor para los inóculos de donantes más bajos. La subestimación de los destinatarios resulta de la sobreestimación de la conjugación. La subestimación de los donantes parece indicar una tasa de crecimiento más rápida en el sistema experimental. Cuando se utilizó el límite de confianza superior del 95% para la tasa de crecimiento de la población (0,924 células h-1), las predicciones de los donantes coincidieron con los datos experimentales (datos no mostrados). El número de transconjugantes experimentales alcanzó su punto máximo con un inóculo de donante de 2,1 × 10 5 –2,1 × 10 6 seguido de una disminución para el inóculo más alto, como lo predice el modelo y se explica en el párrafo anterior.

En los experimentos 4 y 5 se estudiaron proporciones crecientes de receptor: donante con inóculo de donante constante. En el experimento 4 (Fig. 4A), el número inicial de donantes fue de 2,95 × 10 4 y los receptores se variaron de 2,6 × 10 1 a 2,6 × 10 7. El número de donantes se predijo con precisión. En el sistema experimental, los donantes finales no pudieron distinguirse de los transconjugantes en los inóculos del receptor superiores a 2,6 × 10 5. Asimismo, los números de donantes previstos para estas condiciones iniciales fueron más bajos que los transconjugantes previstos (no mostrados). Los cambios en los receptores finales se predijeron con precisión hasta un inóculo del receptor de 2,6 × 10 4, por encima del cual los receptores previstos disminuyeron debido a la conjugación extensa prevista. En el sistema experimental, sin embargo, se siguieron detectando receptores, lo que indica niveles más bajos de conjugación. Los números de transconjugantes pronosticados fueron una sobreestimación de 0,3 a 1,8 unidades logarítmicas, pero siguieron la tendencia experimental general, aumentando con proporciones crecientes de receptores.

En el experimento 5 (Fig. 4B), el número inicial de donantes fue de 3,07 × 10 5 y los receptores se variaron de 4,37 × 10 1 a 4,37 × 10 7. En general, el modelo subestimó el número de donantes en 0,5 unidades logarítmicas; sin embargo, si se utilizó el límite de confianza superior del 95% para la tasa de crecimiento de la población (0,924 células h -1), las predicciones de los donantes fueron precisas (datos no mostrados). El modelo subestimó ligeramente los números de transconjugantes (menos de 0,5 unidades logarítmicas) hasta un inóculo receptor de 4,37 × 10 5, más allá del cual se sobreestimaron en 0,5-1 unidad logarítmica. El número de receptores finales no se pudo determinar experimentalmente, excepto para el inóculo más alto (4,37 × 10 7), cuando estaban presentes en un nivel muy alto y el modelo predice que todos se habrían convertido en transconjugantes. Esto confirma la sobreestimación de la conjugación a un alto número de células iniciales.

Los efectos de la concentración de nutrientes en la conjugación se examinaron mediante filtros triplicados flotantes, inoculados con 3,98 x 105 células donantes y 5,01 x 105 células receptoras, en caldo LB, o diferentes diluciones de caldo LB en NaCl al 0,85% (p / v), para 9 ha 30 ° C (experimento 6, figura 5A). No se encontraron transconjugantes en el medio líquido debajo de los filtros flotantes al final del experimento, a excepción del caldo LB al 0,6%, donde constituyeron el 0,065% del número total de transconjugantes. Los transconjugantes que surgen de eventos de conjugación en medios de resuspensión y en placas durante la incubación fueron menos del 2.5% del número total. Los valores de los parámetros usados ​​en el modelo se dan en la Tabla 1. El nivel más bajo de nutrientes apoyó tanto el crecimiento celular como la conjugación en el sistema experimental. El aumento de la concentración de nutrientes condujo a un aumento del número de células a medida que los nutrientes se agotaron más tarde, lo que aumentó la expansión total de la colonia y el número de encuentros entre las células donantes y receptoras. Al igual que con la mayoría de los experimentos anteriores, las predicciones de los donantes fueron precisas, pero los transconjugantes se sobrestimaron en 0,3-1 unidad logarítmica. Las predicciones de los receptores fueron menos precisas, con una subestimación de varios órdenes de magnitud para los niveles de nutrientes más altos.

Números finales previstos y experimentales de donantes, receptores y transconjugantes para los números iniciales de donantes y receptores de log 5,6 y 5,67, respectivamente, cuando la concentración de nutrientes se varió experimentalmente. Modele las predicciones para la conjugación instantánea (A) o la conjugación que ocurre después de 2.25 h de contacto (B). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en el panel B. Se hicieron flotar filtros de Nuclepore por triplicado sobre diferentes diluciones de caldo LB en NaCl al 0,85% (p / v) o caldo LB sin diluir y se incubaron a 30 ° C durante 9 h. Símbolos y barras de error como se describe en la Fig.2.

Números finales previstos y experimentales de donantes, receptores y transconjugantes para los números iniciales de donantes y receptores de log 5,6 y 5,67, respectivamente, cuando la concentración de nutrientes se varió experimentalmente. Modele las predicciones para la conjugación instantánea (A) o la conjugación que ocurre después de 2.25 h de contacto (B). Las predicciones de los donantes permanecen sin cambios y no se presentan nuevamente en el panel B. Se hicieron flotar filtros de Nuclepore por triplicado sobre diferentes diluciones de caldo LB en NaCl al 0,85% (p / v) o caldo LB sin diluir y se incubaron a 30 ° C durante 9 h. Símbolos y barras de error como se describe en la Fig.2.

3.4 Consideración del tiempo de conjugación por el modelo

Las predicciones del modelo presentadas hasta ahora se obtuvieron suponiendo que la conjugación se producía instantáneamente cuando las colonias donantes o transconjugantes se encontraban con las microcolonias receptoras. Posteriormente, el modelo tuvo en cuenta un retraso tentativo en la conjugación, de modo que todas las células en una colonia receptora solo se convirtieron en transconjugantes después del contacto durante un cierto período de tiempo. Las predicciones del modelo para transconjugantes y receptores mejoraron en gran medida (generalmente hasta la mitad de una unidad logarítmica de datos experimentales) con un retraso de 2 a 3 h, según el experimento. Un retraso de 2,25 h dio el mejor ajuste general y las predicciones correspondientes se presentaron en las Figs. 2B, 3C, D, 4C, D y 5B. Las predicciones de los donantes se mantuvieron inalteradas por la demora y no se volvieron a presentar. Las mejoras más dramáticas en las predicciones fueron para los receptores en el experimento 1 (Fig. 2B), los transconjugantes y los receptores en el experimento 3 (Fig. 3D), los transconjugantes y los receptores correspondientes a un inóculo de receptor de hasta 2.6 × 10 4-10 5 en el experimento. 4 (Fig. 4C) y receptores en el experimento 6 (Fig. 5). Todavía se observaron discrepancias significativas entre los transconjugantes experimentales y los receptores y las respectivas predicciones del modelo para las condiciones en las que los inóculos del receptor eran más grandes que los del donante. Esto ocurrió para los transconjugantes y los receptores correspondientes a un inóculo del receptor superior a 2,6 x 105 en el experimento 4 (figura 4C) y para los transconjugantes y los receptores que surgen de los inóculos del receptor superiores a 4,37 x 105 (figura 4D).


Métodos filogenéticos

El uso del análisis filogenético en la detección de HGT fue avanzado por la disponibilidad de muchos genomas recién secuenciados. Los métodos filogenéticos detectan inconsistencias en la historia evolutiva de genes y especies de dos maneras: explícitamente, reconstruyendo el árbol genético y reconciliándolo con el árbol de especies de referencia, o implícitamente, examinando aspectos que se correlacionan con la historia evolutiva de los genes en cuestión, por ejemplo, patrones de presencia y ausencia entre especies, o distancias evolutivas por pares inesperadamente cortas o distantes.

Métodos filogenéticos explícitos

El objetivo de los métodos filogenéticos explícitos es comparar árboles genéticos con sus especies asociadas. Si bien las diferencias débilmente respaldadas entre árboles de especies y genes pueden deberse a la incertidumbre de la inferencia, las diferencias estadísticamente significativas pueden sugerir eventos HGT (ver Figura 1A). Por ejemplo, si dos genes de diferentes especies comparten el nodo de conexión ancestral más reciente en el árbol genético, pero las especies respectivas están espaciadas en el árbol de especies, se puede invocar un evento HGT. Tal enfoque puede producir resultados más detallados que los enfoques paramétricos porque las especies involucradas, el tiempo y la dirección de la transferencia pueden potencialmente identificarse.

Como se analiza con más detalle a continuación, los métodos filogenéticos van desde métodos simples que simplemente identifican la discordancia entre árboles de genes y especies hasta modelos mecanicistas que infieren secuencias probables de eventos HGT. Una estrategia intermedia implica deconstruir el árbol de genes en partes más pequeñas hasta que cada una coincida con el árbol de especies (enfoques espectrales del genoma).

Los métodos filogenéticos explícitos se basan en la precisión de los árboles de especies y genes enraizados de entrada, pero su construcción puede ser un desafío [41]. Incluso cuando no hay duda en los árboles de entrada, las filogenias en conflicto pueden ser el resultado de procesos evolutivos distintos de HGT, como duplicaciones y pérdidas, lo que hace que estos métodos infieran erróneamente eventos HGT cuando la paralogía es la explicación correcta. De manera similar, en presencia de una clasificación de linaje incompleta, los métodos de filogenia explícitos pueden inferir erróneamente eventos HGT [42]. Es por eso que algunos métodos explícitos basados ​​en modelos prueban múltiples escenarios evolutivos que involucran diferentes tipos de eventos y comparan su ajuste a los datos, dados criterios parsimoniosos o probabilísticos.

Pruebas de topologías.

Para detectar conjuntos de genes que se ajustan mal al árbol de referencia, se pueden utilizar pruebas estadísticas de topología, como Kishino-Hasegawa (KH) [43], Shimodaira-Hasegawa (SH) [44] y Aproximadamente imparcial (AU) [45] pruebas. Estas pruebas evalúan la probabilidad de la alineación de la secuencia de genes cuando la topología de referencia se da como hipótesis nula.

El rechazo de la topología de referencia es una indicación de que la historia evolutiva de esa familia de genes es incompatible con el árbol de referencia. Cuando estas inconsistencias no se pueden explicar usando un pequeño número de eventos no horizontales, como la pérdida y duplicación de genes, se infiere un evento HGT.

Uno de esos análisis verificó la HGT en grupos de homólogos del linaje γ-Proteobacterial [46]. Se reconstruyeron seis árboles de referencia utilizando las secuencias de ARN ribosómico de subunidades pequeñas altamente conservadas, un consenso de los árboles de genes disponibles o alineaciones concatenados de ortólogos. El hecho de no rechazar las seis topologías evaluadas y el rechazo de siete topologías alternativas se interpretó como evidencia de un pequeño número de eventos HGT en los grupos seleccionados.

Las pruebas de topología identifican diferencias en la topología del árbol teniendo en cuenta la incertidumbre en la inferencia del árbol, pero no intentan inferir cómo se produjeron las diferencias. To infer the specifics of particular events, genome spectral or subtree pruning and regraft methods are required.

Genome spectral approaches.

In order to identify the location of HGT events, genome spectral approaches decompose a gene tree into substructures (such as bipartitions or quartets) and identify those that are consistent or inconsistent with the species tree.

Removing one edge from a reference tree produces two unconnected subtrees, each containing a disjoint set of nodes—a bipartition. If a bipartition is present in both the gene and the species trees, it is compatible otherwise, it is conflicting. These conflicts can indicate an HGT event or may be the result of uncertainty in gene tree inference. To reduce uncertainty, bipartition analyses typically focus on strongly supported bipartitions such as those associated with branches with bootstrap values or posterior probabilities above certain thresholds. Any gene family found to have one or several conflicting, but strongly supported, bipartitions is considered as an HGT candidate [47,48].

Alternatively, trees can be decomposed into quartets. Quartets are trees consisting of four leaves. In bifurcating (fully resolved) trees, each internal branch induces a quartet whose leaves are either subtrees of the original tree or actual leaves of the original tree. If the topology of a quartet extracted from the reference species tree is embedded in the gene tree, the quartet is compatible with the gene tree. Conversely, incompatible strongly supported quartets indicate potential HGT events [49]. Quartet mapping methods are much more computationally efficient and naturally handle heterogeneous representation of taxa among gene families, making them a good basis for developing large-scale scans for HGT, looking for highways of gene sharing in databases of hundreds of complete genomes [50,51].

Subtree pruning and regrafting.

A mechanistic way of modelling an HGT event on the reference tree is to first cut an internal branch—i.e., prune the tree—and then regraft it onto another edge, an operation referred to as subtree pruning and regrafting (SPR) [52]. If the gene tree was topologically consistent with the original reference tree, the editing results in an inconsistency. Similarly, when the original gene tree is inconsistent with the reference tree, it is possible to obtain a consistent topology by a series of one or more prune and regraft operations applied to the reference tree. By interpreting the edit path of pruning and regrafting, HGT candidate nodes can be flagged and the host and donor genomes inferred [48,53]. To avoid reporting false positive HGT events due to uncertain gene tree topologies, the optimal "path" of SPR operations can be chosen among multiple possible combinations by considering the branch support in the gene tree. Weakly supported gene tree edges can be ignored a priori [54], or the support can be used to compute an optimality criterion [55,56].

Because conversion of one tree to another by a minimum number of SPR operations is NP-Hard [57], solving the problem becomes considerably more difficult as more nodes are considered. The computational challenge lies in finding the optimal edit path, i.e., the one that requires the fewest steps [58,59], and different strategies are used in solving the problem. For example, the HorizStory algorithm reduces the problem by first eliminating the consistent nodes [60] recursive pruning and regrafting reconciles the reference tree with the gene tree and optimal edits are interpreted as HGT events. The SPR methods included in the supertree reconstruction package SPRSupertrees substantially decrease the time of the search for the optimal set of SPR operations by considering multiple localised subproblems in large trees through a clustering approach [61].

Model-based reconciliation methods.

Reconciliation of gene and species trees entails mapping evolutionary events onto gene trees in a way that makes them concordant with the species tree, given a mechanistic model. Different reconciliation models exist, differing in the types of event they consider to explain the incongruences between gene and species tree topologies. Early methods exclusively modelled horizontal transfers (T) [52,55]. More recent ones also account for duplication (D), loss (L), incomplete lineage sorting (ILS), or homologous recombination (HR) events. The difficulty is that by allowing for multiple types of events, the number of possible reconciliations increases rapidly. For instance, conflicting gene tree topologies might be explained in terms of a single HGT event or multiple duplication and loss events. Both alternatives can be considered plausible reconciliation depending on the frequency of these respective events along the species tree.

Reconciliation methods can rely on a parsimonious or a probabilistic framework to infer the most likely scenario(s), where the relative cost and probability of D, T, and L events can be fixed a priori or estimated from the data [62]. The space of DTL reconciliations and their parsimony costs—which can be extremely vast for large multicopy gene family trees—can be efficiently explored through dynamic programming algorithms [63–65]. In some programs, the gene tree topology can be refined where it was uncertain to fit a better evolutionary scenario as well as the initial sequence alignment [63,66,67]. More refined models account for the biased frequency of HGT between closely related lineages [68], reflecting the loss of efficiency of HR with phylogenetic distance [69], for ILS [70], or for the fact that the actual donor of most HGT belong to extinct or unsampled lineages [71]. Further extensions of DTL models are being developed towards an integrated description of the genome evolution processes. In particular, some of them consider horizontal transfer at multiple scales—modelling independent evolution of gene fragments [72] or recognising coevolution of several genes (e.g., due to cotransfer) within and across genomes [73].

Implicit phylogenetic methods

In contrast to explicit phylogenetic methods, which compare the agreement between gene and species trees, implicit phylogenetic methods compare evolutionary distances or sequence similarity. Here, an unexpectedly short or long distance from a given reference compared to the average can be suggestive of an HGT event (see Fig 1). Because tree construction is not required, implicit approaches tend to be simpler and faster than explicit methods.

However, implicit methods can be limited by disparities between the underlying correct phylogeny and the evolutionary distances considered. For instance, the most similar sequence as obtained by the highest-scoring BLAST hit is not always the evolutionarily closest one [74].

Top sequence match in a distant species.

A simple way of identifying HGT events is by looking for high-scoring sequence matches in distantly related species. For example, an analysis of the top BLAST hits of protein sequences in the bacteria Thermotoga maritima revealed that most hits were in archaea rather than closely-related bacteria, suggesting extensive HGT between the two [37] these predictions were later supported by an analysis of the structural features of the DNA molecule [17].

However, this method is limited to detecting relatively recent HGT events. Indeed, if the HGT occurred in the common ancestor of two or more species included in the database, the closest hit will reside within that clade, and therefore the HGT will not be detected by the method. Thus, the threshold of the minimum number of foreign top BLAST hits to observe to decide a gene was transferred is highly dependent on the taxonomic coverage of sequence databases. Therefore, experimental settings may need to be defined in an ad-hoc way [75].

Discrepancy between gene and species distances.

The molecular clock hypothesis posits that homologous genes evolve at an approximately constant rate across different species [76]. If one only considers homologous genes related through speciation events (referred to as “orthologous" genes), their underlying tree should by definition correspond to the species tree. Therefore, assuming a molecular clock, the evolutionary distance between orthologous genes should be approximately proportional to the evolutionary distances between their respective species. If a putative group of orthologs contains xenologs (pairs of genes related through an HGT), the proportionality of evolutionary distances may only hold among the orthologs, not the xenologs [77].

Simple approaches compare the distribution of similarity scores of particular sequences and their orthologous counterparts in other species HGT are inferred from outliers [78,79]. The more sophisticated DLIGHT (Distance Likelihood-based Inference of Genes Horizontally Transferred) method considers simultaneously the effect of HGT on all sequences within groups of putative orthologs [7]: if a likelihood-ratio test of the HGT hypothesis versus a hypothesis of no HGT is significant, a putative HGT event is inferred. In addition, the method allows inference of potential donor and recipient species and provides an estimation of the time since the HGT event.

Phylogenetic profiles.

A group of orthologous or homologous genes can be analysed in terms of the presence or absence of group members in the reference genomes such patterns are called phylogenetic profiles [80]. To find HGT events, phylogenetic profiles are scanned for an unusual distribution of genes. Isolated occurrence of a gene, i.e., absence of a homolog in other members of a group of closely related species is an indication that the examined gene might have arrived via an HGT event. For example, the three facultatively symbiotic Frankia spp. strains are of strikingly different sizes: 5.43 Mbp, 7.50 Mbp, and 9.04 Mbp, depending on their range of hosts [81]. Marked portions of strain-specific genes were found to have no significant hit in the reference database and were possibly acquired by HGT transfers from other bacteria. Similarly, three phenotypically diverse Escherichia coli strains (uropathogenic, enterohemorrhagic, and benign) shared about 40% of the total combined gene pool, with the other 60% being strain-specific genes and, consequently, HGT candidates [82]. Further evidence for these genes resulting from HGT was their strikingly different codon usage patterns from the core genes and a lack of gene order conservation (order conservation is typical of vertically-evolved genes) [82]. The presence and absence of homologs (or their effective count) can thus be used by programs to reconstruct the most likely evolutionary scenario along the species tree. Just as with reconciliation methods, this can be achieved through parsimonious [83] or probabilistic estimation of the number of gain and loss events [84,85]. Models can be complexified by adding processes, like the truncation of genes [86], but also by modelling the heterogeneity of rates of gain and loss across lineages [87] and/or gene families [85,88].

Clusters of polymorphic sites.

Genes are commonly regarded as the basic units transferred through an HGT event. However, it is also possible for HGT to occur within genes. For example, it has been shown that horizontal transfer between closely related species results in more exchange of ORF fragments [89,90], a type a transfer called gene conversion, mediated by homologous recombination. The analysis of a group of four mi. coli and two Shigella flexneri strains revealed that the sequence stretches common to all six strains contain polymorphic sites, consequences of homologous recombination [91]. Clusters of excess of polymorphic sites can thus be used to detect tracks of DNA recombined with a distant relative [92]. This method of detection is, however, restricted to the sites in common with all analysed sequences, limiting the analysis to a group of closely related organisms.


Sensing Environmental Conditions and Host Cell Physiology

Repressor Inactivation Mediated by the SOS Response

Similarly to the temperate bacteriophage lambda, ICEs contain integrases and excisionases for integration and excision (En t/xis in Figure 1B). In SXT, an ICE of Vibrio cholerae, a repressor protein with similarity to the lambda CI repressor, SetR, maintains the OFF status of the integrated conjugative element. The repressor can be inactivated by RecA mediated autocleavage through DNA damaging agents which induce the SOS response. Repressor inactivation is followed by expression of SetC and SetD which act as activators of En t/xis y tra genes (Beaber et al., 2004). The low transfer frequency observed for SXT transfer and repressor inactivation is presumably maintained by a subpopulation of cells that inherently express SOS genes (McCool et al., 2004), specific inducers of this system, however, are unknown.

Activation by Specific Nutrients and Quorum Sensing

Agrobacteria harboring Ti plasmids are not only capable of transforming plant cells by T-DNA transfer but also contain a specific set of DNA transfer genes for conjugation. Tra genes are not transcribed unless a specific transcriptional activator, TraR is expressed. En primer lugar, traR transcription is dependent on opines, amino sugars specifically produced by transformed plant tumor cells. Opines can be taken up and used as nutrients only by agrobacteria harboring the Ti plasmid. Opines, specifically nopalines, inactivate a Ti plasmid encoded repressor (AccR) that controls several genes on the Ti plasmid. Among the genes controlled by AccR is the gene for the transcriptional activator TraR. Secondly, TraR acts as a receptor for𠅊nd is additionally activated by𠅊n N-acyl-L-homoserine lactone (AHL) quorum signaling molecule. A positive feedback loop is constituted by the fact that production of AHL by TraI is also under the control of TraR. As a consequence, Ti plasmid encoded tra genes are only turned ON inside crown galls (where opines are produced by plant cells) at high cell densities (reviewed in White and Winans, 2007). In the Ti plasmid system, induction of tra genes is therefore dependent on signal molecule mediated repressor inactivation and activator production, which, once initiated, is enhanced by a positive feedback loop (provided by AHL synthesis), presumably resulting in a burst of tra gene expression in individual cells harboring the Ti plasmid. The system can be turned OFF by anti-activators (TraM and TrlR under the control of TraR—negative feedback loop) and may be modulated by lactonases that can specifically hydrolyze the AHL molecule in response to plant signals (Haudecoeur and Faure, 2010). Besides the Ti plasmid and two chromosomes, Agrobacterium tumefaciens C58 also harbors another large conjugative plasmid, pAT. Interestingly, conjugation genes of pAT are activated by opines but are independent of AHL (Lang et al., 2013).

Activator Escape and Environmental Cues in F-Like Plasmids

Notwithstanding the lack of obvious signaling molecules involved in F-conjugation module mediated DNA transfer, sensing environmental conditions in combination with the physiological status of the potential donor cell affects the behavior of the cell through a network of regulatory elements (for a detailed description see Frost and Koraimann, 2010). CPs with F-like conjugation modules are mainly found in the Enterobacteriaceae including pathogenic Escherichia, Salmonela, y Klebsiella especies. Typically, the plasmid encoded transcriptional activator of tra genes, TraJ, is under the negative control of two fertility inhibition elements, FinO and FinP. While FinP is a small regulatory RNA that is produced as a countertranscript to the translation initiation region of the TraJ mRNA, FinO is an RNA chaperone that is required for efficient suppression of TraJ expression (Arthur et al., 2003). In populations of donor cells—under optimal conditions promoting growth and cell division—only in few cells (1� out of 1000 potential donor cells) TraJ escapes this negative FinOP mediated control and promotes transcription of tra genes together with the host encoded transcriptional activator ArcA-P (Strohmaier et al., 1998 Frost and Koraimann, 2010 Wagner et al., 2013). Once initiated, a positive feedback-loop leads to a burst of tra gene expression which ensures the transformation into a transfer competent cell (Dempsey, 1989 Pölzleitner et al., 1997). Similarly to other conjugation systems described in this review, a negative feedback-loop exists that mediates shut-off of tra gene expression via the DNA binding protein TraY which has an activating role at low concentrations but can inhibit tra gene expression at higher concentrations. Other factors that contribute to the shut-off of tra gene transcription or modulate and fine tune this system are extracellular and cellular stress response elements, including the CpxAR two component system, proteases, and the chaperone protein GroEL (Zahrl et al., 2006, 2007 Lau-Wong et al., 2008).


Introducción

Horizontal gene transfer mediated by conjugative plasmids and integrative conjugative elements (ICEs) is a major cause of the rapid spread of bacterial antibiotic resistance [1]. The process starts with a “mating” stage, which depends on contact through sexual pili or cell–cell aggregation proteins followed via a type IV secretion system [2]. Importantly, expression of these conjugation determinants bears a significant fitness cost, reducing the host’s growth rate, implying the existence of a trade-off between the horizontal and vertical modes of plasmid transfer [3]. Indeed, across gram-negative and gram-positive bacteria, plasmid donor populations are generally in a constitutive “off-state,” and only after induction by environmental factors or signaling molecules is conjugation activated [4]. Also, a general feature of these systems is that only a few members of the population activate the response [4]. This property suggests that antibiotic-resistant plasmids and ICEs naturally maintain a high proportion of vertical rather than horizontal transfer. On an evolutionary timescale, under constant low availability of plasmid recipients, plasmid variants with lower conjugation rates are expected to gain a fitness advantage by increasing their vertical inheritance through host proliferation. Contrary to that, evolution is expected to favor plasmid variants with increased conjugation rates under conditions of constant high recipient availability [5]. Therefore, the optimal effort that a plasmid invests on horizontal spread depends principally on the social environment under which conjugation control evolved. However, the primary population parameters determining the potential donor–recipient encounter rates, i.e., the densities of donors and recipients, can vary dynamically at faster timescales through growth, dilution, and migration processes. Intuitively, then, plasmid variants able to dynamically monitor mating likelihood and regulate conjugation effort accordingly could evolve.

Antibiotic-resistant plasmids from Enterococcus faecalis are a major threat to public health [6] because of the efficiency of their pheromone-sensitive conjugation systems [7] and the multiplicity of resistances they can transfer, including those against the last-line antibiotic vancomycin [8]. Plasmids from mi. faecalis exhibit the capacity to sense recipient densities [9]. In the pCF10 plasmid and its family members, this mate sensing is achieved with unidirectional signaling based on conserved peptide import–export systems [10–13]. This system is also no exception in terms of the cellular cost of conjugation, given the strong protein expression up-regulation that ensues. Indeed, efficient cell–cell aggregation in this system relies on the high abundance of the aggregation substance from pCF10 (Asc10) protein [14,15], as well as on the expression of >20 pheromone-regulated genes, including the ATP-dependent type IV conjugation machinery [16,17]. Donor populations exposed to a given level of inducer also have the capacity to sort into responding and nonresponding cells—in this case, through a pheromone-dependent bistable switch at the transcriptional level [18].

From an evolutionary perspective, sensing the presence of mates through selection for specificity (Fig 1A, compare left and center panels) is straightforward to interpret because it avoids unproductive donor–donor interactions. Intriguingly, however, in the mi. faecalis system, two antagonistic plasmid-encoded, pheromone-sensing systems control conjugation. These integrate information about the presence of potential plasmid recipients (mate-sensing) and about plasmid donors (self-sensing) (Fig 1A, right [16]). Such integration is antagonistic, with recipient-produced cCF10 and donor-produced iCF10 pheromones causing activation and repression of conjugation functions, respectively (Fig 1A, right). Such repressive self-sensing could effectively prevent self-aggregation and unproductive homophilic interactions at high donor densities, in which donor-produced leaky cCF10 (Fig 1A) could accumulate to significant levels. Self-sensing is mediated by basal production of iCF10 during the growth of uninduced donors. This pheromone is essential for keeping the conjugation pathway inactive in donor populations, even if leaky cCF10 accumulates due to growth, as shown by saturated constitutive pathway expression in plasmids carrying a nonfunctional version of iCF10 [19]. We rationalized that the combination of self-sensing and mate sensing could serve another function—namely, conferring to donor cells the capacity to perceive mate availability (ratio sensing) rather than mate concentration only (quorum sensing, [20]). This could enable cells to respond specifically to the population composition (Fig 1B). Intuitively, growth in liquid may increase the rate of accumulation of both cCF10 and iCF10 (Fig 1B, right), but the effects produced by each could balance each other out, producing a response that remains insensitive to fluctuations in the degree of cellular crowding.

(A) Possible topological structures of pheromone sensing in pCF10. Plasmids that perceive cCF10 pheromone (blue balls) from either donors or recipients (left) and consequently activate the pathway in proportion to the total population density (QS) are less efficient at mating than variants that minimize the production of endogenous cCF10 (center, MS). The present-day topological structure involves the presence of an antagonistic extracellular pheromone (iCF10, right). Pheromones cCF10 (blue balls) and iCF10 (red triangles) accumulate in proportion to recipients and donors, respectively. (B) The population parameter disentanglement capabilities of pCF10 might provide a function of iCF10 [D] (left), [R] (center), and [R+D] (right) are sensed differently by each one of the signaling schemes. Contrary to QS and MS, only the RS (green) scheme can distinguish specifically meaningful changes in recipient availability from simple fluctuations in crowding. (C) The mating system of mi. faecalis. The pCF10 plasmid in donor cells encodes “mating” (preconjugative) functions involved in self-incompatibility (red), which allows avoidance of nonproductive donor–donor interactions in at least three ways. First, by Sec10 (encoded by prgA) activity, which minimizes interactions of the neighboring cell-wall–associated aggregation substance (Asc10, coded by the prgB gene) with LTA in the cell walls of other donors (not shown) by steric hindrance [21] and keeps those interactions specific for the LTA in recipients (shown). Second, by prgY, which restricts production of the cCF10 pheromone (blue) [22], a secreted product of the normal processing of a protein encoded by the ccfA gene, encoded in the genome which serves as the main cue used for activation. Finally, by secreting the iCF10 pheromone, which antagonizes the effect of cCF10 at the signal integration level (yellow) through competitive binding to the PrgX transcription factor. PrgZ is responsible for pheromone binding along with internalization by the native Opp system (gray) [10,11]. In this study, the pathway’s response was quantified by measuring Asc10-dependent phenotypes, such as adherence to surfaces and sexual aggregate formation, and by monitoring the expression of a GFP reporter cotranscribed with the prgB gene [23]. The reporter’s RBS (white box on transcript) is identical to that of prgB. Functions further downstream of prgB (including the conjugation machinery) are not shown. ccfA, cCF10 pheromone gene [D], donor concentration GFP, green fluorescent protein LTA, lipoteichoic acid MS, mate sensing Opp, oligopeptide permease Prg, pheromone responding gene [R], recipient concentration RBS, ribosome binding site [R+D], total population concentration RS, ratio sensing QS, quorum sensing Sec10, surface exclusion from pCF10.

Here, we demonstrate that density-robust ratiometric control over horizontal plasmid transfer allows antibiotic-resistant Enterococcus plasmid donors to estimate the conjugation likelihood in a cost-effective manner, maximizing their fitness. We further suggest that this mechanism robustly stabilizes the population composition in the long term in the face of variation in resource availability.


Transferencia horizontal de genes

The second edition of Transferencia horizontal de genes has been organized to provide a concise and up-to-date coverage of the most important discoveries in this fascinating field. Written by the most prominent gene transfer and genome analytical scientists, this book details experimental evidence for the phenomenon of horizontal gene transfer and discusses further evidence provided by the recent completion of genomic sequences from Archea, Bacteria, and Eucarya members. The relevance of horizontal gene transfer to plant and metazoan taxonomy, GM foods, antibiotic resistance, paleontology, and phylogenetic reconstruction is also explored. Transferencia horizontal de genes is essential for microbiologists, geneticists, biochemists, evolutionary biologists, infectious disease specialists, paleontologists, ecologists, and researchers working in plant/animal systematics and agriculture with an interest in gene transfer. This includes scientific researchers from government and industry concerned with the release of genetically modified organisms.

The second edition of Transferencia horizontal de genes has been organized to provide a concise and up-to-date coverage of the most important discoveries in this fascinating field. Written by the most prominent gene transfer and genome analytical scientists, this book details experimental evidence for the phenomenon of horizontal gene transfer and discusses further evidence provided by the recent completion of genomic sequences from Archea, Bacteria, and Eucarya members. The relevance of horizontal gene transfer to plant and metazoan taxonomy, GM foods, antibiotic resistance, paleontology, and phylogenetic reconstruction is also explored. Transferencia horizontal de genes is essential for microbiologists, geneticists, biochemists, evolutionary biologists, infectious disease specialists, paleontologists, ecologists, and researchers working in plant/animal systematics and agriculture with an interest in gene transfer. This includes scientific researchers from government and industry concerned with the release of genetically modified organisms.


4. What is LUCA?

The LUCA is a moot point in that it is a theoretical construct designed to explain the origin of especially the Bacteria and Archaea domains, collectively called prokaryotes. It is believed that LUCA existed at the time that these two domains became separate entities in their own right. From this it can be surmised that LUCA may have been a complex and almost fully formed living entity which probably even had DNA as a repository for information, as has been shown by various comparative genomic studies. More to the point, Prof. John Allen (Queen Mary, University of London—see summary report) proposed: what does the word “last” in “last universal common ancestor” signify? There are two lines of thought on this question, es decir., whether LUCA means the ancestor of all things alive on Earth today. or of all things that have ever lived on Earth. In the case of latter supposition it is suggested that, perhaps, its correct title should be the 𠇏irst universal common ancestor”. Such reasoning raises another question: what came before LUCA? Since RNA acts both as a repository of information and as a catalyst, perhaps there were evolving entities made purely from RNAs. So, what was the nature of LUCA? Some theoretical biologists think that LUCA was only one of several designs for early life, from which a single entity capable of evolving into prokaryotes arose. Others have questioned its existence altogether that is, some scientists maintain that there may not even have been such an entity as the LUCA at all, and that it should no longer be considered as a relevant part of evolutionary theory—this view being the central tenet of the “metabolism first hypothesis” as opposed to the “genes first hypothesis”.

However a middle ground is held by those scientists who believe that the LUCA was not a single entity, but a consortium of many “LUCA-like” entities (as was proposed by Prof. Armen Mulkidjanian—see summary report). Use of the term “LUCA-like” is deliberate because although similar to the single entity, the components of such a consortium would not have been individually 𠇌omplete”—sort of proto-LUCAs, as it were. In order for these entities to move up to the next level and form a complete LUCA, they would have had to exchange genes with each other and therefore exist in close proximity, which could have been encased within “semi-permeable” bubbles of clay on the sea floor and/or floating about in small pools of water, where their concentration would have been sufficiently high enough for interaction. This would have facilitated exchange of genetic material (es decir., vía HGT). On the balance of probability and based on the evidence derived from the mechanisms used in HGT (see below), I believe it is more than likely that there was a sort of “united nations of LUCAs” in operation at the time.

The explanatory evolutionary tool of LUCA does not, however, explain the presence of viruses, in particular RNA ones. There is evidence to suggest that some viruses arose independently from an RNA-world without the intervention of LUCA and are, thus, not directly connected with the emergence of either Bacteria or Archaea. In this respect some scientists working in the RNA-world hypothesis and comparative genomic studies believe that the word 𠇌ommon” in the acronym LUCA be replaced with �llular”, as it is not in common to viruses. However, it should still be noted that there were extensive exchanges of MGEs between RNA viruses and the LUCA with evolving cellular genomes.


Observaciones finales

Our belief is that to understand how virulence mechanisms such as biofilm formation are established, we need to understand social dilemmas raised by microbial interactions. To achieve the above-mentioned goal, it is essential that we gain a better understanding of the molecular mechanisms involved. HGT and MGEs, such as plasmids, are at the very heart of this. In this review, we have argued that the interconnectedness between biofilm formation and plasmid biology may act as a positive loop that promotes both. The perspective extends to an overall interconnectedness between HGT, MGE and social evolution of bacteria.


Ver el vídeo: VENTAJAS Y DESVENTAJAS DE LA MINERÍA (Enero 2022).