Nachricht

Sep 14, 2023

Der DSF-Inaktivator RpfB homologes FadD wurde in Bradyrhizobium japonicum unter eisenlimitierenden Bedingungen hochreguliert

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 8701 (2023) Diesen Artikel zitieren

63 Zugriffe

1 Altmetrisch

Details zu den Metriken

Phytopathogene Bakterien Xanthomonas campestris pv. campestris (Xcc) verursacht Schwarzfäule und andere Pflanzenkrankheiten. Xcc erkennt den diffusiblen Signalfaktor (DSF) als Quorum-Sensing-Signal (QS), das hauptsächlich die Eisenaufnahme und Virulenz vermittelt. RpfB deaktiviert DSF in dieser DSF-QS-Schaltung. Wir untersuchten unterschiedliche Genexpressionsprofile von Bradyrhizobium japonicum unter Bedingungen mit niedrigem bzw. hohem Eisengehalt und stellten fest, dass fadD und irr bei niedrigem Eisengehalt hochreguliert waren (log2-fache Änderung 0,825 bzw. 1,716). Zusätzlich zu ähnlichen Proteinfaltungsmustern und funktionellen Domänenähnlichkeiten wies FadD eine Sequenzähnlichkeit von 58 % mit RpfB von Xcc auf. Die RpfB-DSF- und FadD-DSF-Komplexe hatten SWISSDock-Molekular-Docking-Scores von −8,88 kcal/mol bzw. −9,85 kcal/mol, und die Ergebnisse der 100-ns-Molekulardynamiksimulation stimmten mit den Docking-Ergebnissen überein. Es wurden jedoch signifikante Unterschiede zwischen den Bindungsenergien von FadD-DSF und RpfB-DSF gefunden, was auf einen möglichen FadD-abhängigen DSF-Umsatz hinweist. Das Protein-Protein-Interaktionsnetzwerk zeigte, dass FadD indirekt mit der ABC-Transporterpermease (ABCtp) verbunden war, die ebenfalls hochreguliert war (log2-fache Änderung 5,485). Wir spekulieren, dass der niedrige Eisengehalt ein mimetischer Umweltreiz für die Hochregulierung von fadD in B. japonicum sein könnte, um DSF zu deaktivieren, die Eisenaufnahme und die Virulenz von DSF-produzierenden Nachbarn zu hemmen. Dieser Befund bietet eine neue Möglichkeit, B. japonicum oder ein genetisch verbessertes B. japonicum als potenzielles Biokontrollmittel gegen Xcc zu verwenden, mit dem zusätzlichen Vorteil pflanzenwachstumsfördernder Eigenschaften.

Eisen ist nach Sauerstoff, Silizium und Aluminium das am weitesten verbreitete Element in der Erdkruste. Eisen liegt normalerweise in der Oxidationsstufe Eisen (Fe2+) oder Eisen (Fe3+) vor1. Eisen(III) weist eine relativ geringe Löslichkeit auf, obwohl es in der sauerstoffhaltigen Umgebung der Erde die vorherrschende Form ist, und dies stellt eine Herausforderung für Bakterien mit aerobem Stoffwechsel dar. Bei niedrigem pH-Wert kommt das löslichere Eisen (II) in einer anaeroben oder mikroaeroben Umgebung am häufigsten vor2. Eisen ist für die Aktivität regulatorischer und metabolischer Enzyme unerlässlich, weshalb es für die Physiologie der Bakterien von wesentlicher Bedeutung ist. Allerdings kann Eisen aufgrund seines Potenzials, bei physiologischem pH-Wert Elektronen zu transportieren, für Zellen toxisch sein. Bakterien haben Mechanismen entwickelt, um aktiv Eisen aus der Umgebung zu sammeln, wenn Eisen knapp ist, und um die Verfügbarkeit von intrazellulärem freiem Eisen zu kontrollieren, wenn Eisen reichlich vorhanden ist3. Diese Eisenhomöostase ist sowohl für die Virulenz als auch für normale zelluläre Prozesse von entscheidender Bedeutung1. Der Eisenaufnahmeregulator (Fur) ist ein globaler Transkriptionsregulator der Eisenhomöostase, der Virulenz und des oxidativen Stresses4. Fell wurde umfassend in Escherichia coli erforscht5 und es wurde gezeigt, dass es die eisenabhängige Expression von über 90 Genen reguliert6. Fur fungiert als positiver Repressor, denn wenn es mit Eisen (seinem Co-Repressor) interagiert, unterdrückt es die Transkription, und wenn Eisen fehlt, unterdrückt es die Transkription6. Fur ist ein homodimeres DNA-bindendes Protein, das ein Eisenion pro Untereinheit bindet. Bei niedrigen Eisenkonzentrationen ist die DNA-Bindungsaffinität von Apo-Fur (Fur ohne Eisen) etwa 1000-mal niedriger als die von Fur und seine Aktivität ist vermindert, was zu einer Eisenabsorption, einer Unterdrückung der kleinen RNA von RyhB, einer verringerten Eisenspeicherung und einer verringerten Eisenspeicherung führt Eisen-Protein-Synthese6. Siderophore sind extrazelluläre Eisen(III)-chelatbildende Moleküle, die von Bakterien zur Eisenaufnahme synthetisiert werden7. Bakterienstämme, die nicht in der Lage sind, Siderophore zu produzieren, nutzen häufig Siderophore, die von anderen Bakterienstämmen produziert werden, was ihnen einen Wettbewerbsvorteil bei der Konkurrenz zwischen den Arten oder unter eisenlimitierenden Bedingungen verschafft8. Bakterien verfügen über andere Eisenaufnahmemechanismen, einschließlich der Hämabsorption und eines Eisentransportsystems2,9. Es wurde jedoch festgestellt, dass Pelzmutantenstämmen eine angemessene Eisenhomöostase fehlt und eine hohe Konzentration an intrazellulärem Eisen als Folge einer konstant hohen Siderophorproduktion festgestellt wurde4. In Wirtspflanzen wiesen die Pelzmutantenstämme eine verminderte Resistenz gegen oxidativen Stress und verminderte Virulenzmerkmale auf4,10. Diese Ergebnisse unterstreichen die Bedeutung von Eisen und Fur für die Pathogenität phytopathogener Bakterien.

Rhizobakterien sind bodenbewohnende α-Proteobakterien, die symbiotische Beziehungen mit Hülsenfrüchten (z. B. Sojabohnen) eingehen können11. In einer symbiotischen Beziehung fördern pflanzenwachstumsfördernde Rhizobakterien die Pflanzenentwicklung durch eine Vielzahl von Mechanismen, einschließlich, aber nicht beschränkt auf, Stickstofffixierung, Phosphatlösung, Phytohormonproduktion, Antibiotikaproduktion und Quorum-Sensing (QS)-Interferenz12. Die meisten Bakterien nutzen QS als zelldichteabhängigen Kommunikationsmechanismus13. QS wird hauptsächlich durch N-Acylhomoserinlacton vermittelt, und das soziale Leben von Bakterien wird teilweise durch QS bestimmt. Bei phytopathogenen Bakterien wie Xanthomonas campestris pv. campestris (Xcc) wird QS durch Familienmitglieder des diffusiblen Signalfaktors (DSF) wie DSF, cis-2-dodecensäure (BDSF), cis,cis-11-methyldodeca-2,5-diensäure (IDSF) vermittelt ), trans-2-Decensäure (SDSF) und der reanimationsfördernde Faktor RpfB regulieren den DSF-Umsatz14. Langkettige Fettsäure-CoA-Ligase (FadD)-Sequenzen von Escherichia coli, Sinorhizobium meliloti und Agrobacterium tumefaciens sind homolog mit der RpfB-Sequenz von Xcc15. Die Störung von QS-Signalen durch enzymatische Umwandlung von Homoserinlacton oder DSF wird als Quorum-Quenching bezeichnet und QQ verbessert häufig die Wettbewerbsfähigkeit von Bakterienarten16. Bradyrhizobium japonicum ist ein Rhizobakterium, das das Pflanzenwachstum fördert12. Im B. japonicum-Stamm LO werden die Eisenhomöostase und die eisenregulierten Gene durch das Iron Response Regulator (Irr)-Protein reguliert und sind nicht auf die Häm-Biosynthese beschränkt5. In dieser Arbeit analysierten wir unterschiedliche Genexpressionsniveaus im B. japonicum-Stamm LO unter Bedingungen mit niedrigem und hohem Eisengehalt, indem wir Microarray-Expressionsprofile aus dem NCBI Gene Expression Omnibus-Datensatz (GEO: GSE4143) und Protein-Protein-Wechselwirkungen mithilfe von STRING verwendeten. Wir fanden heraus, dass die Expression des fadD-Gens von B. japonicum unter der Bedingung mit niedrigem Eisengehalt hochreguliert war (log2-fache Änderung (FC) 0,825). Wir fanden außerdem heraus, dass die Aminosäuresequenzen von B. japonicum FadD und Wir spekulieren, dass der niedrige Eisenzustand ein mimetischer Umweltreiz für B. japonicum sein könnte, der fadD hochreguliert, um DSF zu deaktivieren, die Eisenaufnahme zu hemmen und die Virulenz von DSF-produzierenden Nachbarn zu verringern.

Die Analyse des GEO-Datensatzes GSE4143 zeigte, dass 642 Gene unter der Bedingung mit niedrigem Eisengehalt (niedriger versus hoher Eisengehalt) signifikant unterschiedlich exprimiert wurden (DEGs) (Abb. 1). Nur 457 der 642 DEGs wurden für weitere Analysen verwendet (Ergänzungstabelle S1). Von den 642 DEGs waren 384 hochreguliert und 258 herunterreguliert (Abb. 2a). Die fadD- und irr-Gene von B. japonicum waren hochreguliert (log2 FC 0,825 bzw. 1,716) (Abb. 2b). Bemerkenswerterweise wurde auch das ABC-Transporter-Permease-Gen (ABCtp, blr3355) hochreguliert (log2 FC 5,485).

Differenziell exprimierte Gene zwischen Bradyrhizobium japonicum, das unter Bedingungen mit niedrigem und hohem Eisengehalt gezüchtet wird. (a) Vulkanplot. (b) Diagramm der mittleren Differenz, das die log2-fache Änderung (x-Achse) im Vergleich zu den durchschnittlichen log2-Ausdruckswerten (y-Achse) zeigt. Es wurde davon ausgegangen, dass Gene signifikant unterschiedlich exprimiert wurden, wenn der an die Benjamini-Hochberg-False-Discovery-Rate angepasste p-Wert < 0,05 war. (c) Venn-Diagramm der Überlappung signifikant unterschiedlich exprimierter Gene zwischen den Bedingungen mit niedrigem und hohem Eisengehalt. In dieser Analyse wurde der Gene Expression Omnibus GSE4143-Datensatz verwendet. Grafische Darstellungen wurden mit dem GEO2R-Analysetool erstellt und zur besseren Lesbarkeit angepasst.

Differenziell exprimierte Gene (DEGs) und angereicherte KEGG-Stoffwechselwege. (a) Kontingenzdiagramm der 642 Grad zwischen den Bedingungen mit niedrigem und hohem Eisengehalt. (b) Unterschiedliche Expressionsniveaus von irr und fadD bei niedrigem Eisengehalt im Vergleich zu Bedingungen mit hohem Eisengehalt. (c) KEGG-Stoffwechselwege der DEGs ohne Cutoff-Filter. Der Quorum-Sensing-Pfad hatte ein sehr niedriges Anreicherungsverhältnis von 0,01 mit einem Input-Gen (fadD) und 19 Hintergrundgenen. Die KEGG-Pfade wurden basierend auf ihren Funktionen in acht Hauptcluster (C1–C8) unterteilt.

Die Signalweganreicherungsanalyse der Kyoto Encyclopedia of Genes and Genomes (KEGG) mit dem Benjamini-Hochberg-FDR (P < 0,05) der DEGs zeigte, dass die meisten der herunterregulierten Gene an der Flagellenassemblierung, dem Ribosom, der oxidativen Phosphorylierung, den Stoffwechselwegen und der Kohlenstofffixierung beteiligt waren in photosynthetischen Organismen, Porphyrin- und Chlorophyllstoffwechsel, Kohlenstoffstoffwechsel, mikrobieller Stoffwechsel in verschiedenen Umgebungen, Glyoxylat, Dicarboxylatstoffwechsel und Biosynthese von Sekundärmetaboliten (Ergänzungstabelle S2), wohingegen die meisten hochregulierten Gene an der Schwefelweiterleitung beteiligt waren (moaE, moaD, mnmA) und Beta-Lactam-Resistenzwege (acrB, ampC, acrA) (Ergänzungstabelle S3). Darüber hinaus verwendeten wir das KEGG Orthology Based Annotation System (KOBAS) auch ohne die Benjamini-Hochberg-FDR-Filtereinstellung (p <0,05) und identifizierten einen QS-Signalweg mit einem Gen (fadD) und 19 Hintergrundgenen (Abb. 2c).

Wir haben ein großes Protein-Protein-Interaktionsnetzwerk (PPI) der DEGs aufgebaut (ergänzende Abbildung S1) und festgestellt, dass die kodierten Proteine ​​in den oberen 50 Hub-Knoten an zwei wichtigen KEGG-Wegen beteiligt sind, nämlich den Ribosomen- und Flagellenassemblierungswegen. Das rpmC-Protein im Ribosomenweg und der Knoten 2734684 in den Flagellenassemblierungswegen verbinden diese beiden Stoffwechselwege (Abb. 3a). Bemerkenswert ist, dass die Top-15-Engpassknoten das Irr-Protein enthielten, wohingegen FadD nicht zu den Top-50-Hubs oder 15-Engpassknoten gehörte (Abb. 3b). Das PPI-Netzwerk besteht aus Subnetzwerken, einschließlich FadD-, Flagellen-Assembly-, Ribosomen- und Wurzelknotenclustern (ergänzende Abbildung S1). FadD interagiert mit bestimmten Knoten, nämlich 27354240, 27354241, 27354239, 27354242, 27352300, 27349302, 27351614, 27351617, 27348347 (Abb. 3c). Eine separate STRING17-basierte Analyse des FadD-PPI-Clusters identifizierte signifikante QS- und ABC-Transporterwege mit FDR-bereinigten p-Werten von 7,64e−09 bzw. 2,82e−05 (Tabelle 1). Darüber hinaus waren FadD und 27354240 ausschließlich am QS-Transportweg beteiligt, während 27354239, 27354241, 27354242, 27352300, 27349302 und 27351614 an den QS- und ABC-Transportwegen beteiligt waren. Darüber hinaus waren die Knoten 27351614 und 27348347 an verschiedenen Signalwegen beteiligt, einschließlich der zellulären Eisenhomöostase (Abb. 3c). Die Ergebnisse zeigten auch, dass FadD indirekt mit ABCtp verbunden war, das hochreguliert war (log2 FC 5.485) (Abb. 3d).

Protein-Protein-Interaktionsnetzwerk (PPI) der unterschiedlich exprimierten Gene sowie Hub- und Engpassknoten. (a) Top 50 Hub-Knoten im PPI-Netzwerk. Die verbindenden Hub-Knoten sind in blauen Kästchen dargestellt. (b) Die 15 größten Engpassknoten im PPI-Netzwerk. Das Irr-Protein ist unten rechts. (c) Der FadD-Cluster im PPI-Netzwerk wurde herausgetrennt und mit STRING untersucht. Knoten haben je nach beteiligten Pfaden mehrere Farben: Rot, Quorum Sensing (bja02024)58,59,60; blau, ABC-Transporter (bja02010)58,59,60; gemischt, einschließlich Ferredoxin, NADP-Reduktase und Bakterien; und gelbe, zelluläre Eisenionenhomöostase (Lokaler Netzwerkcluster (STRING), CL: 1531). (d) Unterschiedliche Expressionsniveaus von Knotengenen, die an verschiedenen Pfaden beteiligt sind, einschließlich Quorum Sensing und ABC-Transporterpfaden.

Die Ausrichtung der Aminosäuresequenzen von B. japonicum FadD und Ein Mehrfachsequenz-Alignment und ein phylogenetischer Baum zeigten, dass B. japonicum FadD deutlich anderen bakteriellen FadD-Aminosäuresequenzen ähnelte, von denen bereits bekannt war, dass sie homolog zur Xcc-RpfB-Sequenz sind (Abb. 4). Die strukturelle Bewertung der von AlphaFold18 vorhergesagten Proteinstrukturen von RpfB (AF-Q8P9K5-F1) und FadD (AF-A0A0A3XRM6-F1) mit dem RRDistMaps-Tool in UCSF Chimera19 ergab Ähnlichkeiten in ihren dreidimensionalen Strukturen (ergänzende Abbildung S2) und Xcc RpfB und B. japonicum FadD hatten TM-align20-Werte von 0,95995 bzw. 0,95828, was bestätigt, dass die Strukturen sehr ähnlich waren.

Vergleich der FadD-Aminosäuresequenzen von Bradyrhizobium japonicum, verwandten Bakterienarten und RpfB von Xcc. (a) Mehrfachsequenz-Alignment und (b) phylogenetischer Baum. Die Bootstrap-Werte werden neben den Zweigen angezeigt.

Die molekularen Docking-Scores von RpfB-DSF und FadD-DSF unter Verwendung von CB-Dock221 und AutoDock Vina22 unterschieden sich nicht wesentlich (Abb. 5), wohingegen sich die SWISSDock23- und fastDRH24-Scores signifikant unterschieden. Insbesondere hatte RpfB-DSF einen SWISSDock-Score von −8,88 kcal/mol und fastDRH MM-PBSA- und MM-GBSA-Scores von −22,27 bzw. −34,07 kcal/mol, wohingegen FadD-DSF einen SWISSDock-Score von −9,85 kcal/mol aufwies und fastDRH MM-PBSA- und MM-GBSA-Werte von – 34,02 kcal/mol bzw. – 38,07 kcal/mol (Tabelle 2). Die Kontaktreste zwischen RpfB und DSF waren PRO84, ASN85, PRO108, LEU109, ILE130, ASN132, PHE133, LEU154, LEU176, THR259, ALA260, LEU261, PRO262, LEU263, TYR264, ILE286, SER287, ASN288, PRO289 und ARG290, wohingegen Die Kontaktreste zwischen FadD und DSF waren ASN236, TRP239, LEU240, PHE265, ALA269, LEU273, ILE331, ASN333, GLY334, GLY335, GLY336, MET337, GLfY358, TYR359, GLY360, LEU361, PRO366, THR367, T HR369 und CYS370 (Ergänzung Abb. S3). Darüber hinaus wurden die 10 potenziellen Hotspot-Reste und die 30 wichtigsten Heatmap-Reste identifiziert (ergänzende Abbildung S4), basierend auf einer Analyse der Energiezersetzung pro Rest mehrerer Andockpositionen des Liganden . Daher sind sie (ergänzende Abbildung S4) möglicherweise sehr nützlich für zukünftige Bemühungen zur Entwicklung von Arzneimitteln gegen RpfB Xcc.

Biophysikalische Wechselwirkungen zwischen den Rezeptoren RpfB und FadD und dem Liganden DSF durch molekulares Docking und Molekulardynamik (MD)-Simulationen. (a,b) Molekulares Andocken zwischen DSF und RpfB von Xcc (a) und zwischen DSF und FadD von Bradyrhizobium japonicum (b). DSF wird durch die roten Kugel-Stab-Strukturen angezeigt. (c,d) RMSD der Rezeptoren und Liganden in den Komplexen. (e,f) RMSF der Rezeptoren und Liganden in den Komplexen. (g) Gyrationsradius (Rg) der Rezeptorproteine. (h) Anzahl der H-Bindungen und der an der H-Brücke beteiligten Aminosäurereste, berechnet unter Verwendung der Rezeptor-Ligand-Komplexe, die während der 100-ns-Molekulardynamiksimulationen erzeugt wurden. Der Schwellenwert ist als gestrichelte Linie dargestellt.

Um die molekularen Docking-Ergebnisse zu bestätigen, wurde die freie Bindungsenergie basierend auf impliziten Solvatationsmodellen für die mit DSF komplexierten FadD- und RpfB-Proteine ​​geschätzt. Die MM-PBSA/GBSA-Berechnungen unter Verwendung von 100-ns-MD-Trajektorien zeigten, dass die Bindungsaffinität für FadD-DSF viel höher war als die für RpfB-DSF (Tabelle 2), was die Ergebnisse des molekularen Dockings bestätigte. Van-der-Waals-Kräfte trugen aufgrund der lipophilen Natur des Ligandenmoleküls hauptsächlich zur Protein-Ligand-Affinität bei.

Um die Bewegungen der beiden Komplexe während der Simulationen zu untersuchen, wurden die Werte der quadratischen Mittelabweichung (RMSD) und Fluktuation (RMSF) sowie der Gyrationsradius (Rg) gegen die Zeit aufgetragen (Abb. 5c – g). Die FadD-DSF-RMSD-Werte waren höher (RMSD = 3,64 Å) als die für RpfB-DSF (RMSD = 2,78 Å), was darauf hindeutet, dass FadD stärker als RpfB vom Ausgangszustand abwich (Abb. 5c). Der Ligand-RMSD im FadD-DSF-Komplex blieb bei der Schwelle von 1,0 Å unverändert, wohingegen sich der Ligand-RMSD im RpfB-DSF-Komplex wahrscheinlich stark veränderte, weil DSF von der Bindungsstelle freigesetzt wurde (Abb. 5d). Die Rezeptor-RMSF-Werte identifizierten Aminosäurereste, die mit der hohen Flexibilität der N- und C-terminalen Regionen von RpfB verbunden sind (Abb. 5e). Die RMSF-Werte von DSF zeigten ähnliche Flexibilitätsmuster wie die RMSF-Werte für die Rezeptoren; Das heißt, DSF war im RpfB-DSF-Komplex flexibler als im FadD-DSF-Komplex (Abb. 5f). Die Rg-Werte zeigten, dass RpfB in den Komplexen kompakter war als FadD; Das heißt, die Rg-Werte waren für FadD höher als für RpfB (Abb. 5g).

Die Anzahl der H-Brücken zwischen den Rezeptoren und ihren Liganden wurde ermittelt, um den Beitrag der H-Brücken zur Bindungsaffinität zu bestimmen. Die Bindungsaffinität zwischen FadD und DSF war hoch, obwohl nur zwei Aminosäuren (Gly336 und Gly360) an der Bildung von H-Bindungen beteiligt waren. Allerdings waren neun Aminosäurereste an der Bildung von H-Bindungen zwischen RpfB und DSF beteiligt, die Bindungsaffinität war wahrscheinlich niedrig, weil der Ligand von der Bindungsstelle freigesetzt wurde (Abb. 5h).

Bakterien sind in der Regel von verschiedenen Stämmen und Arten umgeben, die um die begrenzten Lebensressourcen konkurrieren25. Daher haben Bakterien Strategien entwickelt, um ihre Nachbarn zu dezimieren und zu vertreiben, einschließlich, aber nicht beschränkt auf Sekrete, um Ressourcen (z. B. Siderophore für Eisen) zu sammeln, benachbarte Zellen zu verletzen oder zu vergiften26 und Mikrokolonien zu gründen, während andere Organismen daran gehindert werden, dies zu tun27. Biofilme sind aggregierte Mikrokolonien oberflächenassoziierter mikrobieller Zellen, die von einer extrazellulären Polymersubstanz (EPS) umgeben sind und hauptsächlich von QS28 gesteuert werden. QS spielt auch eine entscheidende Rolle bei der Regulierung der Virulenz und Biofilmbildung in Xcc29. Umgekehrt können pflanzenwachstumsfördernde Rhizobakterien wie B. japonicum das Pflanzenwachstum durch QS-Interferenz oder Quorum-Quenching benachbarter phytopathogener Bakterien fördern10,12. In jüngster Zeit lag der Fokus besonders auf QS-Signalen, einschließlich der Signale der DSF-Familie30, und es wurde festgestellt, dass QS mit Vorteilen oder Wettbewerbsinteraktionen verbunden ist26. DSF und BDSF sind QS-Prozessmediatoren in Xcc14, und RpfB kann DSF durch β-Oxidation über seine Fettacyl-CoA-Ligaseaktivität deaktivieren. Darüber hinaus kann DSF möglicherweise die Entwicklung, das Wachstum und die Immunität von Wirtspflanzen beeinträchtigen31. Bei Xcc aktivieren hohe extrazelluläre Konzentrationen von DSF das RpfC-RpfG-System bei hohen Zelldichten und heben so die Hemmung von c-di-GMP auf dem globalen Transkriptionsfaktor Clp auf, der die Expression mehrerer Virulenzfaktoren und die Eisenabsorption reguliert32. Xcc rpfF produzierte DSF und die rpfF-Homologmutante Xanthomonas oryzae pv. Oryzae (Xoo)-Stämme, denen es an Wachstum und DSF-Produktion mangelte33. Xoo ist ein phytopathogenes Bakterium, das in Reispflanzen Bakterienfäule verursacht. Xoo rpfF-homologe Mutantenstämme zeigten eine ungewöhnliche Tetracyclin-Anfälligkeit unter Bedingungen mit niedrigem Eisengehalt und eine Tetracyclin-Resistenz nach Eisenergänzung33. Über die eisenabhängige Pathogenität von Xoo in Reispflanzen wurde berichtet34. Xcc kann Xanthoferrin produzieren, ein Siderophor, das für maximale Virulenz und Wachstum unter eisenarmen Bedingungen notwendig ist35. Xanthoferrin kann sich an Eisen (III) binden und das Wachstum von Xcc in Wirtspflanzen fördern35. Diese Ergebnisse zeigen die Bedeutung von Eisen und dem DSF-abhängigen QS-System für die Manifestation von Virulenzmerkmalen phytopathogener Bakterien.

FadD-Sequenzen von E. coli, S. meliloti und A. tumefaciens sind Homologe der Xcc-RpfB-Sequenz15. Allerdings wurde bisher keine Homologie zwischen B. japonicum FadD und Xcc RpfB berichtet. Die Ausrichtung der Aminosäuresequenzen von B. japonicum FadD und Xcc RpfB zeigte, dass sie eine Ähnlichkeit von 58 % aufwiesen (ergänzende Abbildung S2). Sequenzähnlichkeit bietet Einblicke in die Funktionen von Proteinen36. TM-Align-Scores der dreidimensionalen Strukturen zweier Modellproteine ​​können durch Vergleich ihrer Restäquivalenzen erhalten werden20. Xcc RpfB und B. japonicum FadD hatten TM-Align-Werte von 0,95995 bzw. 0,95828, was auf ähnliche Proteinfaltungsmuster hinweist. Zusätzlich zur gemeinsamen Sequenzähnlichkeit teilten sie daher auch Proteinfaltungsmuster und Proteinfamiliendomänen (Ergänzungstabelle S4), was auf mögliche funktionelle Ähnlichkeiten zwischen den beiden Proteinen hinweist. Darüber hinaus war der RMSD von RpfB im RpfB-DSF auf allen MD-Trajektorien niedriger als der RMSD von FadD im FadD-DSF. RMSD misst den Unterschied zwischen der Anfangs- und Endstruktur eines Proteins. Diskrepanzen während der MD-Trajektorie einer Proteinstruktur können auf deren Konformationsstabilität hinweisen37. Bei FadD überstiegen die RMSD-Schwankungen nicht etwa 4–6 Å (ungefähr 40–100 ns), was auf einen kleinen Schwankungsbereich hinweist. Für den Liganden in den beiden Komplexen zeigten die RMSD-Schwankungen entgegengesetzte Trends. Die RMSD-Schwankungen für DSF waren im RpfB-DSF-Komplex während der MD-Trajektorien höher als im FadD-DSF (Abb. 5). Kleine RMSD-Schwankungen weisen auf eine stabile Ligandenbindung hin38. RMSF quantifiziert die durchschnittliche Verschiebung von Aminosäureresten von einem Referenzpunkt über eine MD-Trajektorie und kann daher Strukturregionen identifizieren, die am stärksten von ihrer ursprünglichen Struktur abweichen39. Bemerkenswerterweise zeigten einige Proteinregionen von RpfB-DSF und FadD-DSF, etwa 150–160 und 455 vom C-terminalen Ende entfernt, ähnliche Schwankungen, und im Durchschnitt waren die RMSF von RpfB-DSF und FadD-DSF weitgehend ähnlich, was darauf hindeutet zufriedenstellende Rezeptor-Ligand-Wechselwirkungen. Der Rg gibt die Verteilung der Atome um die Achse eines Proteins an und ist ein Maß für den Abstand zwischen dem Punkt, an dem es sich dreht, und dem Punkt, an dem die Energieübertragung den größtmöglichen Einfluss hat40. Für RpfB in RpfB-DSF blieb der Rg zwischen 23,5 Å und 24,5 Å. Für FadD in FadD-DSF begann der Rg nach 40 ns zu schwanken und blieb dann bis zu 100 ns nahe bei 25 Å. Die mehr als 500 H-Brücken, die voraussichtlich durch GLY336 von FadD-DSF gebildet werden, weisen auf die alleinige Dominanz von GLY336 bei den Rezeptor-Ligand-Wechselwirkungen hin, wohingegen zahlreiche Aminosäurereste vermutlich H-Brücken in RpfB-DSF bilden . Da H-Bindungen zur Bildung und Stabilisierung von Proteinstrukturen beitragen, deutet die Bildung von H-Bindungen entlang der gesamten MD-Trajektorie auf stabile Rezeptor-Ligand-Wechselwirkungen in RpfB-DSF und FadD-DSF hin.

Statistisch signifikante Unterschiede in den Genexpressionsniveaus zwischen zwei Versuchsbedingungen werden zur Identifizierung von DEGs42 verwendet. Wir identifizierten 642 DEGs in B. japonicum, indem wir die Genexpressionsniveaus unter Bedingungen mit niedrigem und hohem Eisengehalt verglichen (Abb. 1). Irr-Protein und FadD sind wichtig für die Eisenhomöostase und QS oder Quorum-Quenching. Wir fanden heraus, dass fadD und irr von B. japonicum unter der Bedingung mit niedrigem Eisengehalt hochreguliert waren (log2 FC 0,825 bzw. 1,716). Darüber hinaus wurde in einem Bericht darauf hingewiesen, dass das Irr-Protein für eine angemessene Wahrnehmung des zellulären Eisenstatus erforderlich ist5. Und es wurde festgestellt, dass das Fehlen einer normalen Eisenreaktion und eisenassoziierter Gene in einem irr-Mutantenstamm den gesamten zellulären Eisengehalt verringert5. Diese Eigenschaften des Irr-Proteins erklären die Hochregulierung von Irr bei niedrigem Eisengehalt. Die Bedeutung der fadD-Hochregulierung in B. japonicum unter Bedingungen mit niedrigem Eisengehalt wurde jedoch in früheren Studien nicht erklärt.

In der vorliegenden Studie identifizierte die Analyse der funktionellen Anreicherung der Genliste den Flagellenaufbau und die Ribosomenwege als die beiden wichtigsten Wege mit FDR-bereinigten p-Werten <0, 05 (Ergänzungstabelle S2), und mit diesen beiden Stoffwechselwegen assoziierte Gene gehörten zu den Top 50 Hub-Knoten im PPI-Netzwerk (Abb. 3a). Darüber hinaus wurde festgestellt, dass die Hub-Knoten, die diese beiden Pfade verbinden, rpmC vom Ribosomennetzwerk und 27348641 vom Flagellenassembly-Netzwerk, von entscheidender Bedeutung sind (Abb. 3a). Allerdings gehörte nur das Irr-Protein zu den 15 größten Engpassknoten des gesamten PPI-Netzwerks (Abb. 3b), obwohl FadD nicht zu den 50 größten Engpass-/Hub-Knoten gehörte. Bemerkenswerterweise war das Expressionsniveau von fadD (log2 FC 0,825) fast halb so hoch wie das des Irr-Proteins (log2 FC 1,716). Dieser Befund wirft die Frage auf, warum in B. japonicum eine hohe fadD-Expression auftritt, wenn die Eisenverfügbarkeit eingeschränkt ist.

In Bakterien spielt Eisen eine entscheidende physiologische Rolle bei der DNA-Replikation, Transkription, dem Stoffwechsel, der Energieproduktion durch Atmung und der Pathogenität3. Bedingungen mit niedrigem Eisengehalt können Prozesse auslösen, die die Eisenaufnahme durch andere Mikroorganismen verhindern und so optimale Bedingungen für das eigene Überleben gewährleisten. Es wurde festgestellt, dass der Eisen-bindende Transkriptionsfaktor XibR, der die Expression von Genen im Zusammenhang mit dem Eisenstoffwechsel, der Chemotaxis und der Flagellenmotilität koordiniert steuert, für eine optimale Virulenz von Xcc43 notwendig ist. Unter eisenarmen Bedingungen zeigten XibR-Mutantenstämme ein verringertes Wachstum und verringerte intrazelluläre Eisenkonzentrationen43. Die Bedeutung des Eisenstoffwechsels für die Pathophysiologie von Bakterien wird weiter durch die Feststellung gestützt, dass das starke Bakterizid Xinjunan (Dioctyldiethylentriamin) durch eine Veränderung des zellulären Eisenstoffwechsels wirkte44.

Zusätzlich zu fadD wurde gezeigt, dass andere Gene wie fadE und fadR eine entscheidende Rolle bei der β-Oxidation in E. coli spielen45. Interessanterweise wurde auch festgestellt, dass fadE, fadF, fadG, fadH, fadL und der Transkriptionsregulator fadR am bakteriellen Lipidstoffwechsel beteiligt sind46, aber keines dieser Gene wurde in B. japonicum im Vergleich zu Bedingungen mit niedrigem und hohem Eisengehalt unterschiedlich exprimiert (Ergänzungstabelle). S1). Unter ressourcenbegrenzenden Bedingungen entscheiden sich Bakterien im Allgemeinen für energieeffiziente Wege und nicht-essentielle Transkription wird typischerweise durch Operons wie das Lactose-Operon in E. coli verhindert47. Wir fanden heraus, dass fadD in B. japonicum unter der Bedingung mit niedrigem Eisengehalt hochreguliert war (Abb. 3c), was darauf hindeutet, dass die hohe Expression von fadD möglicherweise auf andere Faktoren zurückzuführen ist. Die STRING-basierte Analyse des FadD-Clusters im PPI-Netzwerk (ergänzende Abbildung S1) ergab zwei entscheidende KEGG-Pfade: die QS- und ABC-Transporterwege (Tabelle 1). Allerdings weisen die STRING- und KEGG-basierten Signalwegvorhersagen Einschränkungen auf, da diese Methoden nicht für Interaktionen zwischen mehreren Arten optimiert oder angepasst sind. Tatsächlich ist eine homogene oder isogene Bakteriengemeinschaft selten, da eine Vielzahl von Mikroorganismen typische Bewohner von Bakterien sind48. Darüber hinaus können Bakterien über ihre Zellsignal- oder Stoffwechselwege ihre Nachbarn verletzen und übertreffen, wenn die Ressourcen knapp sind27. Unter den anderen DEGs war ABCtp (blr3355) hochreguliert (log2 FC 5.485) und indirekt mit FadD verbunden (Abb. 3d). Permeasen sind Membrantransportproteine36, die Proteine ​​aus Zellen transportieren können. Die hohe Expression von ABCtp (blr3355) unter der Bedingung mit niedrigem Eisengehalt weist darauf hin, dass es erforderlich war und wahrscheinlich mit dem extrazellulären Transport von FadD zusammenhängt. Darüber hinaus wurde festgestellt, dass der ABC-Transporter in Streptococcus pneumoniae durch zwei verschiedene QS-Mechanismen hochreguliert wird.

QS spielt eine wichtige Rolle bei der Rivalität50 und Zusammenarbeit zwischen den Arten51, und es wurde über eine QS-Hemmung zwischen den Arten52 berichtet. RpfB deaktiviert DSF in Xcc14, was den zyklischen Di-GMP- und Clp-vermittelten Signalkreislauf der zellulären Eisenabsorption31,32,53,54,55,56 ähnlich wie bei Xanthomonas campestris stören kann (Abb. 6a). Darüber hinaus sind B. japonicum FadD und . 6b). Daher spekulieren wir, dass der Zustand mit niedrigem Eisengehalt ein mimetischer Umweltreiz für die Hochregulierung von fadD in B. japonicum sein könnte, um DSF zu deaktivieren und die Eisenaufnahme und Virulenz von DSF-produzierenden Nachbarn zu hemmen. Dies könnte erklären, warum fadD und ABCtp in B. japonicum unter der Bedingung mit niedrigem Eisengehalt hochreguliert wurden.

Vorgeschlagene molekulare Signalkaskade DSF-vermittelter zellulärer Reaktionen. (a) DSF-vermitteltes Quorum Sensing in Xanthomonas campestris, erhalten von KEGG (bja02024)58,59,60 (b) Mögliche Wirkungsweise der Kommunikation zwischen Arten über DSF von Xcc und das RpfB-Homolog FadD von Bradyrhizobium japonicum.

Wir analysierten die unterschiedliche Genexpression von B. japonicum unter Bedingungen mit niedrigem und hohem Eisengehalt und stellten fest, dass die Gene FadD, Irr und ABCtp hochreguliert waren (log2 FC 0,852, 1,724 bzw. 5,485). Das PPI-Netzwerk gab an, dass FadD indirekt mit ABCtp verbunden war. Wir identifizierten ähnliche Proteinfaltungsmuster, funktionelle Domänen und eine Sequenzähnlichkeit von 58 % zwischen FadD von B. japonicum und RpfB von Xcc. Wir haben auch QS- und ABC-Transportwege durch STRING-basierte Analyse der DEGs identifiziert. Das molekulare Andocken zeigte einen signifikanten Unterschied in den Bindungsenergien zwischen FadD-DSF und RpfB-DSF, was auf einen potenziellen FadD-abhängigen DSF-Umsatz hinweist, der durch die MD-Simulationen unterstützt wurde. Wir spekulieren, dass Bedingungen mit niedrigem Eisengehalt ein mimetischer Umweltreiz für die Hochregulierung von fadD in B. japonicum sein könnten, um die DSF-vermittelte Eisenaufnahme und die Virulenz von DSF-produzierenden Nachbarn zu deaktivieren. Unsere Ergebnisse bieten eine neue Möglichkeit, B. japonicum oder genetisch verändertes B. japonicum als Biokontrollmittel gegen durch Xcc verursachte Pflanzenkrankheiten einzusetzen. Um jedoch die landwirtschaftliche Produktion angesichts des Klimawandels sicherzustellen, könnte die explorative FadD-Geneditierungsforschung ein wichtiger Schwerpunkt zukünftiger Studien sein.

Es wurde eine Literatursuche mit Schlüsselwortkombinationen wie pflanzenwachstumsfördernde Rhizobakterien, PGPR, Bradyrhizobium japonicum, Quorum Sensing, Eisen und Nodulation unter Verwendung von Google Scholar (https://scholar.google.com/) und PubMed (https://scholar.google.com/) durchgeführt. pubmed.ncbi.nlm.nih.gov/). Wir haben auch die Microarray-Datensätze im NCBI Gene Expression Omnibus (GEO; https://www.ncbi.nlm.nih.gov/geo/) durchsucht und den GSE4143-Datensatz für die Analyse ausgewählt (Tabelle 3). Die GEO-Proben GSM94778, GSM94780 und GSM94781 wurden unter Bedingungen mit niedrigem Eisengehalt gezüchtet, und die GEO-Proben GSM94783, GSM94784 und GSM94785 wurden unter Bedingungen mit hohem Eisengehalt gezüchtet. Kurz gesagt, der Stamm B. japonicum LO wurde in einem modifizierten GSY-Medium ohne exogene Eisenquelle gezüchtet, um eine Eisenkonzentration von 0,3 µM im Medium zu erreichen (Bedingung mit niedrigem Eisengehalt) und in einem modifizierten GSY-Medium, ergänzt mit 12 µM FeCl3.6H2O (hoher Eisengehalt). Zustand)5.

Differenziell exprimierte Gene (DEGs) zwischen B. japonicum, das unter Bedingungen mit niedrigem und hohem Eisengehalt gezüchtet wurde, wurden mithilfe von GEO2R (https://www.ncbi.nlm.nih.gov/geo/geo2r/)57 identifiziert. Gene innerhalb der Cutoff-Kriterien des FDR-bereinigten P-Werts < 0,05 (Benjamin-Hochberg) wurden als DEGs betrachtet. Die Protokolltransformation der Daten wurde auf den Modus „Automatische Erkennung“ mit Kraftnormalisierung und Limma-Präzisionsgewichtungen (Vooma) eingestellt. Die von NCBI generierte Kategorie der Plattformanmerkungen wurde zur Anzeige in den Ergebnissen ausgewählt. Die Ergebnisse wurden im tabulatorgetrennten Format erhalten und zur weiteren Analyse nach Microsoft Excel exportiert.

Die Gensymbole der signifikanten DEGs wurden zur funktionellen Anreicherung des Gensatzes unter Verwendung der KOBAS-Kyoto Encyclopedia of Genes and Genomes (KEGG)58,59,60-Pfade (http://kobas.cbi.pku.edu.cn/)61 mit verwendet FDR-bereinigter P-Wert < 0,05 als Grenzwert für die Signifikanz. Die Ergebnisse wurden auch ohne einen FDR-bereinigten P-Wert von < 0,05 für eine vergleichende Analyse gespeichert.

Die Gensymbole der DEGs wurden verwendet, um das gesamte PPI-Netzwerk mit STRING (https://string-db.org/) aufzubauen. Die DEGs wurden mit genontologischen Begriffen in den drei Hauptkategorien biologischer Prozess, molekulare Funktion und zelluläre Komponente sowie lokaler Netzwerkcluster (STRING), Schlüsselwörter (Uniport) und Proteindomänen und -merkmale (InterPro)62 mit Medium annotiert Konfidenzeinstellungen (d. h. ein kombinierter Wert > 0,4) und als kurze tabellarische Textausgabe gespeichert. Anschließend wurde die PPI-Netzwerktopologie zur Visualisierung direkt von der STRING-Website nach Cytoscape (v3.9.1)63 (http://www.cytoscape.org/) exportiert. Die 50 größten Hub-Knoten und die 15 größten Engpassknoten wurden mithilfe der Plugin-App „cytoHubba (v0.1)“ mit der Bewertungsmethode „Maximal Clique Centrality“ (MCC)64 identifiziert. Knoten, die mit fadD interagierten, wurden identifiziert und separat untersucht.

Proteinsequenzen von FadD von B. japonicum (UniProt: A0A0A3XRM6), RpfB von GenBank: AEH77411.1) wurden mit MUSCLE (MEGA v11)65 ausgerichtet. Die Evolutionsgeschichte wurde mithilfe der Maximum-Likelihood-Methode und des auf der JTT-Matrix basierenden Modells66 abgeleitet, und die Entfernung zum nächsten Nachbarn-Austausch wurde als Baum-Inferenzoption verwendet und durch 1000 Bootstrap-Replikationen getestet. Evolutionäre Analysen wurden in MEGA v1165 durchgeführt. Die Proteindomänen von FadD von B. japonicum und RpfB von Xcc wurden mit InterProScan67 annotiert. Die dreidimensionalen Proteinstrukturen wurden mit TM-align20 und dem RRDistMaps-Tool in UCSF Chimera19 verglichen.

Als Rezeptoren wurden die AlphaFold18-Proteinstrukturdateien von RpfB (AF-Q8P9K5-F1) und FadD (AF-A0A0A3XRM6-F1) und die SDF-Datei des diffusen Signalfaktors (DSF), cis-11-Methyl-2-dodecensäure, verwendet Säure (PubChem-ID: 11469920) wurde aus der PubChem-Datenbank bezogen und als Ligand verwendet. Das automatische Blind-Docking wurde mit CB-Dock2 (https://cadd.labshare.cn/cb-dock2/php/index.php)21 mit 10 Wiederholungen mit unveränderten Parametern durchgeführt, und für die Interpretationen wurden Durchschnittswerte verwendet. Die am besten getroffenen Ligand-Rezeptor-Strukturen wurden heruntergeladen und Screenshots der Kontaktreste wurden zur weiteren Analyse gespeichert. Die Rezeptor-Ligand-Wechselwirkungen wurden mit dem kostenlosen Maestro v13.2 (Maestro, Schrödinger, LLC, New York, NY, 2021)68 visualisiert. SWISSDock (http://www.swissdock.ch/docking)23 wurde ebenfalls mit demselben Rezeptor und Liganden verwendet. Wir haben auch fastDRH (http://cadd.zju.edu.cn/fastdrh/overview)24 für das Hochgeschwindigkeits-Docking mit der AutoDock Vina-Docking-Engine verwendet und die strukturverkürzte MM/PB(GB)SA-Energie und pro berechnet -Restenergiezerlegung basierend auf mehreren Posen. Der aus CB-Dock2 erhaltene Rezeptor-Ligand-Komplex wurde als Referenz für die Bindungstasche verwendet und anschließend wurden 10 Posennummern ausgewählt. Für die Posen-Neubewertung wurden das Rezeptor-Kraftfeld ff99SB (mit TIP3P-Wassermodell) und das Liganden-Kraftfeld GAFF2 ausgewählt, und die Einstellung des Kürzungsradius wurde bei allen Neubewertungsverfahren auf dem Standardwert gehalten. Die Hotspot-Vorhersagen wurden mit einem unveränderten ff99SB-Kraftfeld und einem standardmäßigen Kürzungsradius durchgeführt. Um die Andockstellungen zu bewerten, wurden MM/PBSA und MM/GBSA (um eine Energiezerlegung pro Rest zu erhalten) separat eingereicht. Die erhaltenen Ergebnisse wurden heruntergeladen und für weitere Analysen verwendet.

Alle Simulationen der Molekulardynamik (MD) wurden mit dem AMBER 16-Paket mit den Kraftfeldern ff99SB und GAFF für die Rezeptoren RpfB und FadD und dem Liganden DSF69 durchgeführt. Das Vorkammermodul von AmberTools wurde verwendet, um die Teilladungen des Liganden mithilfe der semiempirischen AM1-BCC-Funktion gemäß dem Standardprotokoll70 zu berechnen. Die Komplexe wurden mit dem TIP3P-Wassermodell solvatisiert und durch Zugabe von Na+-Ionen unter Verwendung des tLEap-Eingabeskripts aus dem AmberTools-Paket neutralisiert. Elektrostatische Wechselwirkungen über große Entfernungen wurden mithilfe der Partikelnetz-Ewald-Methode71 modelliert. Der SHAKE-Algorithmus72 wurde angewendet, um die Länge kovalenter Bindungen, einschließlich der Wasserstoffatome, einzuschränken. Der Langevin-Thermostat wurde implementiert, um die Temperatur des Systems auf 310 K auszugleichen. In allen MD-Aufbauten wurde ein Zeitschritt von 2,0 fs verwendet. Für die Minimierungs- und Äquilibrierungsphasen (NVT- und NPT-Ensembles) wurden 100.000 Schritte bzw. eine 1-ns-Periode verwendet. Schließlich wurden für jeden der Rezeptor-Ligand-Komplexe klassische 100-ns-MD-Simulationen ohne Einschränkungen als NPT-Ensemble unter Verwendung molekularer Mechanik in Kombination mit der Poisson-Boltzmann-Methode (MM-PBSA) oder der generalisierten Born-Methode (MM-GBSA) durchgeführt, ergänzt durch der Begriff der hydrophoben, lösungsmittelzugänglichen Oberfläche73,74. Die MM-PBSA/GBSA-Solvatisierungsmodelle wurden als Post-Processing-Endzustandsmethode zur Berechnung der freien Energien (ΔGpbsa und ΔGgbsa) angewendet.

Der im Rahmen der aktuellen Studie analysierte Datensatz GSE4143 ist unter https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE4143 verfügbar.

Franza, T. & Expert, D. Rolle der Eisenhomöostase bei der Virulenz phytopathogener Bakterien: Ein À-la-carte-Menü. Mol. Pflanzenpathol. 14, 429–438 (2013).

Artikel CAS PubMed Google Scholar

Andrews, S. et al. Metallomik und die Zelle 203–239 (Springer, 2013).

Frawley, ER & Fang, FC Die Besonderheiten des bakteriellen Eisenstoffwechsels. Mol. Mikrobiol. 93, 609–616 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Jittawuttipoka, T., Sallabhan, R., Vattanaviboon, P., Fuangthong, M. & Mongkolsuk, S. Mutationen des Eisenaufnahmeregulators (Fell) beeinträchtigen die Eisenhomöostase, das Wachstum, das Überleben bei oxidativem Stress und die Virulenz von Xanthomonas campestris pv. campestris. Bogen. Mikrobiol. 192, 331–339 (2010).

Artikel CAS PubMed Google Scholar

Yang, J. et al. Bradyrhizobium japonicum erkennt Eisen anhand des Hämstatus, um die Eisenhomöostase und den Eisenstoffwechsel zu regulieren. Mol. Mikrobiol. 60, 427–437 (2006).

Artikel PubMed PubMed Central Google Scholar

Andrews, SC, Robinson, AK & Rodríguez-Quiñones, F. Bakterielle Eisenhomöostase. FEMS Mikrobiol. Rev. 27, 215–237 (2003).

Artikel CAS PubMed Google Scholar

Raymond, KN, Müller, G. & Matzanke, BF Komplexierung von Eisen durch Siderophore, ein Überblick über deren Lösung, Strukturchemie und biologische Funktion. Struktur. Chem. 49–102 (1984).

Niehus, R., Picot, A., Oliveira, NM, Mitri, S. & Foster, KR Die Entwicklung der Siderophorproduktion als Wettbewerbsmerkmal. Evolution 71, 1443–1455 (2017).

Artikel CAS PubMed Google Scholar

Zughaier, S. & Cornelis, P. Rolle von Eisen in der bakteriellen Pathogenese. Vorderseite. Zelle. Infizieren. Mikrobiol. 8, 344 (2018).

Vessey, JK Pflanzenwachstum fördernde Rhizobakterien als Biodünger. Pflanzenboden 255, 571–586 (2003).

Artikel CAS Google Scholar

Rivera, MC & Izard, J. Metagenomics for Microbiology 145–159 (Elsevier, 2015).

Bhattacharyya, PN & Jha, DK Pflanzenwachstumsfördernde Rhizobakterien (PGPR): Entstehung in der Landwirtschaft. Welt J. Microbiol. Biotechnologie. 28, 1327–1350 (2012).

Artikel CAS PubMed Google Scholar

Bassler, BL Wie Bakterien miteinander sprechen: Regulierung der Genexpression durch Quorum Sensing. Curr. Meinung. Mikrobiol. 2, 582–587 (1999).

Artikel CAS PubMed Google Scholar

Baltenneck, J., Reverchon, S. & Hommais, F. Quorum-Sensing-Regulation bei phytopathogenen Bakterien. Mikroorganismen 9, 239 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Soto, MJ, Fernández-Pascual, M., Sanjuan, J. & Olivares, J. Ein fadD-Mutant von Sinorhizobium meliloti zeigt eine mehrzellige Schwarmmigration und ist in der Knötcheneffizienz auf Luzernewurzeln beeinträchtigt. Mol. Mikrobiol. 43, 371–382 (2002).

Artikel CAS PubMed Google Scholar

Liu, Y., Qin, Q. & Defoirdt, T. Beeinträchtigt die Quorum-Sensing-Interferenz die Fitness bakterieller Krankheitserreger in der realen Welt? Umgebung. Mikrobiol. 20, 3918–3926 (2018).

Artikel PubMed Google Scholar

Szklarczyk, D. et al. STRING v10: Protein-Protein-Interaktionsnetzwerke, integriert über den Lebensbaum. Nukleinsäuren Res. 43, D447–D452 (2015).

Artikel CAS PubMed Google Scholar

Varadi, M. et al. AlphaFold-Proteinstrukturdatenbank: Massive Erweiterung der strukturellen Abdeckung des Proteinsequenzraums mit hochpräzisen Modellen. Nukleinsäuren Res. 50, D439–D444 (2022).

Artikel CAS PubMed Google Scholar

Pettersen, EF et al. UCSF Chimera – Ein Visualisierungssystem für explorative Forschung und Analyse. J. Comput. Chem. 25, 1605–1612 (2004).

Artikel CAS PubMed Google Scholar

Zhang, Y. & Skolnick, J. TM-align: Ein Proteinstruktur-Alignment-Algorithmus basierend auf dem TM-Score. Nukleinsäuren Res. 33, 2302–2309 (2005).

Artikel CAS PubMed PubMed Central Google Scholar

Liu, Y. et al. CB-Dock 2: Verbessertes Protein-Ligand-Blind-Docking durch Integration von Hohlraumerkennung, Docking und homologer Template-Anpassung. Nukleinsäuren Res. 50, W159–W164 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Trott, O. & Olson, AJ AutoDock Vina: Verbesserung der Geschwindigkeit und Genauigkeit des Andockens mit einer neuen Bewertungsfunktion, effizienter Optimierung und Multithreading. J. Comput. Chem. 31, 455–461 (2010).

CAS PubMed PubMed Central Google Scholar

Grosdidier, A., Zoete, V. & Michielin, O. SwissDock, ein Protein-Kleinmolekül-Docking-Webdienst basierend auf EADock DSS. Nukleinsäuren Res. 39, W270–W277 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Wang, Z. et al. fastDRH: Ein Webserver zur Vorhersage und Analyse von Protein-Ligand-Komplexen basierend auf molekularem Docking und MM/PB (GB) SA-Berechnung. Knapp. Bioinform. (2022).

Hibbing, ME, Fuqua, C., Parsek, MR & Peterson, SB Bakterienwettbewerb: Überleben und Gedeihen im mikrobiellen Dschungel. Nat. Rev. Microbiol. 8, 15–25 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Er, Y.-W. et al. Quorum Sensing signalvermittelte Intraspezies, Interspezies und Kommunikation zwischen Königreichen der DSF-Familie. Trends Mikrobiol. 31, 36–50 (2022).

Artikel PubMed Google Scholar

Ghoul, M. & Mitri, S. Die Ökologie und Entwicklung der mikrobiellen Konkurrenz. Trends Mikrobiol. 24, 833–845 (2016).

Artikel CAS PubMed Google Scholar

Donlan, RM Biofilme: Mikrobielles Leben auf Oberflächen. Emerg. Infizieren. Dis. 8, 881 (2002).

Artikel PubMed PubMed Central Google Scholar

Diab, AA et al. BDSF ist das vorherrschende In-Planta-Quorum-Sensing-Signal, das bei der Infektion und Pathogenese von Xanthomonas campestris in Chinakohl verwendet wird. Mol. Interaktion zwischen Pflanzen und Mikroben. 32, 240–254 (2019).

Artikel CAS PubMed Google Scholar

Tian, campestris. Appl. Umgebung. Mikrobiol. 88, e00031-e122 (2022).

Artikel PubMed PubMed Central Google Scholar

Song, K. et al. Das pflanzliche Abwehrsignal Salicylsäure aktiviert den RpfB-abhängigen Quorum-Sensing-Signalumsatz durch Veränderung der Kultur und des zytoplasmatischen pH-Werts im Phytopathogen Xanthomonas campestris. MBio 13, e03644-e13621 (2022).

Artikel PubMed PubMed Central Google Scholar

Cai, Z. et al. Fettsäure DSF bindet und aktiviert allosterisch die Histidinkinase RpfC des phytopathogenen Bakteriums Xanthomonas campestris pv. campestris zur Regulierung von Quorum-Sensing und Virulenz. PLoS Pathog. 13, e1006304 (2017).

Artikel PubMed PubMed Central Google Scholar

Chatterjee, S. & Sonti, RV rpfF-Mutanten von Xanthomonas oryzae pv. Oryzae weisen unter eisenarmen Bedingungen einen Mangel an Virulenz und Wachstum auf. Mol. Interaktion zwischen Pflanzen und Mikroben. 15, 463–471 (2002).

Artikel CAS PubMed Google Scholar

Rai, R., Javvadi, S. & Chatterjee, S. Zell-Zell-Signalisierung fördert die Eisenaufnahme in Xanthomonas oryzae pv. Oryzicola, die zu seiner Virulenz und seinem Wachstum im Reis beitragen. Mol. Mikrobiol. 96, 708–727 (2015).

Artikel CAS PubMed Google Scholar

Pandey, SS, Patnana, PK, Rai, R. & Chatterjee, S. Xanthoferrin, das Siderophor vom α-Hydroxycarboxylat-Typ von Xanthomonas campestris pv. campestris ist für eine optimale Virulenz und ein optimales Wachstum im Kohl erforderlich. Mol. Pflanzenpathol. 18, 949–962 (2017).

Artikel CAS PubMed Google Scholar

Alberts, B. et al. Molekularbiologie der Zelle, 4. Aufl. (Garland Science, 2002).

Aier, I., Varadwaj, PK & Raj, U. Strukturelle Einblicke in die Konformationsstabilität sowohl des Wildtyp- als auch des mutierten EZH2-Rezeptors. Wissenschaft. Rep. 6, 1–10 (2016).

Artikel Google Scholar

Ivanova, L. et al. Molekulardynamiksimulationen der Wechselwirkungen zwischen dem aus der Gliazelllinie stammenden neurotrophen Faktorfamilienrezeptor GFRα1 und niedermolekularen Liganden. ACS Omega 3, 11407–11414 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Batut, B., Galaxy Training Network, Taylor J, Backofen R, Nekrutenko A, Grüning B. et al. Community-gesteuertes Datenanalyse-Training für Biologie. Zellsystem 6, 752–758 (2018).

Sneha, P. & Doss, CGP Molekulardynamik: Neue Grenzen in der personalisierten Medizin. Adv. Proteinchemie. Struktur. Biol. 102, 181–224 (2016).

Artikel CAS PubMed Google Scholar

Chikalov, I., Yao, P., Moshkov, M. & Latombe, J.-C. Lernen probabilistischer Modelle der Wasserstoffbindungsstabilität aus molekulardynamischen Simulationstrajektorien. BMC Bioinform. 12, 1–6 (2011).

Artikel Google Scholar

Anjum, A. et al. Identifizierung unterschiedlich exprimierter Gene in rna-seq-Daten von Arabidopsis thaliana: Ein Ansatz zur zusammengesetzten Verteilung. J. Comput. Biol. 23, 239–247 (2016).

Artikel CAS PubMed PubMed Central Google Scholar

Pandey, SS, Patnana, PK, Lomada, SK, Tomar, A. & Chatterjee, S. Koregulierung des Eisenstoffwechsels und der Virulenz-assoziierten Funktionen durch Eisen und XibR, einen neuartigen eisenbindenden Transkriptionsfaktor, im Pflanzenpathogen Xanthomonas. PLoS Pathog. 12, e1006019 (2016).

Artikel PubMed PubMed Central Google Scholar

Zang, H.-Y. et al. Eine besonders hohe Toxizität von Xinjunan (Dioctyldiethylentriamin) gegenüber Xanthomonas durch Beeinflussung des Eisenstoffwechsels. Mikrobiol. Spektrum. 11, e04382-e14322 (2023).

Artikel Google Scholar

Zhang, H., Wang, P. & Qi, Q. Molekulare Wirkung von FadD auf die Regulierung und den Stoffwechsel von Fettsäuren in Escherichia coli. FEMS Mikrobiol. Lette. 259, 249–253 (2006).

Artikel CAS PubMed Google Scholar

Zhang, Y.-M. & Rock, CO Biochemistry of Lipids, Lipoproteins and Membranes 73–112 (Elsevier, 2016).

Müller-Hill, B. Das Lac Operon (de Gruyter, 2011).

Barriuso, J. et al. Ökologie, genetische Diversität und Screening-Strategien für pflanzenwachstumsfördernde Rhizobakterien (PGPR). In Plant-Bacteria Interactions: Strategies and Techniques to Promote Plant Growth, 1–17 (2008).

Knutsen, E., Ween, O. & Håvarstein, LS Zwei separate Quorum-Sensing-Systeme regulieren die Transkription desselben ABC-Transporters in Streptococcus pneumoniae hoch. J. Bakteriol. 186, 3078–3085 (2004).

Artikel CAS PubMed PubMed Central Google Scholar

Li, Y.-H. & Tian, ​​X. Quorum Sensing und bakterielle soziale Interaktionen in Biofilmen. Sensoren 12, 2519–2538 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wellington, S. & Greenberg, EP Quorum-Sensing-Signalselektivität und das Potenzial für Interspezies-Interferenzen. MBio 10, e00146-e1119 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Hoang, HT, Nguyen, TTT, Do, HM, Nguyen, TKN & Pham, HT Ein neuartiger Befund zur Inhibition des Quorum Sensing innerhalb der Gattung bei Vibrio-Bakterien. Wissenschaft. Rep. 12, 1–10 (2022).

Artikel Google Scholar

Ryan, RP, An, S.-Q., Allan, JH, McCarthy, Y. & Dow, JM Die DSF-Familie von Zell-Zell-Signalen: Eine wachsende Klasse bakterieller Virulenzregulatoren. PLoS Pathog. 11, e1004986 (2015).

Artikel PubMed PubMed Central Google Scholar

Solano, C., Echeverz, M. & Lasa, I. Biofilmdispersion und Quorum Sensing. Curr. Meinung. Mikrobiol. 18, 96–104 (2014).

Artikel CAS PubMed Google Scholar

Ryan, RP & Dow, JM Kommunikation mit einer wachsenden Familie: Diffusible Signal Factor (DSF)-Signalübertragung in Bakterien. Trends Mikrobiol. 19, 145–152 (2011).

Artikel CAS PubMed Google Scholar

Er, YW et al. Die Zell-Zell-Kommunikation von Xanthomonas campestris umfasst ein mutmaßliches Nukleotidrezeptorprotein Clp und ein hierarchisches Signalnetzwerk. Mol. Mikrobiol. 64, 281–292 (2007).

Artikel ADS CAS PubMed Google Scholar

Barrett, T. et al. NCBI GEO: Archiv für funktionelle Genomik-Datensätze – Update. Nukleinsäuren Res. 41, D991–D995 (2012).

Artikel PubMed PubMed Central Google Scholar

Kanehisa, M. & Goto, S. KEGG: Kyoto-Enzyklopädie der Gene und Genome. Nukleinsäuren Res. 28, 27–30 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Kanehisa, M. Auf dem Weg zum Verständnis des Ursprungs und der Entwicklung zellulärer Organismen. Proteinwissenschaft. 28, 1947–1951 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Kanehisa, M., Furumichi, M., Sato, Y., Kawashima, M. & Ishiguro-Watanabe, M. KEGG für taxonomiebasierte Analyse von Signalwegen und Genomen. Nukleinsäuren Res. 51, D587–D592 (2023).

Artikel PubMed Google Scholar

Bu, D. et al. KOBAS-i: Intelligente Priorisierung und explorative Visualisierung biologischer Funktionen für die Genanreicherungsanalyse. Nukleinsäuren Res. 49, W317–W325. https://doi.org/10.1093/nar/gkab447 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Mering, CV et al. STRING: Eine Datenbank vorhergesagter funktioneller Zusammenhänge zwischen Proteinen. Nukleinsäuren Res. 31, 258–261 (2003).

Artikel Google Scholar

Shannon, P. et al. Cytoscape: Eine Softwareumgebung für integrierte Modelle biomolekularer Interaktionsnetzwerke. Genomres. 13, 2498–2504 (2003).

Artikel CAS PubMed PubMed Central Google Scholar

Chin, C.-H. et al. cytoHubba: Identifizieren von Hub-Objekten und Subnetzwerken aus komplexen Interaktomen. BMC-Syst. Biol. 8, 1–7 (2014).

Artikel Google Scholar

Tamura, K., Stecher, G. & Kumar, S. MEGA11: Molekulare evolutionäre Genetikanalyse Version 11. Mol. Biol. Entwicklung 38, 3022–3027 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Jones, DT, Taylor, WR & Thornton, JM Die schnelle Generierung von Mutationsdatenmatrizen aus Proteinsequenzen. Bioinformatik 8, 275–282 (1992).

Artikel CAS Google Scholar

Zdobnov, EM & Apweiler, R. InterProScan – Eine Integrationsplattform für die Signaturerkennungsmethoden in InterPro. Bioinformatik 17, 847–848 (2001).

Artikel CAS PubMed Google Scholar

SchrödingerVeröffentlichung. 2022-2: Maestro, Schrödinger, LLC, New York, NY. 2021. https://www.schrodinger.com/products/maestro.

Case, DA et al. Die biomolekularen Simulationsprogramme von Amber. J. Comput. Chem. 26, 1668–1688 (2005).

Artikel CAS PubMed PubMed Central Google Scholar

Marques, SM et al. Screening von Naturstoffen als P-Glykoprotein-Inhibitoren gegen Multiresistenzen. Biomedizin 9, 357 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Essmann, U. et al. Eine Ewald-Methode mit glattem Partikelnetz. J. Chem. Physik. 103, 8577–8593 (1995).

Artikel ADS CAS Google Scholar

Miyamoto, S. & Kollman, PA Settle: Eine analytische Version des SHAKE- und RATTLE-Algorithmus für starre Wassermodelle. J. Comput. Chem. 13, 952–962 (1992).

Artikel CAS Google Scholar

Kollman, PA et al. Berechnung von Strukturen und freien Energien komplexer Moleküle: Kombination von Molekularmechanik und Kontinuumsmodellen. Acc. Chem. Res. 33, 889–897 (2000).

Artikel CAS PubMed Google Scholar

Shityakov, S., Roewer, N., Förster, C. & Broscheit, J.-A. In-silico-Untersuchung von Propofol-Bindungsstellen in menschlichem Serumalbumin unter Verwendung expliziter und impliziter Solvatationsmodelle. Berechnen. Biol. Chem. 70, 191–197 (2017).

Artikel CAS PubMed Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von der Japan Society for the Promotion of Science im Rahmen von Grants-in-Aid for Scientific Research (KAKENHI) (Fördernummern 18K19674, 18KK0436 und 20H00562) und der Japan Agency for Medical Research and Development (Fördernummern 20wm0225012h0001 und 21fk0108129h0502) unterstützt ) auf FM. Die Autoren danken Prof. Thomas Dandekar und dem IT-Zentrum der Universität Würzburg mit Mitteln der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Stipendiums Nr. INST 93/878-1 FUGG für die Rechenressourcen und die Unterstützung. Diese Arbeit wurde von der Regierung der Russischen Föderation durch das ITMO Fellowship and Professorship Program finanziell unterstützt. Die Autoren danken dem FSER-2021-0013-Projekt und dem ITMO-Stipendienprogramm für die Infrastrukturunterstützung. Wir danken Margaret Biswas, PhD, von Edanz (https://jp.edanz.com/ac) für die Bearbeitung eines Entwurfs dieses Manuskripts.

Labor für Chemoinformatik, Infochemie-Wissenschaftszentrum, ITMO-Universität, Sankt Petersburg, Russische Föderation

Kunal Dutta und Sergey Shityakov

Mikrobielle Genomik und Ökologie, IDEC-Institut, Universität Hiroshima, Higashihiroshima, Japan

Fumito Maruyama

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

KD, SS und FM verfassten den Hauptmanuskripttext und KD bereitete Tabellen und Abbildungen vor. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Kunal Dutta, Sergey Shityakov oder Fumito Maruyama.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht 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

Dutta, K., Shityakov, S. & Maruyama, F. DSF-Inaktivator RpfB homologes FadD in Bradyrhizobium japonicum unter eisenlimitierenden Bedingungen hochreguliert. Sci Rep 13, 8701 (2023). https://doi.org/10.1038/s41598-023-35487-9

Zitat herunterladen

Eingegangen: 31. Dezember 2022

Angenommen: 18. Mai 2023

Veröffentlicht: 29. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35487-9

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

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

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

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.