Development and application of single-cell analysis tools for the study of sympatric bacterial populations

Jasmine Heyse
Binnen een groep bacteriën met dezelfde genen wordt een grote diversiteit aan individuele karakteristieken en gedrag teruggevonden, dewelke gelinkt is aan hun activiteit en overleving. Momenteel weten we nog heel weinig over de factoren die een invloed kunnen hebben op deze diversiteit. Tijdens ons onderzoek werd het effect van interacties tussen bacteriële populaties op deze diversiteit onderzocht.

Interagerende bacteriële populaties passen hun groepsdiversiteit aan

Fenotypische diversiteit, de diversiteit die doorgaans ongedetecteerd blijft

Wanneer we microbiële ecosystemen onderzoeken karakteriseren we ze doorgaans aan de hand van hun soorten-diversiteit. Dit doen we omdat eerder is gebleken dat diversiteit belangrijk is voor het functioneren van de gemeenschap en voor de veerkracht van de gemeenschap wanneer die verstoord zou worden door bijvoorbeeld een temperatuursverandering. Naast deze genetische diversiteit is er echter nog een ander type diversiteit aanwezig: de fenotypische diversiteit. Het fenotype van een bacterie omvat al zijn observeerbare karakteristieken. Dit zijn de direct observeerbare karakteristieken zoals celgrootte en -vorm, maar ook moleculaire karakteristieken zoals de hoeveelheid eiwitten en DNA in de cel.

Ook in clonale populaties van bacteriën, dit zijn populaties waarvan alle bacteriën voortgekomen zijn uit celdelingen van oorspronkelijk één bacterie en waarbij alle individuen dus exact dezelfde genetische informatie bezitten, wordt fenotypische heterogeniteit teruggevonden (Figuur 1). Bacteriën met dezelfde genen kunnen dus toch verschillend gedrag vertonen wanneer ze in eenzelfde milieu aanwezig zijn. De ontdekking van deze heterogeniteit heeft gezorgd voor een nieuwe blik op het individueel gedrag van bacteriën. Fenotypische diversiteit is waarschijnlijk een belangrijke eigenschap is in heel wat biologische processen, want het fenotype van een bacterie is gelinkt aan zijn activiteit en zijn overleving. Zo werd bijvoorbeeld in een eerdere studie gevonden dat enkele individuen die initieel minder actief waren in vergelijking met de meeste andere individuen in een populatie, konden overleven na een behandeling met antibiotica.

De klassieke microbiële monitoring technieken maken meestal gebruik van populatie-gemiddelden, waardoor deze heterogeniteit doorgaans genegeerd wordt. Verder onderzoek naar betrouwbare monitoring tools, hoe deze fenotypische diversiteit tot stand komt en wat de beïnvloedende factoren zijn is nodig om beter te begrijpen wat het belang ervan is in natuurlijke en industriële ecosystemen. Zo zouden we bijvoorbeeld beter kunnen begrijpen waarom bepaalde cellen ondanks dat ze geen genetische antibiotica resistentie bezitten, toch beter kunnen overleven na een antibiotica behandeling. Verder kan deze heterogeniteit ook nieuwe mogelijkheden bieden, we zouden er bijvoorbeeld een voordeel uit kunnen halen door fenotypes te sturen in biotechnologische processen. Want, aangezien het fenotype gelinkt is met de functie van de bacterie, beïnvloedt deze waarschijnlijk ook de productie-opbrengsten van biotechnologische processen.

Figuur 1 – Fenotypische heterogeniteit in Salmonella sp. die een gen voor een fluorescent eiwit bevat. De kleur van de cellen komt overeen met de fluorescentie-intensiteit. Dit is een clonale populatie, wat wil zeggen dat alle cellen voortgekomen zijn uit celdelingen van oorspronkelijk één cel en dat alle cellen dus exact dezelfde genetische informatie bezitten. Desondanks wordt bij verschillende bacteriën verschillend gedrag (fluorescentie) teruggevonden (Ackermann 2015).

Figuur 1 – Fenotypische heterogeniteit in Salmonella sp. die een gen voor een fluorescent eiwit bevat. De kleur van de cellen komt overeen met de fluorescentie-intensiteit. Dit is een clonale populatie, wat wil zeggen dat alle cellen voortgekomen zijn uit celdelingen van oorspronkelijk één cel en dat alle cellen dus exact dezelfde genetische informatie bezitten. Desondanks wordt bij verschillende bacteriën verschillend gedrag (fluorescentie) teruggevonden (Ackermann 2015).

Meten is weten

Fenotypische diversiteit is een populatie eigenschap die zich manifesteert op het niveau van individuen. Wanneer we deze willen onderzoeken, en mogelijks ook sturen in de toekomst, hebben we dus technieken nodig die fenotypische eigenschappen van individuen kunnen opmeten. Tijdens onze studie werd gebruik gemaakt van twee technieken, namelijk flow cytometrie en Raman spectroscopie. Bij flow cytometrie worden bacteriën gekarakteriseerd door ze in een vloeistofstroom doorheen een laserstraal te sturen. Voor de meting kunnen de cellen gelabeld worden met fluorescente markers, hiervoor wordt meestal een component gebruikt die bindt op het DNA en RNA van de cel. Voor elke cel worden vervolgens de lichtverstrooiing karakteristieken en de fluorescentie intensiteit opgemeten. Deze geven informatie over de celgrootte, -vorm en de hoeveelheid DNA en RNA. Raman spectroscopie is een techniek die informatie geeft over de chemische samenstelling van elke cel, en dus over hoeveel en welke eiwitten, vetten, etc. er aanwezig zijn. Tijdens onze studie werden beide technieken naast elkaar gebruikt en werd geëvalueerd wat de sterktes en zwaktes van beide methoden zijn. Hieruit besloten we dat beide technieken gelijke en complementaire informatie kunnen geven waardoor een integratie van beide methoden in verder basisonderzoek naar fenotypische diversiteit aangewezen is.

Gaten in onze kennis

Ondanks de grote interesse in fenotypische diversiteit is onze huidige kennis over de factoren die deze diversiteit beïnvloeden beperkt. Tijdens onze studie werd onderzoek gedaan naar één van deze factoren, namelijk de invloed van interacties tussen bacteriële populaties op de fenotypische diversiteit van de interagerende populaties. Om dit te onderzoeken maakten we gebruik van 'synthetische ecosystemen'. Dit zijn artificiële ecosystemen die bestaan uit een beperkte set van organismen onder specifieke condities. Door gebruik te maken van deze ecosystemen kunnen fenomenen die moeilijk te bestuderen zijn in de natuur omdat ze zeer complex zijn of omdat er veel ongecontroleerde beïnvloedende factoren zijn toch eenvoudig onderzocht worden. Tijdens onze studie werden twee bacteriën die geïsoleerd werden uit drinkwater gebruikt als modelorganismen. 

Microbiële interacties leiden tot een aanpassing van de fenotypische diversiteiten

Onze resultaten tonen aan dat interacties tussen bacteriën leiden tot een aanpassing van hun individuele fenotypische diversiteiten. Beide bacteriële populaties verlagen hun fenotypische diversiteit in aanwezigheid van de andere populatie. Het groepsgedrag van de bacteriën werd dus aangepast wanneer ze niet langer alleen een gemeenschap vormen. Onze hypothese hierbij is dat een bacteriële populatie wanneer deze alleen is een hogere diversiteit vertoond om zo alleen een volledige gemeenschap te kunnen vormen, en wanneer de gemeenschap gevormd wordt door twee bacteriële populaties, deze daarom individueel een lagere diversiteit vertonen. Dit effect was tevens afhankelijk van de soort bacterie, wat aangeeft dat verschillende bacteriën specifieke fenotypische responsen kunnen hebben op interacties. Uit deze resultaten zetten we een hypothese voorop die stelt dat de fenotypische diversiteit van een bepaalde soort in een microbiële gemeenschap afhankelijk is van het aantal soorten dat aanwezig is in deze gemeenschap, en dat deze relatie bovendien ook afhankelijk is van welke soorten dit zijn. 

In de toekomst

Verder onderzoek naar deze hypothese en andere factoren die fenotypische diversiteit beïnvloeden is noodzakelijk als we beter willen begrijpen wat het belang van fenotypische diversiteit in natuurlijke en industriële ecosystemen is. De experimentele set-up en tools die gebruikt werden tijdens ons onderzoek zijn hiervoor geschikt. Op deze manier werd een experimenteel kader ontworpen dewelke kan gebruikt worden voor verder onderzoek naar fenotypische diversiteit en microbiële interacties. 

Referenties

Ackermann M. A functional perspective on phenotypic heterogeneity in microorganisms. Nature Reviews Microbiology, 13:497–508, 2015.

Bibliografie

[1] Sigee D. Freshwater Microbiology: Biodiversity and Dynamic Interactions of Microorganisms in the Aquatic Environment. Wiley, 2005.

[2] Bell T., Newman J.A., Silverman B.W., Turner S.L., and Lilley A.K. The contribution of species richness and composition to bacterial services. Nature, 436:1157–1160, 2005.

[3] Wittebolle L., Marzorati M., Clement L., Balloi A., Daffonchio D., De Vos P., Heylen K., Verstraete W., and Boon N. Initial community evenness favours functionality under selective stress. Nature, 458:623–626, 2009.

[4] Doliňsek J., Goldschmidt F., and Johnson D.R. Synthetic microbial ecology and the dynamic interplay between microbial genotypes. FEMS Microbiology Reviews, 112:961–979, 2016.

[5] Klitgord N. and Segre D. Environments that Induce Synthetic Microbial Ecosystems. PLoS Computational Biology, 6:1–17, 2010.

[6] Escalante A.E., Rebolleda-Gómez M., Benítez M., and Travisano M. Ecological perspectives on synthetic biology: Insights from microbial population biology. Frontiers in Microbiology, 6:1–10, 2015.

[7] Travisano M. and Velicer G.J. Strategies of microbial cheater control. Trends in Microbiology, 12:72–78, 2004.

[8] Begon M., Townsend C.R., and Harper J.L. Ecology - From Individuals to Ecosystems. Blackwell publishing, 2007.

[9] Little A.E., Robinson C.J., Peterson S.B., Raffa K.F., and Handelsman J. Rules of Engagement: Interspecies Interactions that Regulate Microbial Communities. Annu Rev Microbiol, 62:375–401, 2008.

[10] Porter J., Deere D., Pickup R., and Edwards C. Fluorescent probes and flow cytometry: New insights into environmental bacteriology. Cytometry, 23:91–96, 1996.

[11] Newton R.J., Jones S.E., Eiler A., McMahon K.D., and Bertilsson S. A guide to the natural history of fresh water lake bacteria. Microbiology and molecular biology reviews, 75:14–49, 2011.

[12] Pernthaler J. and Amann R.I. Fate of heterotrophic microbes in pelagic habitats: focus on populations. Microbiology and Molecular Biology Reviews, 69:440–461, 2005.

[13] Lindström E. Bacterioplankton Community Composition in Five Lakes Differing in Trophic Status and Humic Content. Microbial ecology, 40:104–113, 2000.

[14] Hahn M.W., Kasalický V., Jezbera J., Brandt U., Jezberová J., and Šimek K. Limnohabitans curvus gen. nov., sp. nov., a planktonic bacterium isolated from a freshwater lake. International Journal of Systematic and Evolutionary Microbiology, 60:1358–1365, 2010.

[15] Kasalický V., Jezbera J., Hahn M.W., and Šimek K. The Diversity of the Limnohabitans Genus, an Important Group of Freshwater Bacterioplankton, by Characterization of 35 Isolated Strains. PLoS ONE, 8:1–13, 2013.

[16] Andersson A., Larsson U., and Hagström Å. Size-selective grazing by a microflagellate on pelagic bacteria. Marine Ecology - Progress Series, 33:51–57, 1986.

[17] Jezbera J., Jezberová J., Koll U., Horňák K., Šimek K., and Hahn M.W. Contrasting trends in distribution of four major planktonic betaproteobacterial groups along a pH gradient of epilimnia of 72 freshwater habitats. FEMS Microbiology Ecology, 81(2):467–479, 2012.

[18] Jezbera J., Jezberová J., Kasalický V., Šimek K., and Hahn M.W. Patterns of Limnohabitans Microdiversity across a Large Set of Freshwater Habitats as Revealed by Reverse Line Blot Hybridization. PLoS ONE, 8:1–10, 2013.

[19] Šimek K., Kasalický V., Jezbera J., Jezberová J., Hejzlar J., and Hahn M.W. Broad habitat range of the phylogenetically narrow R-BT065 cluster, representing a core group of the betaproteobacterial genus limnohabitans. Applied and Environmental Microbiology, 76:631– 639, 2010.

[20] De Roy K., Marzorati M., Van den Abbeele P., Van de Wiele T., and Boon N. Synthetic microbial ecosystems: an exciting tool to understand and apply microbial communities. Environmental microbiology, 16:1472–1481, 2014.

[21] Großkopf T. and Soyer O.S. Synthetic microbial communities. Current Opinion in Microbiology, 18:72–77, 2014.

[22] Jessup C.M., Kassen R., Forde S.E., Kerr B., Buckling A., Rainey P.B., and Bohannan B.J.M. Big questions, small worlds: Microbial model systems in ecology. Trends in Ecology and Evolution, 19:189–197, 2004.

[23] Yu Z., Krause S.M.B., Beck D.A.C., and Chistoserdova L. A synthetic ecology perspective: How well does behaviour of model organisms in the laboratory predict microbial activities in natural habitats? Frontiers in Microbiology, 7:1–7, 2016.

[24] Goers L., Freemont P., and Polizzi K.M. Co-culture systems and technologies: taking synthetic biology to the next level. Journal of the Royal Society, 11:1–13, 2014.

[25] Zengler K., Toledo G., Rappe M., Elkins J., Mathur E.J.,Short J.M., and Keller M. Cultivating the uncultured. Proceedings of the National Academy of Sciences of the United States of America, 99:15681–15686, 2002.

[26] De Ryck T., Grootaert C., Jaspaert L., Kerckhof F.M., Van Gele M., De Schrijver J., Van Den Abbeele P., Swift S., Bracke M., Van De Wiele T., and Vanhoecke B. Development of an oral mucosa model to study host-microbiome interactions during wound healing. Applied Microbiology and Biotechnology, 98:6831–6846, 2014.

[27] Dunham M.J. Synthetic ecology: a model system for cooperation. Proceedings of the National Academy of Sciences of the United States of America, 104:1741–1742, 2007.

[28] Köhler J. Measurement of in situ growth rates of phytoplankton under conditions of simulated turbulence. Journal of Plankton Research, 19:849–862, 1997.

[29] Schlegel H.G., Zaborosch C., and Kogut M. General Microbiology. Cambridge University Press, 1993.

[30] Bochner B.R. Global phenotypic characterization of bacteria. FEMS Microbiology Reviews, 33:191–205, 2009.

[31] Borglin S., Joyner D., De Angelis K.M., Khudyakov J., D’haeseleer P., Joachimiak M.P.,and Hazen T. Application of phenotypic microarrays to environmental microbiology. Current Opinion in Biotechnology, 23:41–48, 2012.

[32] Turcotte M.M. and Levine J.M. Phenotypic Plasticity and Species Coexistence. Trends in Ecology & Evolution, pages 803–813, 2016.

[33] Ackermann M. Microbial individuality in the natural environment. The ISME Journal, 7:465–467, 2013.

[34] Ackermann M. A functional perspective on phenotypic heterogeneity in microorganisms. Nature Publishing Group, 13:497–508, 2015.

[35] Schreiber F., Littmann S., Lavik G., Escrig S., Meibom A., Kuypers M.M.M., and Ackermann M. Phenotypic heterogeneity driven by nutrient limitation promotes growth in fluctuating environments. Nature Microbiology, in press:1–7, 2016.

[36] Ackermann M. and Schreiber F. A growing focus on bacterial individuality. Environmental Microbiology, 17:2193–2195, 2015.

[37] Taylor J. Microorganisms and Biotechnology. Nelson Thornes, 2001.

[38] Kratz R. Microbiology the Easy Way. Barron's, 2005.

[39] Pommerville J.C. Alcamo's Laboratory Fundamentals of Microbiology. Jones and Bartlett, 2007.

[40] Egli T. Microbial growth and physiology: A call for better craftsmanship. Frontiers in Microbiology, 6:1–12, 2015.

[41] Rao D.G. Introduction to Biochemical Engineering. Tata McGraw-Hill, 2010.

[42] Pepper I.L. and Gerba C.P. Environmental Microbiology: A Laboratory Manual. Elsevier Academic Press, 2005.

[43] Monod J. The Growth of Bacterial Cultures. Annual Review of Microbiology, 3:371–394, 1949.

[44] Wang L., Fan D., Chen W., and Terentjev E.M. Bacterial growth, detachment and cell size control on polyethylene terephthalate surfaces. Scientific Reports, 5:1–11, 2015.

[45] Cooper S. Bacterial Growth and Division: Biochemistry and Regulation of Prokaryotic and Eukaryotic Division Cycles. Elsevier Science, 2012.

[46] Koch A. Bacterial Growth and Form. Springer Netherlands, 2013.

[47] Cooper S. Bacterial Growth and Division. Encyclopedia of Molecular Cell Biology and Molecular Medicine, pages 1–27, 2006.

[48] BDBiosciences. Introduction to Flow Cytometry: A Learning Guide. 2000.

[49] De Roy K. Microbial Resource Management: Introducing New Tools and Ecological Theories. PhD thesis, Ghent University, Belgium, 2014.

[50] Müller S. and Nebe-Von-Caron G. Functional single-cell analyses: Flow cytometry and cell sorting of microbial populations and communities. FEMS Microbiology Reviews, 34:554– 587, 2010.

[51] Hammes F. and Egli T. Cytometric methods for measuring bacteria in water: Advantages, pitfalls and applications. Analytical and Bioanalytical Chemistry, 397:1083–1095, 2010.

[52] Gatza E., Hammes F., and Prest E. Assessing Water Quality with the BD Accuri C6 Flow Cytometer. BDBiosciences, 2009.

[53] Nebe-Von-Caron G., Stephens P.J., Hewitt C. J., Powell J.R., and R. A. Badley. Analysis of bacterial function by multi-colour fluorescence flow cytometry and single cell sorting. Journal of Microbiological Methods, 42:97–114, 2000.

[54] Ormerod M.G. Flow Cytometry: A Practical Approach. OUP Oxford, 2000.

[55] Hyka P., Lickova S., P˘ribyl P., Melzoch K., and Kovar K. Flow cytometry for the development of biotechnological processes with microalgae. Biotechnology Advances, 31:2–16, 2013.

[56] Barbesti S., Citterio S., Labra M., Baroni M.D., Neri M.G., and Sgorbati S. Two and three color fluorescence flow cytometric analysis of immunoidentified viable bacteria. Cytometry, 40:214–218, 2000.

[57] Grégori G., Citterio S., Ghiani A., Labra M., Sgorbati S., Brown S., and Denis M. Resolution of Viable and Membrane-Compromised Bacteria in Freshwater and Marine Waters Based on Analytical Flow Cytometry and Nucleic Acid Double Staining. Applied and Environmental Microbiology, 67:4662–4670, 2001.

[58] Rubbens P., Props R., Boon N., and WaegemanW. Flow cytometric single-cell identification of populations in synthetic bacterial communities. PLOS ONE, 12:1–19, 2017.

[59] Van Nevel S., Koetzsch S., Weilenmann H.U., Boon N., and Hammes F. Routine bacterial analysis with automated flow cytometry. Journal of Microbiological Methods, 94:73–76, 2013.

[60] Epstein S.S. The phenomenon of microbial uncultivability. Current Opinion in Microbiology, 16:636–642, 2013.

[61] Shapiro H.M. Practical Flow Cytometry. Wiley, 2005.

[62] Bashashati A. and Brinkman R.R. A Survey of Flow Cytometry Data Analysis Methods. Advances in Bioinformatics, 2009:1–19, 2009.

[63] Props R., Monsieurs P., Mysara M., Clement L., and Boon N. Measuring the biodiversity of microbial communities by flow cytometry. Methods in Ecology and Evolution, 7:1376– 1385, 2016.

[64] Hastings A. and Gross L. Encyclopedia of Theoretical Ecology. University of California Press, 2012.

[65] Greenacre M. and Primicerio R. Multivariate Analysis of Ecological Data. Fundacíon BBVA, 2014.

[66] Larkin P. Infrared and Raman Spectroscopy: Principles and Spectral Interpretation. Elsevier Science, 2011.

[67] Koenig J.L. Infrared and Raman Spectroscopy of Polymers. Rapra Technology, 2001.

[68] B&W TEK. Theory of Raman Scattering, 2016.

[69] Ferraro J.R. and Nakamoto K. Introductory Raman Spectroscopy. Elsevier Science, 2012.

[70] Dieing T., Hollricher O., and Toporski J. Confocal Raman Microscopy. Springer Berlin Heidelberg, 2011.

[71] Huang W.E., Li M., Jarvis R.M., Goodacre R., and Banwart S.A. Shining light on the microbial world the application of Raman microspectroscopy. Elsevier Inc., 2010.

[72] Kaiser Optical Systems. Raman Tutorial, 2016.

[73] Butler H.J., Ashton L., Bird B., Cinque G., Curtis K., Esmonde-white K., Fullwood N.J., Gardner B., Martin-hirsch P.L., Walsh M.J., McAinsh M.R., Stone N., and Martin F.L. Using Raman spectroscopy to characterise biological materials. Nature Protocols, 11:1–47, 2016.

[74] Schrader B. Infrared and Raman Spectroscopy: Methods and Applications. Wiley, 2008.

[75] van de Vossenberg J., Tervahauta H., Maquelin K., Blokker- Koopmans C.H.W., Uytewaal Aarts M., van der Kooij D., Van Wezel A.P., and van der Gaag B. Identification of bacteria in drinking water with Raman. Analytical Methods, 5:2679–2687, 2013.

[76] Read D.S., Woodcock D.J., Strachan N.J.C., Forbes K.J., Colles F.M., Maiden M.C.J., Clifton-hadley F., Ridley A., Vidal A., Rodgers J., Whiteley A.S., and Sheppard K. Evidence for Phenotypic Plasticity among Multihost Campylobacter jejuni and C . coli Lineages, Obtained Using Ribosomal Multilocus Sequence Typing and Raman Spectroscopy. Applied and Environmental Microbiology, 79:965–973, 2013.

[77] De Gelder J., De Gussem K., Vandenabeele P., and Moens L. Reference database of Raman spectra of biological molecules. Journal of Raman Spectroscopy, 38:1133–1147, 2007.

[78] Berry D., Mader E., Lee T.K., Woebken D., Wang Y., Zhu D., Palatinszky M.,Schintlmeister A., Schmid M.C., Hanson B.T., Shterzer N., Mizrahi I., Rauch I., Decker T., Bocklitz T., Popp J., Gibson C.M., Fowler P.W., Huang W.E., and Wagner M. Tracking heavy water (D2O) incorporation for identifying and sorting active microbial cells. Proceedings of the National Academy of Sciences of the United States of America, 112:194–203, 2015.

[79] Stöckel S., Kirchhoff J., Neugebauer U., R¨osch P., and Popp J. The application of Raman spectroscopy for the detection and identification of microorganisms. Journal of Raman Spectroscopy, 47:89–109, 2015.

[80] Bocklitz T., Walter A., Hartmann K., Rösch P., and Popp J. How to pre-process Raman spectra for reliable and stable models? Analytica Chimica Acta, 704:47–56, 2011.

[81] Rajwa B., Venkatapathi M., Ragheb K., Banada P.P., Hirleman E.D., Lary T., and Robinson J.P. Automated classification of bacterial particles in flow by multiangle scatter measurement and support vector machine classifier. Cytometry Part A, 73:369–379, 2008.

[82] Davey H.M.,  Jones A.,  Shaw A.D., and Kell D.B. Variable selection and multivariate methods for the identification of microorganisms by flow cytometry. Cytometry, 35:162–168, 1999.

[83] Boddy L., Morris C.W., Wilkins M.F., Tarran G.A., and Burkill P.H. Neural network analysis of flow cytometric data for 40 marine phytoplankton species. Cytometry, 15:283–293, 1994.

[84] Pereira G.C. and Ebecken N.F.F. Combining in situ flow cytometry and artificial neural networks for aquatic systems monitoring. Expert Systems with Applications, 38:9626–9632, 2011.

[85] Vilchez-Vargas R., Geffers R., Suárez-Diez M., Conte I., Waliczek A., Kaser V.S., Kralova M., Junca H., and Pieper D.H. Analysis of the microbial gene landscape and transcriptome for aromatic pollutants and alkane degradation using a novel internally calibrated microarray system. Environmental Microbiology, 15:1016–1039, 2013.

[86] Nair A.J. Principles of Biotechnology. Laxmi Publications, 2008.

[87] Zwietering M., Jongenburger I., Rombouts F., and Van’t Riet K. Modeling of the Bacterial Growth Curve. Applied and Environmental Microbiology, 56:1875–1881, 1990.

[88] Kniggendorf A., Gaul T., and Meinhardt-wollweber M. Effects of Ethanol, Formaldehyde, and Gentle Heat Fixation in Confocal Resonance Raman Microscopy of Purple NonSulfur Bacteria. Microscopy Research and Technique, 183:177–183, 2011.

[89] R Core Team. R: A Language and Environment for Statistical Computing, 2016.

[90] Kahm M., Hasenbrink G., Lichtenberg-Fraté H., Ludwig J., and Kschischo M. grofit: Fitting biological growth curves with R. Journal of Statistical Software, 33:1–21, 2010.

[91] Ellis B., Haaland P., Hahne F., Le Meur N., Gopalakrishnan N., Spidlen J., and Jiang M. flowCore: flowCore: Basic structures for flow cytometry data, 2016.

[92] Fletez-Brant K., Špidlen J., Brinkman R.R., Roederer M., and Chattopadhyay P.K. flowClean: Automated identification and removal of fluorescence anomalies in flow cytometry data. Cytometry Part A, 89:461–471, 2016.

[93] Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., and Duchesnay É. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12:2825–2830, 2012.

[94] Gibb S. and Strimmer K. MALDIquant: a versatile R package for the analysis of mass spectrometry data. Bioinformatics, 28:2270–2271, 2012.

[95] Ryan C.G., Clayton E., Griffin W.L., Sie S.H., and Cousens D.R. SNIP, a statistics-sensitive background treatment for the quantitative analysis of PIXE spectra in geoscience applications. Nuclear Inst. and Methods in Physics Research, B, 34:396–402, 1988.

[96] Rubbens P., Props R., Garcia C., Boon N., and Waegeman W. Stripping flow cytometry: how many detectors do we need for bacterial identification? (under review).

[97] Baetens V. Monitoring of microbial communities in freshwater systems by flow cytometry. Master's thesis, Ghent University, Belgium, 2016.

[98] Swinnen I.A.M., Bernaerts K., Dens E.J.J., Geeraerd A.H., and Van Impe J.F. Predictive modelling of the microbial lag phase: A review. International Journal of Food Microbiology, 94:137–159, 2004.

[99] ThermoFisher Scientific. The Molecular Probes Handbook: A Guide to Fluorescent Probes and Labeling Technologies. Life Technologies Corporation, 2010.

[100] Lieder S., Jahn M., Koepff J., Müller S., and Takors R. Environmental stress speeds up DNA replication in Pseudomonas putida in chemostat cultivations. Biotechnology Journal, 11:155–163, 2016.

[101] Elowitz M.B., Levine A.J., and Siggia E.D. Stochastic Gene Expression in a Single Cell. Science, 297:1183–1186, 2002.

[102] Ansel J., Bottin H., Rodriguez-Beltran C., Damon C., Nagarajan M., Fehrmann S., Francois J., and Yvert G. Cell-to-cell stochastic variation in gene expression is a complex genetic trait. PLoS Genetics, 4:1–10, 2008.

[103] Newman J.R.S., Ghaemmaghami S., Ihmels J., Breslow D.K., Noble M., DeRisi J.L., and Weissman J.S. Single-cell proteomic analysis of S. cerevisiae reveals the architecture of biological noise. Nature, 441:840–846, 2006.

[104] Fraser D. and Kærn M. A chance at survival: Gene expression noise and phenotypic diversification strategies. Molecular Microbiology, 71:1333–1340, 2009.

[105] Trefil J.S. Encyclopedia of Science and Technology. Routledge, 2001.

[106] Kuypers M.M.M. and Barker Jørgensen B. The future of singe-cell environmental microbiology. Environmental Microbiology, 9:1–11, 2007.

[107] Kassen R., Llewellyn M., and Rainey P.B. Ecological constraints on diversification in a model adaptive radiation. Letters to Nature, 431:984–988, 2004.

[108] Grudemo J. and Johannesson K. Size of mudsnails, Hydrobia ulvae (Pennant) and H. ventrosa (Montagu), in allopatry and sympatry: Conclusions from field distributions and laboratory growth experiments. Journal of Experimental Marine Biology and Ecology, 239:167– 181, 1999.

[109] Anderson G.R.V., Ehrlich A.H., Ehrlich P.R., Roughgarden J.D., Russell B.C., and Talbot H. The Community Structure of Coral Reef Fishes. The American Naturalist, 117:476–495, 2008.

[110] Smith V.H. Microbial diversity-productivity relationships in aquatic ecosystems. FEMS Microbiology Ecology, 62:181–186, 2007.

[111] Pozo M.I., Herrera C.M., Lachance M.A., Verstrepen K., Lievens B., and Jacquemyn H. Species coexistence in simple microbial communities: unravelling the phenotypic landscape of co-occurring Metschnikowia species in floral nectar. Environmental Microbiology, 18:1850–1862, 2016.

[112] Narwani A., Bentlage B., Alexandrou M.A., Fritschie K.J., Delwiche C., Oakley T.H., and Cardinale B.J. Ecological interactions and coexistence are predicted by gene expression similarity in freshwater green algae. Journal of Ecology, 105:580–591, 2017.

[113] Müller S. and Babel W. Analysis of bacterial DNA patterns - An approach for controlling biotechnological processes. Journal of Microbiological Methods, 55:851–858, 2003.

[114] Spudich J.L. and Koshland D.E. Non-genetic individuality: chance in the single cell. Nature, 262:467–471, 1976.

[115] Mysara M., Vandamme P., Props R., Kerckhof F.M., Leys N., Boon N., Raes J., and Monsieurs P. Reconciliation between operational taxonomic units and species boundaries. FEMS Microbiology Ecology, 93:1–12, 2017.

[116] Shade A. Diversity is the question, not the answer. The ISME Journal, 4:1–6, 2017.

[117] Fontana S., Jokela J., and Pomati F. Opportunities and challenges in deriving phytoplankton diversity measures from individual trait-based data obtained by scanning flow-cytometry. Frontiers in Microbiology, 5:1–12, 2014.

[118] Bergholt M.S., Zheng W., Lin K., Ho K.Y., Teh M., Yeoh K.G., So J.B.Y., and Huang Z. In Vivo Diagnosis of Esophageal Cancer Using Image-Guided Raman Endoscopy and Biomolecular Modeling. Technology in Cancer Research and Treatment, 10:103–112, 2011.

[119] Nichols R.J., Sen S., Choo Y.J., Beltrao P., Zietek M., Chaba R., Lee S., Kazmierczak K.M., Lee K.J., Wong A., Shales M., Lovett S., Winkler M.E., Krogan N.J., Typas A., and Gross C.A. Phenotypic landscape of a bacterial cell. Cell, 144:143–156, 2011.

[120] Ando J., Palonpon A.F., Sodeoka M., and Fujita K. High-speed Raman imaging of cellular processes. Current Opinion in Chemical Biology, 33:16–24, 2016.

[121] Xie C., Mace J., Dinno M.A., Li Y.Q., Tang W., Newton R.J., and Gemperline P.J. Identification of single bacterial cells in aqueous solution using conflocal laser tweezers Raman spectroscopy. Analytical Chemistry, 77:4390–4397, 2005.

[122] Hibbing M.E., Fuqua C., Parsek M.R., and Peterson S.B. Bacterial competition: surviving and thriving in the microbial jungle. National Review of Microbiology, 8:15–25, 2010.

[123] Ackermann M., Stecher B., Freed N.E., Songhet P., Hardt W.D., and Doebeli M. Selfdestructive cooperation mediated by phenotypic noise. Nature, 454:987–990, 2008.

[124] LencastreFernandes R., Nierychlo M., Lundin L., Pedersen A.E., PuentesTellez P.E., Dutta A., Carlquist M., Bolic A., Schäpper D., Brunetti A.C., Helmark S., Heins A.L., Jensen A.D., Nopens I., Rottwitt K., Szita N., van Elsas J.D., Nielsen P.H., Martinussen J., Sørensen S.J., Lantz A.E., and Gernaey K.V. Experimental methods and modeling techniques for description of cell population heterogeneity. Biotechnology Advances, 29:575–599, 2011.

[125] Hammes F., Broger T., Weilenmann H.U., Vital M., Helbing J., Bosshart U., Huber P., Peter Odermatt R., and Sonnleitner B. Development and laboratory-scale testing of a fully automated online flow cytometer for drinking water analysis. Cytometry Part A, 81:508– 516, 2012.

[126] Moutinho T.J., Panagides J.C., Biggs M.B., Medlock G.L., Kolling G.L., and Papin J.A. Novel co-culture plate enables growth dynamic-based assessment of contact- independent microbial interactions. doi:10.1101/145615, 2017.

[127] Anderson M.J. A new method for non parametric multivariate analysis of variance. Austral ecology, 26:32–46, 2001.

[128] Jackson D.A. PROTEST: A PROcrustean Randomization TEST of community environment concordance. Ecoscience, 2:297–303, 1995.

[129] Breiman L. Random Forests. Machine Learning, 45:1–33, 2001.

[130] James G., Witten D., Hastie T., and Tibshirani R. An Introduction to Statistical Learning. Springer, 2013.

[131] Meinshausen N. and Bühlmann P. Stability selection. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 72:417–473, 2010.

[132] Jolliffe I.T. Principal Component Analysis. Springer New York, 2013.

[133] Zuur A., Ieno E.N., and Smith G.M. Analyzing Ecological Data. Springer New York, 2007.

[134] Digby P.G.N. and Kempton R.A. Multivariate Analysis of Ecological Communities. Springer Netherlands, 2012.

[135] Van Der Maaten L.J.P. and Hinton G.E. Visualizing high-dimensional data using t-SNE. Journal of Machine Learning Research, 9:2579–2605, 2008.

Universiteit of Hogeschool
Master in de bio-ingenieurswetenschappen: milieutechnologie
Publicatiejaar
2017
Promotor(en)
Prof. dr. ir. Nico Boon & Prof. dr. Willem Waegeman
Kernwoorden
Share this on: