Стратегии обработки свиного навоза для предотвращения распространения устойчивости к антибиотикам

Научные отчеты, том 13, Номер статьи: 11999 (2023) Цитировать эту статью

811 Доступов

2 Альтметрика

Подробности о метриках

Из-за риска передачи патогенных бактерий, устойчивых к антибиотикам, и их генов устойчивости к антибиотикам из фекалий домашнего скота в почву и возделываемые культуры, крайне важно найти эффективные методы обработки навоза на фермах, чтобы минимизировать этот опасный потенциал. Введенная во всем мире политика устойчивого развития с упором на экологическое сельскохозяйственное производство и циркулярную экономику, направленную на сокращение использования искусственных удобрений; следовательно, такие методы обработки должны также максимизировать удобрительную ценность навоза животных. В этом исследовании предлагаются две стратегии переработки свиного навоза — хранение и компостирование. В настоящем исследовании изучаются изменения физико-химических свойств обработанного навоза, микробиома и резистома по сравнению с сырым навозом. Это первый такой комплексный анализ, проведенный на одной и той же партии навоза. Наши результаты показывают, что, хотя ни один из процессов не устраняет экологический риск, компостирование приводит к более быстрому и более выраженному сокращению мобильных генетических элементов, несущих гены устойчивости к антибиотикам, в том числе ответственных за множественную лекарственную устойчивость. В целом, процесс компостирования может стать эффективной стратегией смягчения распространения устойчивости к антибиотикам в окружающей среде и снижения риска ее передачи сельскохозяйственным культурам и пищевой цепочке, обеспечивая при этом необходимые ингредиенты удобрений.

Растущий спрос на мясо привел к увеличению свиноводства во всем мире. Ежегодное мировое производство свиней выросло за последние 50 лет, достигнув примерно 120 миллионов тонн в 2018 году. По оценкам, общее потребление свинины вырастет на 13% в 2030 году и на 22% в 2050 году по сравнению с 2020 годом1. Основными производителями свинины являются Китай ( (45% мирового производства), за ними следуют США, Германия, Испания и Вьетнам2, причем на эти пять стран приходится почти 65% мирового производства свинины. В то время как в ЕС антибиотики применяются только для лечения бактериальных инфекций, в некоторых других странах их также обычно применяют для стимулирования роста и повышения эффективности производства; в этих странах ежегодно во всем мире скоту применяется около 66 667 тонн антибиотиков3. Однако из-за связи между применением антибиотиков в животноводстве и возникновением устойчивости к антибиотикам у патогенных бактерий использование антибиотиков в качестве стимуляторов роста ограничено и запрещено в ЕС с 20064 года; его использование также ограничено в США с 2017 г.5 и в Китае с 2020 г.6. Тем не менее, Китай остается крупнейшим производителем и потребителем антибиотиков, 52% из которых используются в животноводстве7.

Хотя желудочно-кишечная микробиота свиней содержит разнообразную популяцию бактерий, которые, как известно, поддерживают здоровье хозяина, они также могут быть источником генов лекарственной устойчивости. Интенсивные животноводческие фермы характеризуются сочетанием высокой бактериальной нагрузки и высокого антимикробного отбора: условий, которые, как известно, способствуют появлению устойчивых к противомикробным препаратам бактерий (ARB) и генов устойчивости к антибиотикам (ARG)8. Кроме того, нарушения микробиоты кишечника могут усиливать перенос ARG или увеличивать количество выделяемого ARB от животного.

Обычно более половины введенной дозы антибиотиков выводится в неизмененном виде с мочой и калом. Лишь небольшое количество антибиотиков частично метаболизируется в организме животного-хозяина с образованием микробиологически активных или неактивных метаболитов. Например, в печени энрофлоксацин частично (<25%) метаболизируется до ципрофлоксацина, тогда как сульфаниламиды метаболизируются в небольшой степени до менее активных N4-ацетилосульфонамидов; в обоих случаях продукты микробиологически активны9.

Поскольку одна свинья может производить до 6,4 кг влажного навоза в день10, крупные животноводческие предприятия производят огромное количество фекалий животных, в результате чего во всем мире ежегодно производится 1,7 миллиарда тонн фекалий11. Только на свинофермах Германии, Испании, Великобритании и Нидерландов годовое производство навоза составляет более 120 миллионов тонн12. Самый простой и дешевый способ утилизации таких отходов – внесение в землю; однако навоз домашнего скота был идентифицирован как резервуар антибиотиков, АРГ и потенциально патогенных АРА, что представляет значительную угрозу для здоровья животных и человека. Действительно, свиной навоз считается ключевым источником распространения устойчивости к антибиотикам в окружающей среде13,14. Конечно, известно, что прямое применение навоза, полученного от сельскохозяйственных животных, обработанных антибиотиками, подвергает сельскохозяйственные районы воздействию высоких уровней антибиотиков. В зависимости от физико-химических свойств антибиотика и состава почвы соединения могут оставаться в почве, внесенной навозом, или переноситься в грунтовые и поверхностные воды путем вымывания или стока. Кроме того, загрязняющие вещества могут переноситься водой на большие расстояния и влиять на всю водную экосистему. Кроме того, скорость деградации варьируется в зависимости от типа антибиотика и во многих случаях может быть очень низкой в течение 30 дней14. Находясь в почве, соединения могут поглощаться сельскохозяйственными культурами, где они накапливаются, а затем попадают в пищевую цепь. Кроме того, постоянное присутствие низкой концентрации антибиотиков и их активных остатков в окружающей среде благоприятствует селекции устойчивых бактерий14.

0.7 and p < 0.0532./p> 0,9) and significant correlations (p ≤ 0.05) with 942 positive correlations and 17 negative ones. The MGEs showed more connections than ARGs, indicating a more important role in network formulation. Among the MGEs and integrons group, orf39-IS26, IncN_rep, IncQ_oriT, orf37-IS26, IS1111, tnpA_4, IncW_trwAB showed the highest number of correlations with ARGs. The rest of results is presented in Fig. 6./p> 0.9 and p < 0.05. The size of the nodes represents the degree of interaction. The gray and orange edges show positive and negative correlations between ARGs and MGEs, respectively. The color of the nodes indicated the ARG type according to the legend./p> 0,9) and significant correlations (p ≤ 0.05) with 1211 positive correlations and 13 negative ones. The MGEs showed more connections than ARGs, indicating they play an important role in network formulation. Among the MGE and integron group, orf39-IS26, IncN_rep, IncQ_oriT, orf37-IS26, IS1111, tnpA_4, IncW_trwAB, tnpA_5 tnpA_7, intI1_3, IS613, intI1_4, intI1_1, repA, tnpA_1, IS1247_2, tnpA_2, intI2_2, showed the highest number of correlations with ARGs. The rest of results is presented in Fig. 7./p> 0.9 and p < 0.05. The size of the nodes represents the degree of interaction. The gray and blue edges show positive and negative correlations between ARGs and MGEs, respectively. The color of the nodes indicates the ARG type according to the legend./p> 0,85) and significant (p ≤ 0.05) correlations with 54 positive and 25 negative correlations. As shown in the network, the gene classes presented more interactions than the microbial phyla, indicating that these genes play a crucial role in the co-occurrence network construction. While the genes coding the MDR mechanism demonstrated the highest interaction with microbial phyla, genes coding the resistance to aminoglycosides, trimethoprim, and genes assigned as Other class also exhibited high levels of interaction. The lowest level of connections were observed for integrons and MGEs. The rest of results is presented in Fig. 8./p> 0.85 and p < 0.05. The gray and orange edges represent the positive and negative correlations between ARG groups and phyla, respectively. The size of the nodes shows the degree of interaction. Green nodes represent microbial phyla, and blue nodes represent groups of ARGs./p> 0.85) and significant (p ≤ 0.05) correlations: 40 positive and 18 negative correlations. Apart from Planctomycetes, all bacterial phyla demonstrated either negative or positive correlations with the studied gene classes. Of the phyla, Planctomycetes demonstrated the most correlations, i.e. three positives (MDR, MLSB, and tetracycline-resistance genes) and four negatives (MGE, integrons, genes classified as other-, and phenicol-resistance genes). The rest of results is presented in Fig. 9./p> 0.85 and p < 0.05. The gray and orange edges represent the positive and negative correlations between ARG groups and phyla, respectively. The size of the nodes shows the degree of interaction. Green nodes represent microbial phyla, and blue nodes represent groups of ARGs./p>