SciELO - Scientific Electronic Library Online

 
vol.21 issue2Review of Lactobacillus in the food industry and their culture mediaLipases in polymer synthesis: advantages and its contribution to green polymer chemistry author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Revista Colombiana de Biotecnología

Print version ISSN 0123-3475

Rev. colomb. biotecnol vol.21 no.2 Bogotá July/Dec. 2019  Epub Jan 20, 2020

https://doi.org/10.15446/rev.colomb.biote.v21n2.78390 

Revisión

Enfoque metagenómico para la caracterización del microbioma de aves corral. Revisión

Metagenomic approaches for characterization of poultry microbiome. A review

Marcela Judith Mantilla Martinez* 

Rodrigo Gonzalo Torres Sáez** 

* Bióloga. Universidad Industrial de Santander. Estudiante de Doctorado en Ingeniería. Universidad Autónoma de Bucaramanga. mmantilla887@unab.edu.co. ORCID: https://orcid.org/0000-0003-3858-709.

** PhD. Bioquímica y Biología Molecular. Universidad Autónoma de Madrid. Centro de Biotecnología ECOPETROL. Santander. rodrigo.torres@ecopetrol.com.co. ORCID: https://orcid.org/0000-0003-1113-302.


RESUMEN

El pollo y el huevo son una fuente importante de proteína para el ser humano a nivel mundial. La producción de estos alimentos se ha intensificado durante los últimos años y se prevé que se produzca alrededor de 1 50 millones de toneladas de carne de pollo en 2020 (OCDE / FAO, 2018). Sin embargo, uno de los mayores problemas ligados a los procesos de producción avícola lo constituyen las enfermedades infecciosas ocasionadas por microorganismos patógenos. Entre los más relevantes se encuentran microorganismos como Salmonella ssp, Campylobacter spp, y Escherichia coli. Por lo tanto, es importante comprender los mecanismos implicados en la colonización de microorganismos patógenos que afectan a las aves de corral y sus interacciones con la microbiota gastrointestinal las cuales son clave en la mejora de la absorción de nutrientes y el fortalecimiento del sistema inmune, que influye en el crecimiento, el bienestar y la salud de las aves de corral. Sin embargo, hay poca información relacionada con la microbiota gastrointestinal de pollos parrilleros y gallinas productoras de huevo. Hasta hace poco, la caracterización se limitaba a los microorganismos que podían recuperarse a través de cultivos tradicionales. Por lo anterior, en el último tiempo se ha intensificado el uso de técnicas moleculares, entre las que se destaca la metagenómica, la cual ofrece una alternativa para una mejor comprensión de las interacciones bacterianas, la identificación de genes de resistencia a los antibióticos, identificación de elementos genéticos móviles, y el diseño de estrategias para intervenciones más efectivas con el objetivo de romper la cadena de transmisión de microorganismos patógenos durante el ciclo de producción avícola. En esta revisión, se describen los principales enfoques metagenómicos para el estudio de microbiomas de aves de corral, las técnicas de secuenciación y herramientas bioinformáticas usadas para su caracterización.

Palabras clave: Metagenómica; 1 6s RNA; shotgun; aves de corral; microbiota gastrointestinal

ABSTRACT

Chicken and eggs are an important source of protein for humans worldwide. Production of these foods has been intensified in recent years and around 150 million tonnes of chicken meat is expected to be produced by 2020 (OECD / FAO, 2018). However, one of the biggest problems linked to poultry production processes are the infectious diseases caused by pathogenic microorganisms. Among the most relevant are found microorganisms such as Salmonella ssp, Campylobacter spp, and Escherichia coli. Therefore, it is important to understand the mechanisms involved in the colonization of pathogenic microorganisms that can affect poultry and their interactions with the gastrointestinal microbiota, which are key in improving nutrient absorption and strengthening the immune system, which it influences the growth, welfare and health of the chicken. However, there is little information related to the gastrointestinal microbiota of chicken. Until recently, the characterization was limited to microorganisms that could be recovered through culture traditional. Therefore, in the last time, it has been intensified use of molecular techniques, among those is remarked metagenomics, which offers an alternative for a better understanding of bacterial interactions, the identification of antibiotic resistance genes, identification of mobile genetic elements, and the design of strategies for more effective interventions with the aim of breaking the chain of transmission of pathogenic microorganisms during the poultry production cycle. In this review, the main metagenomics approaches are describe aimed to study microbiomes from poultry, sequencing techniques and bioinformatics tools used for its characterization.

Key words: Metagenomics; 16s RNA; shotgun; poultry; gastrointestinal microbiome

INTRODUCCIÓN

La carne de pollo y el huevo se encuentran entre los alimentos de origen animal de alto consumo a nivel mundial (Mottet y Tempio, 2017). La demanda de alimentos derivados de animales está aumentando debido al crecimiento de la población, el aumento de los ingresos y la urbanización (OCDE/FAO, 2014). De esta manera, la carne de pollo ha mostrado la tendencia más rápida en crecimiento en los últimos años. Se estima que se produzcan alrededor de 150 millones de toneladas de carne de pollo en 2020 (OCDE / FAO, 2018). Pese al progreso observado en la explotación avícola, este sector se enfrenta a amenazas significativas como enfermedades infecciosas ocasionadas por microorganismos patógenos como Salmonella ssp, Campylobacter spp y Escherichia coli, entre otros (Davies y Wales, 2010). Además, la naturaleza ubicua de estos microorganismos puede crear una fuente constante de contaminación del producto alimenticio, debido a que las aves de corral son uno de los principales reservorios de estos patógenos (Davies y Wales, 2010).

La caracterización del microbioma de aves de corral se centra actualmente en el estudio del tracto gastrointestinal, dado que es el área de mayor abundancia y diversidad bacteriana (O'Hara y Shanahan, 2006), mayor relevancia para la salud del huésped, dado que el mismo desempeña un papel esencial en la digestión y absorción de nutrientes, el desarrollo del sistema inmune y la exclusión de patógenos (Pan y Yu, 2014; Yeoman et al., 2012). Por otra parte, se ha señalado que la dieta (Hammons et al., 2010; Jia et al., 2009) y los aditivos alimentarios (Amerah et al., 2011; Danzeisen et al., 2011) pueden afectar la microbiota gastrointestinal de las aves de corral con respecto a la diversidad y composición (figura 1). En consecuencia, la microbiota intestinal se ve influenciada por factores genéticos y factores externos como la dieta y el ambiente (Apajalahti et al., 2004; Smulikowska, 2006; Wang et al., 2016; Ballou et al., 2016; Wang et al., 2018). No obstante, a pesar de la importancia de la microbiota intestinal, y el papel que tiene en la salud y bienestar de las aves de corral (Awad et al., 2016; Stanley et al., 2013), se ha estudiado de manera limitada la composición y diversidad bacteriana dentro del tracto gastrointestinal; adicionalmente el rol de los microorganismos en el desarrollo de un tracto gastrointestinal saludable aun es desconocido. Se conoce poco sobre la diversidad de este ecosistema, su desarrollo y la respuesta a las infecciones microbianas, principalmente bacterianas, su impacto en el huésped y las interacciones entre la microbiota y el huésped.

Figura 1 Asociación entre microbioma intestinal, huésped, dieta y microbioma de la cama. (Adaptado de Pan y Yu (2014), Wang et al. (2016), Ballou et al. (2016)

Los primeros estudios de las comunidades microbianas se limitaban a métodos convencionales usando medios de cultivo selectivo para el crecimiento bacteriano. (Barnes et al., 1972). Sin embargo, estas técnicas recuperan una fracción minoritaria de los microorganismos. Es decir, para los taxones bacterianos que habitan en el tracto gastrointestinal de las aves de corral, menos del 20% es recuperado a través de este método (Gaskins et al., 2002). Por esta razón, se han utilizado nuevos enfoques de estudio independientes del uso de medios de cultivo, estos hacen uso de herramientas moleculares con el objeto de superar los sesgos presentados y obtener información detallada sobre la diversidad, estructura y función del microbioma.

Entre las técnicas introducidas, se incluye el enfoque molecular de electroforesis en gel de gradiente desnaturalizante (DGGE) (Gaskins et al., 2002), electroforesis en gel con gradiente de temperatura temporal (TTGE) (Zhu et al., 2002) y la técnica del polimorfismo de longitud de fragmento (T-RFLP) (Gong et al., 2008; Torok et al., 2011). De igual manera, la secuenciación de Sanger también ha sido utilizada para estudiar la diversidad de la microbiota intestinal del pollo parrillero (Lu et al., 2003). Aunque estos enfoques son más robustos que los métodos dependientes de cultivo, aún son incapaces de representar con precisión la diversidad del microbioma de las aves, debido a su baja cobertura, rendimiento y sumado a los altos costos que implica su utilización (Choi et al., 2015). En los últimos años, se han introducido técnicas de biología molecular que permiten acceder a la diversidad microbiana de un ecosistema determinado. Estas hacen uso de la secuenciación de próxima generación (NGS), la cual proporciona un análisis a gran escala de la biodiversidad y abundancia de microorganismos (Josefsen et al., 2015). A partir de esta tecnología, es posible desarrollar estudios metagenómicos, facilitando un análisis completo y complejo de las comunidades microbianas (Simon y Daniel, 2011), además, es posible acceder a información en un único análisis sobre la presencia, proporción, tipo, virulencia, predicción de roles nutricionales y resistencia a antibióticos de un determinado grupo de microorganismos (Josefsen et al., 2015). Por otra parte, este nuevo enfoque metagenómico ha permitido el desarrollo de análisis genómicos funcionales completos para delinear los requisitos genéticos requeridos para la colonización, infección y supervivencia de microorganismos patógenos en condiciones ambientales a las que éste se encuentra expuesto. El desarrollo y la aplicación de tales herramientas novedosas de la metagenómica funcional pueden revelar vulnerabilidades previamente desconocidas, las cuales pueden explorarse para desarrollar nuevas intervenciones y romper la cadena de transmisión de microorganismos patógenos en la industria avícola. El propósito de esta revisión fue estudiar las metodologías utilizadas para análisis metagenómicos, con el fin obtener la taxonomía bacteriana e inferencias funcionales de la microbiota gastrointestinal de aves de corral. Se describe y se analiza el procesamiento de muestras, el tipo de enfoque metagenómico, la tecnología de secuenciación y las herramientas bioinformáticas utilizadas para el análisis de la información.

Recolección y extracción de muestras de ADN

El procesamiento de muestras es el primer paso en los proyectos metagenómicos. El ADN extraído debe ser representativo de todas las células presentes en la muestra y debe ser idóneo para la generación de las bibliotecas genómicas. Actualmente están disponibles diferentes métodos de extracción de ADN para cada tipo de muestra (e.g. muestras fecales, suelo) (Wise y Siragusa, 2007; Hang et al., 2014; Josefsen et al., 2015). Sin embargo, la selección del método óptimo no está determinada (Hamady y Knight, 2009). Existen diferentes kits de extracción de ADN, la mayoría de estos utilizan lisis celular, eliminación de macromoléculas diferentes a ácidos nucleicos y recolección del ADN. En general, la lisis es la estrategia más aplicada y de mayor relevancia, puesto que la intensidad de la lisis puede dar lugar a un sesgo hacia un grupo taxonómico en particular (Josefsen et al., 2015). Por tal razón, es necesario utilizar una combinación de medios químicos, físicos y mecánicos para lisar las células de manera eficiente. Trabajos previos recomiendan el uso combinado de los tres, específicamente cuando se analizan comunidades microbianas complejas (Yu y Morrison, 2004; Josefsen et al., 2015; Burbach et al., 2016; Wang et al., 2016).

Para la extracción eficiente de ADN de muestras particulares como como las heces o el intestino de las aves se requiere de gran cuidado ya que son una clase de muestras divergentes y de variabilidad en composición (Gill, 2014). Lo anterior está dado por las diferencias encontradas en la fisiología del tracto digestivo de las aves y la forma de procesamiento del alimento (Wise y Siragusa, 2007). Esto hace que la extracción de ADN del microbioma de las aves sea un desafío, por ejemplo, debido al alto contenido de e.g. ácido úrico y sustancias húmicas encontradas en las muestras (Eriksson et al., 2017). De acuerdo con la literatura el protocolo más común de extracción de ADN en muestras de heces y ciego intestinal ha sido el planteado por Yu y Morrison (2004), al igual que el Kit de extracción QIAmpH DNA Stool Mini Kit (tabla 1).

Tabla 1 Estudios metagenómicos del microbioma de aves de corral. 

Por otra parte, estudios recientes han sugerido cambios en la microbiota gastrointestinal en pollos recién nacidos asociados a factores contaminantes fecales o ambientales, adheridos a la cáscara de los huevos (Donaldson et al., 2017). El estudio realizado por Lee et al. (2019), ha indicado que más del 50% de la diversidad de la microbiota de la clara de huevo y del intestino del embrión tiene su origen a partir de la microbiota de la cáscara de huevo. Del mismo modo, sugieren que la microbiota de la cloaca y del oviducto materno posiblemente determina la microbiota de la cáscara de huevos.

De esta manera, se han incluido técnicas para recuperar el ADN en muestras de cáscara de huevo, como el aislamiento de ADN basado en la resina chelex (Martín-Platero et al., 2010). Este protocolo ha sido ampliamente utilizado para muestras de diferentes orígenes por su bajo costo y simplicidad. Para realizar el aislamiento de muestras de cáscaras de huevos, el procedimiento indica que los huevos deben limpiarse con un hisopo estéril, luego éste debe ser almacenado en una solución fosfato en un tubo de microcentrífuga hasta la extracción del ADN. Para la obtención del ADN, las células bacterianas se recolectan por varias etapas de centrifugación. Posteriormente, se procede a realizar la extracción de ADN a partir del sedimento recolectado (Martín-Platero et al., 2010. No obstante la sencillez del protocolo mencionado, el método de frotis de la cáscara de huevos presenta diferencias en los perfiles de las comunidades bacterianas y una menor eficiencia en la extracción comparado con el método de trituración de la cáscara de huevo (Grizard et al., 2014). En este último, se utiliza nitrógeno líquido para la trituración de las cáscaras de huevo, el polvo obtenido se procesa utilizando el Kit NucleoSpin Soil Kit (Grizard et al., 2014).

De acuerdo con lo mencionado anteriormente es de interés optimizar un protocolo de extracción de ADN de alto rendimiento para muestras aviares, con el fin de obtener una representación correcta del microbioma estudiado.

Estudios de Microbioma

Los estudios metagenómicos para el análisis de microbioma se pueden clasificar en dos categorías; estudios de amplicón dirigidos, los cuales se centran en uno o varios genes marcadores para revelar la composición y diversidad de la microbiota (Torok et al., 2011; Thomas et al., 2012; Neelakanta et al., 2013; Bhogoju et al., 2018) y el enfoque metagenómico completo, también denominado megenómica shotgun, debido a la aleatoriedad con que se obtienen las secuencias genómicas (Thomas et al., 2012; Sharpton, 2014). La figura 2 muestra una descripción general de ambos tipos de estudio y su combinación.

Figura 2 Análisis metagenómico del tracto gastrointestinal de aves. Adaptado de Morgan et al. (2013), Choi et al. (2015)

La metagenómica shotgun proporciona datos más completos sobre el potencial funcional presente en las comunidades microbianas. Para este último enfoque, la naturaleza aleatoria de la secuenciación garantiza una cobertura adecuada para evaluar la estructura de la comunidad y abre nuevas vías para descubrir novedades estructurales y funcionales (Kuczynski et al., 2012).

Metagenómica Dirigida 16S RNA

Las subunidades de proteína ribosómica, los factores de elongación, y las subunidades de ARN polimerasa han sido utilizados como genes marcadores para estudiar la composición y la diversidad microbiana, sin embargo, estos representan poblaciones diferentes (Ríos y Ríos, 2011). En consecuencia, la mayoría de estudios de comunidades microbianas incluyen la secuenciación de amplicones dirigidos filogénicamente informativos, como el gen de la subunidad ribosomal 16 rRNA para bacterias y Archaea, el gen 18S rRNA de especies eucarióticas y las regiones nucleares de espaciador transcrito ribosomal (ITS) para hongos (Meyer et al., 2010). Una característica diferenciadora de los genes rARN es su presencia en todos los organismos, mientras que otros marcadores usados tienen una distribución taxonómica limitada (Kuczynski et al., 2012). Además, el gen ribosómico 16S rRNA consta de nueve regiones hipervariables flanqueadas por regiones conservadas, las regiones hipervariables son específicas de cada género y especie, característica utilizada en la identificación de microorganismos (Baker et al., 2003). En consecuencia, el gen 16S rRNA es un marcador molecular óptimo para la identificación a nivel de especie en poblaciones microbianas. Por ejemplo, para estudios microbianos del intestino de aves productoras de carne y huevos se han cubierto las regiones V1-V3, V3-V4, V4-V5, V6-V7, V1, V2, V3, V4, V8, V9 del gen 16S rRNA. (Danzeisen et al., 2011; Stanley et al., 2012; Stanley et al., 2013; Zhao et al., 2013;Meng et al., 2014; Videnska et al., 2014; Sergeant et al., 2014; Ma et al., 2015;Borda-Molina et al., 2016; Hou et al., 2016;Wang et al., 2016; Bortoluzzi et al., 2017; Pineda-Quiroga et al., 2017; Bhogoju et al., 2018; Lee et al., 2019), ver tabla 1.

Por otra parte, otra ventaja que proporciona el gen 16S rRNA sobre otros genes marcadores potenciales, es la disponibilidad de varias bases de datos de secuencias de referencia y taxonomía, como greengenes (DeSantis et al., 2006), SILVA (Pruesse et al., 2007) y Ribosomal Database Project1 (Claesson et al., 2010). El gen 16S rRNA ha sido utilizado para análisis filogenéticos de la microbiota cecal en aves de corral (Lan et al., 2002). Sin embargo, el primer estudio de metagenómica dirigida que caracterizó la microbiota gastrointestinal de los pollos se publicó en el año 2008 (Qu et al., 2008). En este estudio, se analizó la microbiota cecal de aves comerciales usando el gen 16S rRNA y metagenómica shotgun, utilizando piro secuenciación; los resultados obtenidos revelan una visión más completa de la comunidad microbiana del ciego del pollo. Se encontró que los elementos móviles de ADN son un componente funcional de los microbiomas cecales, lo que contribuye a la transferencia horizontal de genes y la evolución funcional de los microbiomas. Además, esto sugiere que la evolución de metavirulomas específicos del huésped es un factor que contribuye a la resistencia de la enfermedad a patógenos zoonóticos (tabla 1).

Como resultado, los perfiles de secuenciación del gen ribosomal 16S rRNA ha permitido determinar la relación entre la diversidad microbiana y las condiciones ambientales a las que se encuentra expuesta. Además, las modulaciones de la comunidad microbiana en respuesta a los promotores de crecimiento, antibióticos, indicando que los cambios en la estructura de las comunidades microbianas cecales o fecales que han sido inducidas por antibióticos son un factor determinante en la abundancia de microorganismos presentes en el huésped y los retos a futuro para reemplazar los efectos generados por los promotores de crecimiento y antibióticos utilizando enfoques alternativos (Danzeisen et al., 2011; Xiong et al., 2018)

En el caso de la microbiota del tracto gastrointestinal de aves, se ha generado una visión sobre las interacciones huésped-microorganismos, además contempla posibles hipótesis sobre mecanismos de la enfermedad (Ding et al., 2016; Sergeant et al., 2014; Stanley et al., 2013; Wang et al., 2016).

Adicionalmente, estudios metagenómicos utilizando el gen 16s RNA han asociado el genotipo del hospedador y la dieta como factores influyentes en la sucesión de la micro-biota intestinal de las aves de corral. (Zhao et al., 2013; Meng et al., 2014; Borda-Molina et al., 2016; Varmuzova et al., 2016; Ding et al., 2016; Yan et al., 2017; Bortoluzzi et al., 2017; Pineda-Quiroga et al., 2017; Huang et al., 2018).

Metagenómica Shotgun

La metagenómica dirigida es un enfoque que hace posible estudiar la diversidad microbiana a gran escala, no obstante la secuenciación de amplicones tiene sus limitaciones; en primer lugar, puede producir estimaciones de diversidad ampliamente diferentes (Jumpstart Consortium Human Microbiome Project Data Generation Working Group, 2012), en segundo lugar, la secuenciación de amplicones generalmente solo proporciona información sobre la composición taxonómica de la comunidad microbiana (Liu et al., 2008). En consecuencia, es imposible resolver directamente las funciones biológicas asociadas a los taxones utilizando este enfoque, además, la identificación de bacterias altamente divergentes son difíciles de caracterizar mediante este enfoque (Sharpton, 2014).

En consecuencia, el enfoque metagenómico "shotgun" es un método alternativo para estudiar ecosistemas complejos, en el cual se reducen las limitaciones anteriormente mencionadas. En este procedimiento, el ADN extraído se corta en pequeños fragmentos que se secuencian de forma independiente, en lugar de apuntar a un locus genómico específico para la amplificación, dando como resultado una vista completa de todos los microorganismos y genes presentes en la microbiota (Sharpton, 2014). De esta forma, la metagenómica "shotgun" describe el conjunto de genomas y los genes correspondientes de un ecosistema dado, facilitando la caracterización de la funcionalidad bacteriana potencial en ambientes específicos (Marchesi y Ravel, 2015). Asimismo, la combinación del uso de marcadores filogenéticos 16S rRNA, enfoques metagenómicos shotgun, técnicas moleculares de secuenciacion masiva y las herramientas para análisis de datos, han permitido obtener información sobre el microbioma gastrointestinal de aves de corral, en cuanto a taxonomía y función de microorganismos (Borda-Molina et al., 2016; Bortoluzzi et al., 2017; Danzeisen et al., 2011; Ding et al., 2016; Meng et al., 2014; Pineda-Quiroga et al., 2017; Sergeant et al., 2014; Stanley et al., 2013; Wang et al., 2016). No obstante, hasta el momento solo unos pocos estudios se han enfocado en estudiar las funciones de los microorganismos que se encuentran presentes en el tracto gastrointestinal de las aves (Yeoman et al., 2012). Hasta la fecha se han realizado ocho estudios metagenómicos shotgun en pollos, enfocados en el ciego intestinal. El primero, realizado por Qu et al. (2008), se determinó la distribución de 200.000 genes presentes en los pollos sanos y en pollos infectados experimentalmente con Campylobacter jenuini. En el segundo, Danzeisen et al. (2011), analizaron las diferencias en los genes entre los pollos de control y los alimentados con niveles sub-terapéuticos de antibióticos para mejorar el crecimiento. En el tercero, Singh et al. (2014), determinaron la variación de la microbiota intestinal y la eficiencia de la conversión de los alimentos representado en ganancia de peso, encontrando que la microbiota cecal presentó una mayor diversidad en muestras con alta conversión de alimento comparada con la microbiota encontrada en aves con baja conversión de alimento. Por otra parte, las diferencias encontradas en el análisis funcional de los genes asociados con el metabolismo de carbohidratos y aminoácidos o asociados a la virulencia y motilidad flagelar, estaban en mayor proporción en aves con baja conversión de alimento. En este sentido, esta información facilita estrategias para mejorar la eficiencia de la alimentación y la formulación para pollos de engorde.

En el cuarto estudio Sergeant et al. (2014), se centraron en las funciones de ciego intestinal encontrando que el microbioma cecal codifica varias fermentaciones o rutas que conducen a la producción de ácidos grasos de cadena corta con características novedosas. En el quinto, Ma et al. (2015), investigaron genes de resistencia a los antibióticos (ARG) y su coexistencia con elementos genéticos móviles asociados, detectando altos niveles de genes de resistencia a múltiples medicamentos ARGs (7762 x/Gb) como tetraciclina, eritromicina y a los aminoglucósidos en las heces de pollos adultos. Estos resultados proporcionan conocimiento con respecto a los genes asociados ARG y la posible evaluación del riesgo ambiental y público. En otro estudio, realizado en la investigación de genes de resistencia a los antibióticos, Tong et al. (2017), encontraron que la especie Escherichia coli fue representativa en las heces de las aves. Por otra parte el análisis de Blast y la comparación con la base de datos de genes de resistencia a antibióticos revelo que las heces de pollo contenían gran abundancia de genes de resistencia a antibióticos ARG, entre los cuales la vancomicina (van) fue más abundante (36% de todas las lecturas). Finalmente, el enfoque Metagenómico shotgun ha permitido comparar el microbioma intestinal de dos líneas de pollos (Magras y grasa), observando diferencias estructurales significativas tanto en los metagenomas filogenéticos como en los funcionales entre las dos líneas de pollos (Hou et al., 2016; Ding et al., 2016).

En este sentido, los proyectos metagenómicos del tracto gastrointestinal de pollos se han centrado en las funciones de la microbiota cecal (Sergeant et al., 2014), el papel fundamental de la microbiota de aves en los parámetros de rendimiento y cambios en la dieta (Yan et al., 2017), las comparaciones entre líneas gordas y magras (Singh et al., 2014; Ding et al., 2016; Hou et al., 2016), los mecanismos de respuesta a microorganismos patógenos (Qu et al., 2008), representación del viruloma (Qu et al., 2008) y de los genes de resistencia a antibióticos (Ma et al., 2015; Tong et al., 2017), ver tabla 1.

Del mismo modo, estas investigaciones descubrieron una gran cantidad de información relacionada con la prevalencia de elementos móviles y genes involucrados en la nutrición, la virulencia y la resistencia a los antibióticos. Por otra parte, generaron una visión detallada de la diversidad y distribución de todos los tipos de microorganismos, incluidas las bacterias, las arqueas, los virus y los microorganismos eucarióticos.

Tecnologías de Secuenciación de microbiomas de aves de corral

Se han utilizado varias tecnologías de secuenciación para realizar estudios de microbioma a partir de perfiles taxonómicos basados en 16s RNA y shotgun (Danzeisen et al., 2011). Dentro de estas tecnologías se encuentra incluida la secuenciación capilar (Sanger), este método pertenece a la primera generación de técnicas de secuenciación. Lu et al. (2003), utilizaron esta técnica para estudiar la sucesión de la microbiota intestinal de pollo, encontrando que la composición y la diversidad de la microbiota varía con diferentes dietas, aditivos para piensos y probióticos (Ballou et al., 2016). Pese a los resultados encontrados, el método convencional de secuenciación de Sanger ha limitado los estudios metagenómicos de microbiota gastrointestinal debido a los altos costos de secuenciación, insuficiencia en las secuencias y su bajo rendimiento (Choi et al., 201 5). En consecuencia, hubo la necesidad abordar nuevos métodos de alto rendimiento, capaces de generar cientos de miles de secuencias de manera más rápida y económica. Estas técnicas son denominadas tecnologías de secuenciación de próxima generación (Metzker, 2010), las cuales constituyen diversas estrategias que se basan en una combinación de plantillas, secuenciación e imágenes, alineación del genoma y métodos de ensamblaje (Diaz-Sanchez et al., 2013). Actualmente, existen diferentes plataformas disponibles para secuenciación; dentro de éstas, se incluyen plataformas de segunda generación HT-NGS, las cuales pueden generar alrededor de quinientos millones de bases de secuencia en bruto (Roche) a miles de millones de bases en una sola ejecución (Illumina, SOLiD). Estos nuevos métodos tienen algunas de las siguientes características en la forma de realizar la secuenciación:

(i) Secuenciación por síntesis:

-PCR en emulsión (Roche SoliD)

-PCR en puente (Ilumina)

(ii) Secuenciación por semiconducción:

-Ion Torrent

En la tabla 2 se señalan características distintivas de cada tecnología, como longitud de lectura, tiempo de corrida, tasa de error, tamaño de inserción y costo.

Tabla 2 Comparación de plataformas de secuenciación de próxima generación. (Segunda y tercera generación) 

La descripción de cada una de las plataformas mencionadas permite evidenciar los rápidos avances tecnológicos en las metodologías de secuenciación, sus aplicaciones y las herramientas optimizadas resaltan la importancia de la investigación del genoma. Por otra parte, se hace evidente que en los últimos años los estudios sobre la evolución experimental microbiana han utilizado la secuenciación como una herramienta fundamental para investigar el rol ecológico de los microorganismos en diferentes ambientes (Kuczynski et al., 2012).

Por otra parte, la aplicación de las técnicas de secuenciación de próxima generación son herramientas útiles y valiosas para comprender la evolución de microorganismos patógenos y sus cambios mutacionales dentro y en el huésped, además, son idóneas para identificar los microorganismos patógenos que causan infecciones o epidemias en las poblaciones huéspedes (Schmid et al., 2000).

Lo anterior evidencia como la secuenciación de próxima generación revolucionó y cambió las perspectivas en la caracterización de las comunidades microbianas. Los estudios metagenómicos realizados en microbioma de aves de corral demuestran que las tecnologías de secuenciación seleccionadas para este tipo investigaciones han sido las tecnologías: Illumina MiSeq, HiSeq, Pirosecuenciación e Ion Torrent (tabla 1).

De este modo, las tecnologías de secuenciación de próxima generación en investigaciones del microbioma de aves de corral muestran una nueva orientación e integración de los antiguos estudios de laboratorio, resaltando su veracidad en el seguimiento y detección de los patrones de evolución encontrados en microorganismos patógenos en diferentes entornos (Danzeisen et al., 2011). Además, estas tecnologías soportan el desarrollo de estrategias para el control de patógenos, puesto que permite identificar genes de resistencia, diversidad microbiana a gran a escala, generando como resultado un análisis completo del microbioma intestinal (Qu et al., 2008; Ma et al., 2015; Tong et al., 201 7; Lee et al., 201 9).

Herramientas de análisis de datos bioinformáticos

Después de obtener las secuencias de ADN, éstas deben ser analizadas e interpretadas. Es primordial analizar los datos obtenidos para determinar las identidades y los roles de las especies microbianas presentes en las muestras analizadas (Ounit et al., 2015). La gran cantidad de datos producidos en los proyectos metagenómicos requiere de herramientas bioinformáticas para su análisis dado que la manipulación directa de datos, como la alineación manual de secuencias de ADN es dispendiosa y demanda mucho tiempo (Kuczynski et al., 2012). Por ejemplo, el ensamblaje de los datos de las secuencias y la identificación de unidades taxonómicas operativas (OTU), es uno de los principales retos técnicos para las herramientas de análisis metagenómico (Behnam y Smith, 2014). Por otra parte, además de la alta complejidad de los datos metagenómicos, es crítico y difícil analizar los mismos utilizando herramientas independientes. Existen diferentes herramientas para clasificar lecturas metagenómicas contra conjuntos de datos de referencia (Mandal et al., 2015). Aquí revisamos algunas herramientas software, útiles para el análisis de los datos de secuenciación del gen del marcador 16S rRNA y los datos de metagenómicos shotgun (tabla 3).

Tabla 3 Comparación de herramientas Informáticas para análisis metagenómicos. 

En esta revisión se describen diferentes enfoques bioinformáticos con el fin de soportar la información principal para la selección y aplicación idónea de los mismos en los análisis de datos metagenómicos. Para ello, se han usado diferentes softwares para la eliminación de secuencias de baja calidad y verificación de secuencias quiméricas (Haas et al., 2011), eliminación de errores generados en la secuenciación, producción de un grupo de secuencias casi idénticas denominadas unidades taxonómicas operativas y el análisis estadístico para determinar las diferencias significativas comparadas con la secuencia de referencia (Caporaso et al., 2010), ver figura 3.

De acuerdo con Medinger et al. (2010), las unidades taxonómicas operativas (OTU) están definidas por dos enfoques:

i) La agrupación no supervisada en la similitud de secuencia, ii) la agrupación supervisada que asigna directamente secuencias a grupos taxonómicos.

De esta manera, las unidades taxonómicas operativas (OTU) representan la información taxonómica y proporcionan información sobre la diversidad de la población. Posteriormente a la asignación taxonómica, se procede a realizar el análisis estadístico para establecer diferencias significativas comparadas con la secuencia de referencia (Videnska et al., 2014).

El análisis estadístico contiene el estudio de la biodiversidad direccionada a dos indicadores relevantes: diversidad alfa y beta (Choi et al., 2015). La riqueza y uniformidad de las especies individuales en una muestra es denominada diversidad alfa (Hughes, et al., 2001), mientras que la diversidad beta permite comparar múltiples comunidades con el fin de identificar OTU o taxones compartidos entre las mismas y relacionarnos con la metadata (Colwell, 2009). Así mismo, tanto la riqueza como la uniformidad de las especies son indicadores importantes de la salud de los animales. Por ejemplo, en los estudios realizados por Danzeisen et al. (2011), Borda-Molina et al. (2016), Pineda-Quiroga et al. (2017) y Bortulozi et al. (2017), se identificó que el número de microorganismos en el intestino del huésped disminuye durante el tratamiento con antibióticos o variaciones en los nutrientes de la dieta suministrada. Así por ejemplo, herramientas bioinformáticas tales como MOTHUR y QIIME, las cuales permiten el cálculo de varios índices, incluidos Chao, son estimadores de cobertura basados en abundancia. Adicionalmente, los índices Shannon y Simpson calculan la abundancia o distribución de las unidades taxonómicas dentro de una población particular (Caporaso et al., 2010; Schloss et al., 2009).

Por otra parte, algunos estudios sugieren que la micro-biota intestinal con una alta diversidad alfa está fuertemente correlacionada con funciones genéticas específicas, concluyendo que el huésped que presenta una alta diversidad en el tracto gastrointestinal puede ser más estable o más saludable que aquellos que tienen una baja diversidad (Caporaso et al., 2010). De esta manera, los resultados proporcionados por MOTHUR y QIIME, representados en tablas o como curvas de rarefacción, permiten la comparación de las comunidades microbianas y soportan la emisión de conclusiones basadas en la diversidad alfa y su contribución en la inferencia funcional de la microbiota estudiada (Hughes et al., 2001). A pesar de la información detallada que se puede obtener mediante el procesamiento y predicción funcional realizada con las herramientas bioinformáticas, se recomienda ser prudente al emitir conclusiones sólidas dado que existen un gran número de unidades taxonómicas operativas (OTU) que no se pueden asignar a un género o familia especifica (Lee et al., 2019).

Finalmente es importante mencionar que las herramientas más utilizadas para el análisis de datos metagenómicos asociados al microbioma de aves de corral han sido MGRAST, QIIME y MOTHUR (tabla 3). Estas han permitido definir grupos funcionales y taxones bacterianos importantes en las diferentes investigaciones. En el estudio realizado por Danzeisen et al. (2011), se identificaron unidades taxonómicas operativas OTU exclusivas de los grupos de tratamiento con monensina, virginamicina y tilosina. Estas incluyen los géneros Anaerotruncus sp, Subdoligranulum sp y Sedimentibacter sp. De acuerdo a la literatura este tipo de microorganismos ha sido asociado con la promoción del crecimiento y la salud microbiana y podrían ser utilizados como marcadores moleculares de un estado intestinal saludable. De igual manera, en la investigación realizada por Ma et al. (2015), el ensamblaje de metagenomas combinado con el análisis de anotación taxonómica ejecutado en MEGAN y el análisis funcional utilizando KEEG; pudo evidenciar un nivel significativamente alto de genes de resistencia a la tetraciclina, eritromicina y aminoglucósidos (macA-macB y tetA-tetR), en las heces de aves adultas comparado con las muestras fecales de humanos y cerdos. Por otra parte se determinó la presencia de elementos móviles (aadA5, dfrA17) en heces fecales de pollos y en microorganismos patógenos humanos. Estos resultados indican la relación entre diferentes genes de resistencia antibióticos encontrados en una variedad de entornos y huéspedes.

Adicionalmente, Xiong et al. (2018), determinaron la abundancia de los genes de resistencia a antibióticos usando ARGs-OAP: herramienta en línea para la detección de genes de resistencia a antibióticos a partir de datos metagenómicos. El análisis bioinformático facilito la comprensión de cambios en la sucesión de la microbiota cecal de pollos y las variaciones en los genes de resistencia antibióticos cuando el huésped es tratado con niveles bajos y terapéuticos de clortetraciclina. Por ejemplo se encontró una disminución de genes a la tetraciclina (tetA y tetW) y la inhibición de genes resistentes a múltiples medicamentos (mdtA, mdtC, mdtK, ompR) con la dosis terapéutica de tetraciclina. Estos hallazgos son fundamentales en la optimización de los esquemas terapéuticos para microorganismos patógenos presentes en aves de corral y soporte para abordar estrategias terapéuticas alternativas a los mismos.

CONCLUSIONES Y PERSPECTIVAS FUTURAS

Fortalecer el conocimiento sobre el microbioma de aves de corral mediante estudios metagenómicos facilita comprender y obtener información detallada sobre la dinámica de las comunidades microbianas y rol de estas en el metabolismo y el estado de salud y bienestar de las aves.

Es importante mencionar que los estudios realizados se enfocan principalmente en identificar el perfil de las poblaciones bacterianas presentes, lo anterior puede estar influido por la enorme diversificación de cada sección del tracto gastrointestinal. Además de las variaciones y desviaciones con respecto a los métodos utilizados para la extracción de ADN, la selección de las regiones hipervariables del gen 16S y la caracterización en general dificultan la comparación de las investigaciones realizadas lo cual conduce a resultados no comparables. En consecuencia, los resultados obtenidos de la identificación de comunidades bacterianas asociadas a diferentes estrategias de alimentación y a la influencia de microorganismos patógenos no pueden ser en su totalidad concluyentes por las diferencias y desviaciones encontradas en los experimentos.

Por lo tanto, para incentivar las investigaciones de la microbiota del tracto gastrointestinal, se debe incluir un método estandarizado, con características similares a las establecidas en el protocolo de investigación del microbioma humano. De esta manera, el estudio de la microbiota del tracto gastrointestinal de aves de corral facilitaría la compresión de las funciones y del papel de los microrganismos en la mediación del crecimiento del huésped bajo diversas condiciones ambientales, como variación en los nutrientes, exposición a patógenos, estrés, entre otros. Con la información obtenida se puede implementar y optimizar la productividad y calidad del huésped teniendo presente que es una de las fuentes principales de proteína del ser humano.

Por otra parte, el uso de secuenciación de próxima generación en estudios metagenómicos en aves de corral proporciona un análisis a gran escala de la biodiversidad y abundancia de microorganismos. Facilitando un análisis completo y complejo de las comunidades microbianas es posible acceder a información en un único análisis sobre la presencia, cantidad, tipo, virulencia, predicción de roles nutricionales y resistencia a antibióticos de un determinado grupo de microorganismos. Por otra parte, este nuevo enfoque metagenómico ha permitido el desarrollo de análisis genómicos funcionales completos para delinear los requisitos genéticos requeridos para la colonización, infección y supervivencia de microorganismos patógenos en condiciones ambientales a las que este se encuentra expuesto. El desarrollo y la aplicación de tales herramientas novedosas de la metagenómica funcional pueden revelar vulnerabilidades desconocidas previamente, las cuales pueden explorarse para desarrollar nuevas intervenciones y romper la cadena de transmisión de microorganismos patógenos en la industria avícola.

AGRADECIMIENTOS

Este trabajo fue apoyado por la financiación del Departamento Administrativo de Ciencia, Tecnología e Innovación (Colciencias). Marcela Mantilla fue apoyada mediante la beca de formación de doctorado N°771 de Colciencias.

REFERENCIAS

Ahir, V. B., Koringa, P. G., Bhatt, V. D., Ramani, U. V., Tripathi, A. K., Singh, K. M., Dhagat, U. M., Patel, J. S., Patel, M. M., Katudia, K. H., Sajnani, M. R., Jakhesara, S. J., & Joshi, C. G. (2010). Metagenomic analysis of poultry gut microbes. Indian Journal of Poultry Science, 45(2), 111. [ Links ]

Amerah, A. M., Péron, A., Zaefarian, F., & Ravindran, V. (2011). Influence of whole wheat inclusion and a blend of essential oils on the performance, nutrient utilisation, digestive tract development and ileal microbiota profile of broiler chickens. British poultry science, 52(1), 124-132. https://doi.org/10.1080/00071668.2010.548791. [ Links ]

Andersen, S. C., Kiil, K., Harder, C. B., Josefsen, M. H., Persson, S., Nielsen, E. M., & Hoorfar, J. (2017). Towards diagnostic metagenomics of Campylobacter in fecal samples. BMC microbiology, 17(1), 133. https://doi.org/10.1186/s12866-017-1041-3. [ Links ]

Apajalahti, J., Kettunen, A., & Graham, H. (2004). Characteristics of the gastrointestinal microbial communities, with special reference to the chicken. World's Poultry Science Journal, 60(2), 223-232. https://doi.org/10.1079/WPS20041. [ Links ]

Arndt, D., Xia, J., Liu, Y., Zhou, Y., Guo, A. C., Cruz, J. A., Sinelnikov, I., Budwill, K., Nesbo, C., & Wishart, D. S. (2012). METAGENassist: a comprehensive web server for comparative metagenomics. Nucleic acids research, 40(W1) , W88-W95. https://doi.org/10.1093/nar/gks49. [ Links ]

Awad, W. A., Mann, E., Dzieciol, M., Hess, C., SchmitzEsser, S., Wagner, M., & Hess, M. (2016). Agerelated differences in the luminal and mucosa-associated gut microbiome of broiler chickens and shifts associated with Campylobacter jejuni infection. Frontiers in cellular and infection microbiology, 6, 154. https://doi.org/10.3389/fcimb.2016.0015. [ Links ]

Ballou, A. L., Ali, R. A., Mendoza, M. A., Ellis, J. C., Hassan, H. M., Croom, W. J., & Koci, M. D. (2016). Development of the chick microbiome: how early exposure influences future microbial diversity. Frontiers in veterinary science, 3, 2. https://doi.org/10.3389/fvets.2016.00002. [ Links ]

Baker, G. C., Smith, J. J., & Cowan, D. A. (2003). Review and re-analysis of domain-specific 16S primers. Journal of microbiological methods, 55(3), 541-555. https://doi.org/10.1016/j.mimet.2003.08.009. [ Links ]

Barnes, E. M., Mead, G. C., Barnuml, D. A., & Harry, E. G. (1972). The intestinal flora of the chicken in the period 2 to 6 weeks of age, with particular reference to the anaerobic bacteria. British poultry science , 13 (3), 311-326. https://doi.org/10.1080/00071667208415953. [ Links ]

Behnam, E., & Smith, A. D. (2014). The Amordad database engine for metagenomics. Bioinformatics, 30(20), 2949-2955. https://doi.org/10.1093/bioinformatics/btu405. [ Links ]

Borda-Molina, D., Vital, M., Sommerfeld, V., Rodehutscord, M., & Camarinha-Silva, A. (2016). Insights into broilers' gut microbiota fed with phosphorus, calcium, and phytase supplemented diets. Frontiers in microbiology, 7, 2033. https://doi.org/10.3389/fmicb.2016.02033. [ Links ]

Bortoluzzi, C., Pedroso, A. A., Mallo, J. J., Puyalto, M., Kim, W. K., & Applegate, T. J. (2017). Sodium butyrate improved performance while modulating the cecal microbiota and regulating the expression of intestinal immune-related genes of broiler chickens. Poultry science, 96 (11), 3981-3993. https://doi.org/10.3382/ps/pex218. [ Links ]

Burbach, K., Seifert, J., Pieper, D. H., & Camarinha-Silva, A. (2016). Evaluation of DNA extraction kits and phylogenetic diversity of the porcine gastrointestinal tract based on Illumina sequencing of two hypervariable regions. Microbiologyopen, 5(1), 70-82. https://doi.org/10.1002/mbo3.312. [ Links ]

Bhogoju, S., Nahashon, S., Wang, X., Darris, C., & Kilonzo-Nthenge, A. (2018). A comparative analysis of microbial profile of Guinea fowl and chicken using metagenomic approach. PloS one, 13(3), e0191029. https://doi.org/10.1371/journal.pone.0191029. [ Links ]

Caporaso, J. G., Kuczynski, J., Stombaugh, J., Bittinger, K., Bushman, F. D., Costello, E., Fierer, N., Gonzalez, A., Goodrich, J., Gordon, J., Huttley, G., Kelley, S., Knights, Dan., Koening, J., Ley, R., Lozupone, C., MacDonald, D., Muegge, B., Pirrung, Meg., Reeder, J., Sevinsky, J., Turnbaugh, P., Walter, W., Widmann, J., Yatsunenko, T., Zaneveld, J., & Knight, R. (2010). QIIME allows analysis of high-throughput community sequencing data. Nature methods, 7(5), 335. https://doi.org/10.1038/nmeth.f.30. [ Links ]

Chivian, D., Dehal, P. S., Keller, K., & Arkin, A. P. (2012). MetaMicrobesOnline: phylogenomic analysis of microbial communities. Nucleic acids research , 41 (D1), D648-D654. https://doi.org/10.1093/nar/gks1202. [ Links ]

Choi, K. Y., Lee, T. K., & Sul, W. J. (2015). Metagenomic analysis of chicken gut microbiota for improving metabolism and health of chickens-a review. Asian-Australasian journal of animal sciences, 28(9), 1217. doi: 10.5713/ajas.15.0026. [ Links ]

Claesson, M. J., Wang, Q., O'Sullivan, O., Greene-Diniz, R., Cole, J. R., Ross, R. P., & O'Toole, P. W. (2010). Comparison of two next-generation sequencing technologies for resolving highly complex microbiota composition using tandem variable 16S rRNA gene regions. Nucleic acids research , 38(22), e200-e200. https://doi.org/10.1093/nar/gkq873. [ Links ]

Colwell, R. K. (2009). Biodiversity: concepts, patterns, and measurement. The Princeton guide to ecology, 257-263. [ Links ]

Danzeisen, J. L., Kim, H. B., Isaacson, R. E., Tu, Z. J., & Johnson, T. J. (2011). Modulations of the chicken cecal microbiome and metagenome in response to anticoccidial and growth promoter treatment. PloS one , 6(11), e27949. https://doi.org/10.1371/journal.pone.0027949. [ Links ]

Davies, R. H., & Wales, A. D. (2010). Investigations into Salmonella contamination in poultry feedmills in the United Kingdom. Journal of applied microbiology, 109(4), 1430-1440. https://doi.org/10.1111/j.1365-2672.2010.04767.x. [ Links ]

De Cesare, A., Palma, F., Lucchi, A., Pasquali, F., & Manfreda, G. (2018). Microbiological profile of chicken carcasses: A comparative analysis using shotgun metagenomic sequencing. Italian journal of food safety, 7 (1). doi: 10.4081/ijfs.2018.6923. [ Links ]

DeSantis, T. Z., Hugenholtz, P., Larsen, N., Rojas, M., Brodie, E. L., Keller, K., Huber, T., Dalevi, D., Hu, P., & Andersen, G. L. (2006). Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Appl. Environ. Microbiol ., 72 (7), 5069-5072. DOI: 10.1128/AEM.03006-05. [ Links ]

Devaney, R., Trudgett, J., Trudgett, A., Meharg, C., & Smyth, V. (2016). A metagenomic comparison of endemic viruses from broiler chickens with runting-stunting syndrome and from normal birds. Avian Pathology, 45(6) , 616-629. https://doi.org/10.1080/03079457.2016.1193123. [ Links ]

Diaz-Sanchez, S., Hanning, I., Pendleton, S., & D'Souza, D. (2013). Next-generation sequencing: the future of molecular genetics in poultry production and food safety. Poultry science , 92(2), 562-572. https://doi.org/10.3382/ps.2012-02741. [ Links ]

Ding, J., Zhao, L., Wang, L., Zhao, W., Zhai, Z., Leng, L., Wang, Y., He, C., Zhang, Y., Zhang, H., Li, H., & Meng, H. (2016). Divergent selection-induced obesity alters the composition and functional pathways of chicken gut microbiota. Genetics Selection Evolution, 48(1), 93. https://doi.org/10.1186/s12711-016-0270-5. [ Links ]

Ding, J., Dai, R., Yang, L., He, C., Xu, K., Liu, S., Zhao, W., Xiao, L., Luo, L., Zhag, Y., & Meng, H. (2017). Inheritance and establishment of gut microbiota in chickens. Frontiers in microbiology, 8, 1967. https://doi.org/10.3389/fmicb.2017.01967. [ Links ]

Donaldson, E. E., Stanley, D., Hughes, R. J., & Moore, R. J. (2017). The time-course of broiler intestinal microbiota development after administration of cecal contents to incubating eggs. PeerJ, 5, e3587. DOI: 10.7717/peerj.3587/supp-1. [ Links ]

Dudhagara, P., Bhavsar, S., Bhagat, C., Ghelani, A., Bhatt, S., & Patel, R. (2015). Web resources for metagenomics studies. Genomics, proteomics & bioinformatics, 13(5), 296-303. https://doi.org/10.1016/j.gpb.2015.10.003. [ Links ]

Eriksson, P., Mourkas, E., González-Acuna, D., Olsen, B., & Ellström, P. (2017). Evaluation and optimization of microbial DNA extraction from fecal samples of wild Antarctic bird species. Infection Ecology & Epidemiology, 7(1) ,1386536. https://doi.org/10.1080/20008686.2017.1386536. [ Links ]

Ferrario, C., Alessandri, G., Mancabelli, L., Gering, E., Mangifesta, M., Milani, C.,Lugli, G., Viappiani, A., Duranti, S., Turroni, F., Ossiprandi, M., Hiyashi, R., Mackie, R., Sinderen, D., & Ventura, M. (2017). Untangling the cecal microbiota of feral chickens by culturomic and metagenomic analyses. Environmental microbiology, 19(11), 4771-4783. https://doi.org/10.1111/1462-2920.13943Links ]

Gaskins, H. R., Collier, C. T., & Anderson, D. B. (2002). Antibiotics as growth promotants: mode of action. Animal biotechnology, 13(1), 29-42. https://doi.org/10.1081/ABIO-120005768. [ Links ]

Gill, F. B. (2014). Species taxonomy of birds: which null hypothesis? The Auk: Ornithological Advances, 131 (2), 150-161. https://doi.org/10.1642/AUK-13-206.1. [ Links ]

Gong, J., Yu, H., Liu, T., Gill, J. J., Chambers, J. R., Wheatcroft, R., & Sabour, P. M. (2008). Effects of zinc bacitracin, bird age and access to range on bacterial microbiota in the ileum and caeca of broiler chickens. Journal of applied microbiology , 104(5), 1372-1382. https://doi.org/10.1111/j.1365-2672.2007.03699.x. [ Links ]

Grizard, S., Dini-Andreote, F., Tieleman, B. I., & Salles, J. F. (2014). Dynamics of bacterial and fungal communities associated with eggshells during incubation. Ecology and evolution, 4(7), 1140-1157. https://doi.org/10.1002/ece3.1011. [ Links ]

Haas, B. J., Gevers, D., Earl, A. M., Feldgarden, M., Ward, D. V., Giannoukos, G., Ciulla, D., Tabba, D., Highlander, S., Sordergren, E., Methé, B., & DeSantais, T. (2011). Chimeric 16S rRNA sequence formation and detection in Sanger and 454-pyrosequenced PCR amplicons. Genome research, 21(3), 494-504. http://www.genome.org/cgi/doi/10.1101/gr.112730.110. [ Links ]

Hamady, M., & Knight, R. (2009). Microbial community profiling for human microbiome projects: tools, techniques, and challenges. Genome research , 19(7), 1141-1152. http://www.genome.org/cgi/doi/10.1101/gr.085464.108. [ Links ]

Hammons, S., Oh, P. L., Martínez, I., Clark, K., Schlegel, V. L., Sitorius, E., Scheideler, S., & Walter, J. (2010). A small variation in diet influences the Lactobacillus strain composition in the crop of broiler chickens. Systematic and applied microbiology, 33(5), 275-281. https://doi.org/10.1016/j.syapm.2010.04.003. [ Links ]

Hang, J., Desai, V., Zavaljevski, N., Yang, Y., Lin, X., Satya, R. V., Martínez, L., Blaylock, J., Jarman, R., Thomas, S., & Kuschner, R. A. (2014). 16S rRNA genepyrosequencing of reference and clinical samples and investigation of the temperature stability of microbiome profiles. Microbiome, 2(1), 31. https://doi.org/10.1186/2049-2618-2-31. [ Links ]

Hou, Q., Kwok, L. Y., Zheng, Y., Wang, L., Guo, Z., Zhang, J., Huang, W., Wang, Y., & Zhang, H. (2016). Differential fecal microbiota are retained in broiler chicken lines divergently selected for fatness traits. Scientific reports, 6, 37376. https://doi.org/10.1038/srep37376. [ Links ]

Huang, P., Zhang, Y., Xiao, K., Jiang, F., Wang, H., Tang, D., Liu, B., Liu, Y., He, X., Liu, H., Liu, X., Oing, Z., Liu, C., Huang, J., Ren, Y., Yun, L., Yin, L., Lin, O., Zeng, C., Su, X., Yuan, J., Lin, L., Hu, N., Cao, H., Huang, S., Guo, Y., Fan, W., & Zeng, J. (2018). The chicken gut metagenome and the modulatory effects of plant-derived benzylisoquinoline alkaloids. Microbiome, 6 (1), 211. https://doi.org/10.1186/s40168-018-0590-5. [ Links ]

Hughes, J. B., Hellmann, J. J., Ricketts, T. H., & Bohannan, B. J. (2001). Counting the uncountable: statistical approaches to estimating microbial diversity. Appl. Environ. Microbiol ., 67(10), 4399-4406. DOI: 10.1128/AEM.67.10.4399-4406.2001. [ Links ]

Hunter, S., Corbett, M., Denise, H., Fraser, M., Gonzalez-Beltran, A., Hunter, C., Jones, P., Leionen, R., McAnulla, C., Maguire, E., Maslen, J., Mitchell, A., Nuka, G., Oisel, A., Pesseat, S., Radhakrishnan, R., Rocca, P., Scheremetjew, M., Sterk, P., Vaughan, D., Cochrane, G., Field, D., & Sansone, S. (2013). EBI metagenomics-a new resource for the analysis and archiving of metagenomic data. Nucleic acids research , 42(D1), D600-D606. https://doi.org/10.1093/nar/gkt961. [ Links ]

Jia, W., Slominski, B. A., Bruce, H. L., Blank, G., Crow, G., & Jones, O. (2009). Effects of diet type and enzyme addition on growth performance and gut health of broiler chickens during subclinical Clostridium perfringens challenge. Poultry science , 88(1), 132-140. https://doi.org/10.3382/ps.2008-00204. [ Links ]

Josefsen, M. H., Andersen, S. C., Christensen, J., & Hoorfar, J. (2015). Microbial food safety: Potential of DNA extraction methods for use in diagnostic metagenomics. Journal of microbiological methods, 114, 30-34. https://doi.org/10.1016/j.mimet.2015.04.01. [ Links ]

Jumpstart Consortium Human Microbiome Project Data Generation Working Group. (2012). Evaluation of 16S rDNA-based community profiling for human microbiome research. PloS one , 7(6), e39315. https://doi.org/10.1371/journal.pone.0039315. [ Links ]

Kuczynski, J., Lauber, C. L., Walters, W. A., Parfrey, L. W., Clemente, J. C., Gevers, D., & Knight, R. (2012). Experimental and analytical tools for studying the human microbiome. Nature Reviews Genetics, 13(1), 47. https://doi.org/10.1038/nrg3129. [ Links ]

Lan, P. T. N., Hayashi, H., Sakamoto, M., & Benno, Y. (2002). Phylogenetic analysis of cecal microbiota in chicken by the use of 16S rDNA clone libraries. Microbiology and immunology, 46(6), 371-382. https://doi.org/10.1111/j.1348-0421.2002.tb02709.x. [ Links ]

Lee, S., La, T. M., Lee, H. J., Choi, I. S., Song, C. S., Park, S. Y., Lee, J., & Lee, S. W. (2019). Characterization of microbial communities in the chicken oviduct and the origin of chicken embryo gut microbiota. Scientific reports, 9(1), 6838. https://doi.org/10.1038/s41598-019-43280-w. [ Links ]

Lingner, T., Aßhauer, K. P., Schreiber, F., & Meinicke, P. (2011). CoMet-a web server for comparative functional profiling of metagenomes. Nucleic acids research , 39(suppl_2), W518-W523. https://doi.org/10.1093/nar/gkr388. [ Links ]

Liu, Z., DeSantis, T. Z., Andersen, G. L., & Knight, R. (2008). Accurate taxonomy assignments from 16S rRNA sequences produced by highly parallel pyrosequencers. Nucleic acids research , 36(18), e120-e120. https://doi.org/10.1093/nar/gkn491. [ Links ]

Lu, J., Idris, U., Harmon, B., Hofacre, C., Maurer, J. J., & Lee, M. D. (2003). Diversity and succession of the intestinal bacterial community of the maturing broiler chicken. Appl. Environ. Microbiol ., 69(11), 6816-6824. DOI: 10.1128/AEM.69.11.6816-6824.2003. [ Links ]

Luo, C., Rodriguez-r, L. M., & Konstantinidis, K. T. (2014). MyTaxa: an advanced taxonomic classifier for genomic and metagenomic sequences. Nucleic acids research , 42 (8), e73-e73. https://doi.org/10.1093/nar/gku169. [ Links ]

Ma, L., Xia, Y., Li, B., Yang, Y., Li, L. G., Tiedje, J. M., & Zhang, T. (2015). Metagenomic assembly reveals hosts of antibiotic resistance genes and the shared resistome in pig, chicken, and human feces. Environmental science & technology, 50(1), 420-427. https://doi.org/10.1021/acs.est.5b03522. [ Links ]

Mandal, R. S., Saha, S., & Das, S. (2015). Metagenomic surveys of gut microbiota. Genomics, proteomics & bioinformatics , 13(3), 148-158. https://doi.org/10.1016/j.gpb.2015.02.005. [ Links ]

Marchesi, J. R., & Ravel, J. (2015). The vocabulary of microbiome research: a proposal. https://doi.org/10.1186/s40168-015-0094-5. [ Links ]

Martín-Platero, A. M., Peralta-Sánchez, J. M., Soler, J. J., & Martínez-Bueno, M. (2010). Chelex-based DNA isolation procedure for the identification of microbial communities of eggshell surfaces. Analytical biochemistry, 397(2), 253-255. https://doi.org/10.1016/j.ab.2009.10.041. [ Links ]

Medinger, R., Nolte, V., Pandey, R. V., Jost, S., Ottenwaelder, B., Schloetterer, C., & Boenigk, J. (2010). Diversity in a hidden world: potential and limitation of next-generation sequencing for surveys of molecular diversity of eukaryotic microorganisms. Molecular ecology, 19, 32-40. https://doi.org/10.1111/j.1365-294X.2009.04478.x. [ Links ]

Meng, H., Zhang, Y., Zhao, L., Zhao, W., He, C., Honaker, C. F., Zhai, Z., Sun, Z., & Siegel, P. B. (2014). Body weight selection affects quantitative genetic correlated responses in gut microbiota. PLoS One, 9 (3), e89862. https://doi.org/10.1371/journal.pone.0089862. [ Links ]

Metzker, M. L. (2010). Sequencing technologies-the next generation. Nature reviews genetics, 11 (1), 31. https://doi.org/10.1038/nrg2626. [ Links ]

Meyer, A., Todt, C., Mikkelsen, N. T., & Lieb, B. (2010). Fast evolving 18S rRNA sequences from Solenogastres (Mollusca) resist standard PCR amplification and give new insights into mollusk substitution rate heterogeneity. BMC evolutionary biology, 10(1), 70. https://doi.org/10.1186/1471-2148-10-7. [ Links ]

Morgan, X. C., Segata, N., & Huttenhower, C. (2013). Biodiversity and functional genomics in the human microbiome. Trends in genetics, 29(1), 51-58. https://doi.org/10.1016/j.tig.2012.09.005. [ Links ]

Mottet, A., & Tempio, G. (2017). Global poultry production: current state and future outlook and challenges. World's Poultry Science Journal , 73(2), 245-256. https://doi.org/10.1017/S0043933917000071. [ Links ]

Neelakanta, G., & Sultana, H. (2013). The use of metagenomic approaches to analyze changes in microbial communities. Microbiology insights, 6, MBI-S10819. https://doi.org/10.4137/MBI.S10819. [ Links ]

Neira, C., Laca, A., Laca, A., & Díaz, M. (2017). Microbial diversity on commercial eggs as affected by the production system. A first approach using PGM. International journal of food microbiology, 262, 3-7. https://doi.org/10.1016/j.ijfoodmicro.2017.09.008. [ Links ]

OECD/FAO. (2018). OECD-FAO Agricultural Outlook 2018-2027. OECD Publishing, Paris/FAO, Rome. https://doi.org/10.1787/agr_outlook-2018-e. [ Links ]

OECD/FAO. (2014). OECD-FAO. Perspectivas Agrícolas 2014-2023. OECD Publishing. http://dx.doi.org/10.1787/agr_outlook-2014-es. [ Links ]

Olsen, R., Kudirkiene, E., Thofner, I., Pors, S., Karlskov-Mortensen, P., Li, L., Papasolomontos, S., Angastiniotou, C., & Christensen, J. (2017). Impact of egg disinfection of hatching eggs on the eggshell microbiome and bacterial load. Poultry science , 96(11), 3901-3911. https://doi.org/10.3382/ps/pex182. [ Links ]

O'Hara, A. M., & Shanahan, F. (2006). The gut flora as a forgotten organ. EMBO reports, 7(7), 688-693. https://doi.org/10.1038/sj.embor.7400731. [ Links ]

Ounit, R., Wanamaker, S., Close, T. J., & Lonardi, S. (2015). CLARK: fast and accurate classification of metagenomic and genomic sequences using discriminative k-mers. BMC genomics, 16(1), 236. https://doi.org/10.1186/s12864-015-1419-2. [ Links ]

Pan, D., & Yu, Z. (2014). Intestinal microbiome of poultry and its interaction with host and diet. Gut microbes, 5 (1), 108-119. https://doi.org/10.4161/gmic.26945. [ Links ]

Pareek, C. S., Smoczynski, R., & Tretyn, A. (2011). Sequencing technologies and genome sequencing. Journal of applied genetics, 52(4), 413-435. https://doi.org/10.1007/s13353-011-0057-x. [ Links ]

Pineda-Quiroga, C., Camarinha-Silva, A., Atxaerandio, R., Ruiz, R., & García-Rodríguez, A. (2017). Changes in broiler performance, duodenal histomorphometry, and caeca microbiota composition in response to wheat-barley based diets supplemented with non-antibiotic additives. Animal feed science and technology, 234, 1-9. https://doi.org/10.1016/j.anifeedsci.2017.09.002. [ Links ]

Pruesse, E., Quast, C., Knittel, K., Fuchs, B. M., Ludwig, W., Peplies, J., & Glöckner, F. O. (2007). SILVA: a comprehensive online resource for quality checked and aligned ribosomal RNA sequence data compatible with ARB. Nucleic acids research , 35(21), 7188-7196. https://doi.org/10.1093/nar/gkm864. [ Links ]

Qu, A., Brulc, J. M., Wilson, M. K., Law, B. F., Theoret, J. R., Joens, L. A., ... & Nelson, K. E. (2008). Comparative metagenomics reveals host specific metavirulomes and horizontal gene transfer elements in the chicken cecum microbiome. PloS one , 3(8), e2945. https://doi.org/10.1371/journal.pone.0002945. [ Links ]

Ríos, S., & Ríos, L. (2011). Principal molecular markers used to identify Babesia bovis and Babesia bigemina. Revista MVZ Córdoba, 16(2), 2470-2483. [ Links ]

Roux, S., Tournayre, J., Mahul, A., Debroas, D., & Enault, F. (2014). Metavir 2: new tools for viral metagenome comparison and assembled virome analysis. BMCbio informatics, 75(1), 76. https://doi.org/10.1186/1471-2105-15-76. [ Links ]

Schloss, P. D., Westcott, S. L., Ryabin, T., Hall, J. R., Hartmann, M., Hollister, E. B., Lesniewski, B., Oakley, B., Parks, D., Robinson, C., Sahl, J., Stress, B., Thallinger, G. , Van Horn, D., & Weber, C. (2009). Introducing mothur: open-source, platform-independent, community-supported software for describing and comparing microbial communities. Appl. Environ. Microbiol ., 75 (23), 7537-7541. DOI: 10.1128/AEM.01541-09. [ Links ]

Schmid, M., Nanda, I., Guttenbach, M., Steinlein, C., Hoehn, M., Schartl, M., Haaf, T., Weigend, S., Fries, R., Buerstedde, J., Wimmers, K., Burt, D., Smith, J., A'Hara, S., Law, A., Griffin, D., Bumstead, N., Kaufman, J., Thomson, P., Burke, T., Groenen, M., Crooji-mans, R., Vignal, A., Fillon, V., Morisson, M., Pitel, F., Tixier-Boichard, M., Ladjali-Mohammedi, K., Hillel, J., Maki-Tania, A., Cheng, H., Delany, M., Burside, J., & Mizuno, S. (2000). First report on chicken genes and chromosomes 2000. Cytogenetic and Genome Research, 90(3-4), 169-218. https://doi.org/10.1159/000056772. [ Links ]

Shaufi, M. A. M., Sieo, C. C., Chong, C. W., Gan, H. M., & Ho, Y. W. (2015). Deciphering chicken gut microbial dynamics based on high-throughput 16S rRNA metagenomics analyses. Gut pathogens, 7(1), 4. https://doi.org/10.1186/s13099-015-0051-7. [ Links ]

Sergeant, M. J., Constantinidou, C., Cogan, T., Penn, C. W., & Pallen, M. J. (2012). High-throughput sequencing of 16S rRNA gene amplicons: effects of extraction procedure, primer length and annealing temperature. PloS one , 7(5), e38094. https://doi.org/10.1371/journal.pone.0038094. [ Links ]

Sergeant, M. J., Constantinidou, C., Cogan, T. A., Bedford, M. R., Penn, C. W., & Pallen, M. J. (2014). Extensive microbial and functional diversity within the chicken cecal microbiome. PloS one , 9(3), e91941. https://doi.org/10.1371/journal.pone.0091941. [ Links ]

Seshadri, R., Kravitz, S. A., Smarr, L., Gilna, P., & Frazier, M. (2007). CAMERA: a community resource for metagenomics. PLoS biology, 5(3), e75. https://doi.org/10.1371/journal.pbio.0050075. [ Links ]

Sharpton, T. J. (2014). An introduction to the analysis of shotgun metagenomic data. Frontiers in plant science, 5, 209. https://doi.org/10.3389/fpls.2014.00209. [ Links ]

Simon, C., & Daniel, R. (2011). Metagenomic analyses: past and future trends. Appl. Environ. Microbiol ., 77 (4), 1153-1161. DOI: 10.1128/AEM.02345-10. [ Links ]

Singh, K. M., Shah, T. M., Reddy, B., Deshpande, S., Rank, D. N., & Joshi, C. G. (2014). Taxonomic and gene-centric metagenomics of the fecal microbiome of low and high feed conversion ratio (FCR) broilers. Journal of applied genetics , 55(1), 145-154. https://doi.org/10.1007/s13353-013-0179-4. [ Links ]

Smulikowska, S. (2006). Manipulation of the poultry ecosystem through biotechnology. In Biology of Growing Animals (Vol. 4, pp. 597-609). Elsevier. https://doi.org/10.1016/S1877-1823(09)70108-0. [ Links ]

Stanley, D., Denman, S. E., Hughes, R. J., Geier, M. S., Crowley, T. M., Chen, H., Haring, V., & Moore, R. J. (2012). Intestinal microbiota associated with differential feed conversion efficiency in chickens. Applied microbiology and biotechnology, 96(5), 1361-1369. https://doi.org/10.1007/s00253-011-3847-. [ Links ]

Stanley, D., Geier, M. S., Hughes, R. J., Denman, S. E., & Moore, R. J. (2013). Highly variable microbiota development in the chicken gastrointestinal tract. PloS one , 8(12), e84290. https://doi.org/10.1371/journal.pone.0084290. [ Links ]

Su, C. H., Hsu, M. T., Wang, T. Y., Chiang, S., Cheng, J. H., Weng , F. C., Kao, C. Y., Wang, D., & Tsai, H. K. (2011). MetaABC-an integrated metagenomics platform for data adjustment, binning and clustering. Bioinformatics , 27(16), 2298-2299. https://doi.org/10.1093/bioinformatics/btr376. [ Links ]

Thomas, T., Gilbert, J., & Meyer, F. (2012). Metagenomics-a guide from sam pling to data analysis. Microbial informatics and experimentation, 2 (1), 3. https://doi.org/10.1186/2042-5783-2-3. [ Links ]

Tong, P., Ji, X., Chen, L., Liu, J., Xu, L., Zhu, L., Zhou, W., Liu, G., Wang, S., Guo, X., Feng, S., & Sun, Y. (2017). Metagenome analysis of antibiotic resistance genes in fecal microbiota of chickens. Agri Gene, 5, 1-6. https://doi.org/10.1016/j.aggene.2017.06.001. [ Links ]

Torok, V. A., Allison, G. E., Percy, N. J., Ophel-Keller, K., & Hughes, R. J. (2011). Influence of antimicrobial feed additives on broiler commensal posthatch gut microbiota development and performance. Appl. Environ. Microbiol ., 77(10), 3380-3390. DOI: 10.1128/AEM.02300-10. [ Links ]

Varmuzova, K., Kubasova, T., Davidova-Gerzova, L., Sisak, F., Havlickova, H., Sebkova, A., Faldynova, M., & Rych-lik, I. (2016). Composition of gut microbiota influences resistance of newly hatched chickens to Salmonella Enteritidis infection. Frontiers in microbiology , 7, 957. https://doi.org/10.3389/fmicb.2016.00957. [ Links ]

Videnska, P., Sedlar, K., Lukac, M., Faldynova, M., Gerzova, L., Cejkova, D., Sisak, F., & Rychlik, I. (2014). Succession and replacement of bacterial populations in the caecum of egg laying hens over their whole life. PLoS One, 9(12), e115142. https://doi.org/10.1371/journal.pone.0115142. [ Links ]

Vieira, D. A., Cabral, L., Noronha, M. F., Júnior, G. V., & Sant'Ana, A. S. (2019). Microbiota of eggs revealed by 16S rRNA-based sequencing: From raw materials produced by different suppliers to chilled pasteurized liquid products. Food control, 96, 194-204. https://doi.org/10.1016/j.foodcont.2018.09.016. [ Links ]

Wang, L., Lilburn, M., & Yu, Z. (2016). Intestinal micro-biota of broiler chickens as affected by litter management regimens. Frontiers in microbiology , 7, 593. https://doi.org/10.3389/fmicb.2016.00593. [ Links ]

Wang, S., Chen, L., He, M., Shen, J., Li, G., Tao, Z., Wu, R., & Lu, L. (2018). Different rearing conditions alter gut microbiota composition and host physiology in Shaoxing ducks. Scientific reports , 8(1), 7387. https://doi.org/10.1038/s41598-018-25760-7. [ Links ]

Wei, S., Lilburn, M., & Yu, Z. (2016). The bacteriomes of ileal mucosa and cecal content of broiler chickens and turkeys as revealed by metagenomic analysis. International journal of microbiology, 2016. http://dx.doi.org/10.1155/2016/4320412. [ Links ]

Wise, M. G., & Siragusa, G. R. (2007). Quantitative analysis of the intestinal bacterial community in oneto three-week-old commercially reared broiler chickens fed conventional or antibiotic-free vegetable-based diets. Journal of applied microbiology , 102(4), 1138-1149. https://doi.org/10.1111/j.1365-2672.2006.03153.x. [ Links ]

Wommack, K. E., Bhavsar, J., Polson, S. W., Chen, J., Dumas, M., Srinivasiah, S., Furman, M., Jamindar, S., & Nasko, D. J. (2012). VIROME: a standard operating procedure for analysis of viral metagenome sequences. Standards in genomic sciences, 6(3), 421. DOI:10.4056/sigs.2945050. [ Links ]

Xiong, W., Wang, Y., Sun, Y., Ma, L., Zeng, Q., Jiang, X., Li, A., Zeng, Z., & Zhang, T. (2018). Antibioticmediated changes in the fecal microbiome of broiler chickens define the incidence of antibiotic resistance genes. Microbiome, 6(1), 34. https://doi.org/10.1186/s40168-018-0419-2. [ Links ]

Yan, W., Sun, C., Yuan, J., & Yang, N. (2017). Gut metagenomic analysis reveals prominent roles of Lactobacillus and cecal microbiota in chicken feed efficiency. Scientific reports, 7, 45308. https://doi.org/10.1038/srep45308. [ Links ]

Yeoman, C. J., Chia, N., Jeraldo, P., Sipos, M., Goldenfeld, N. D., & White, B. A. (2012). The microbiome of the chicken gastrointestinal tract. Animal Health Research Reviews, 13(1), 89-99. DOI: https://doi.org/10.1017/S1466252312000138. [ Links ]

Yu, Z., & Morrison, M. (2004). Improved extraction of PCR-quality community DNA from digesta and fecal samples. Biotechniques, 36(5), 808-812. https://doi.org/10.2144/04365ST04. [ Links ]

Zhao, L., Wang, G., Siegel, P., He, C., Wang, H., Zhao, W., Zhai, Z., Tian, F., Zhao, J., Zhang, H., Sun, Z., Chen, W., Zhang, Y., & Meng, H. (2013). Quantitative genetic background of the host influences gut microbiomes in chickens. Scientific reports , 3, 1163. https://doi.org/10.1038/srep01163. [ Links ]

Zhao, Y., Li, K., Luo, H., Duan, L., Wei, C., Wang, M., Jim, J., Liu, S., Mehmood, K., & Shahzad, M. (2019). Comparison of the Intestinal Microbial Community in Ducks Reared Differently through High-Throughput Sequencing. BioMed research international, 2019. https://doi.org/10.1155/2019/9015054. [ Links ]

Zhu, X. Y., Zhong, T., Pandya, Y., & Joerger, R. D. (2002). 16S rRNA-based analysis of microbiota from the ce-cum of broiler chickens. Appl. Environ. Microbiol ., 68 (1), 124-137. DOI: 10.1128/AEM.68.1.124-137.2002. [ Links ]

Recibido: 11 de Marzo de 2019; Aprobado: 28 de Agosto de 2019

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons