Abstract Over the past decade several studies have reported that the gut microbiomes of mammals with similar dietary niches exhibit similar compositional and functional traits. However, these studies rely heavily on samples from captive individuals and often confound host phylogeny, gut morphology, and diet. To more explicitly test the influence of host dietary niche on the mammalian gut microbiome we use 16S rRNA gene amplicon sequencing and shotgun metagenomics to compare the gut microbiota of 18 species of wild non-human primates classified as either folivores or closely related non-folivores, evenly distributed throughout the primate order and representing a range of gut morphological specializations. While folivory results in some convergent microbial traits, collectively we show that the influence of host phylogeny on both gut microbial composition and function is much stronger than that of host dietary niche. This pattern does not result from differences in host geographic location or actual dietary intake at the time of sampling, but instead appears to result from differences in host physiology. These findings indicate that mammalian gut microbiome plasticity in response to dietary shifts over both the lifespan of an individual host and the evolutionary history of a given host species is constrained by host physiological evolution. Therefore, the gut microbiome cannot be considered separately from host physiology when describing host nutritional strategies and the emergence of host dietary niches.

Concussions, both single and repetitive, cause brain and body alterations in athletes during contact sports. The role of the brain-gut connection and changes in the microbiota have not been well established after sports-related concussions or repetitive subconcussive impacts. We recruited 33 Division I Collegiate football players and collected blood, stool, and saliva samples at three time points throughout the athletic season: mid-season, following the last competitive game (post-season), and after a resting period in the off-season. Additional samples were collected from four athletes that suffered from a concussion. 16S rRNA sequencing of the gut microbiome revealed a decrease in abundance for two bacterial species, Eubacterium rectale, and Anaerostipes hadrus, after a diagnosed concussion. No significant differences were found regarding the salivary microbiome. Serum biomarker analysis shows an increase in GFAP blood levels in athletes during the competitive season. Additionally, S100β and SAA blood levels were positively correlated with the abundance of Eubacterium rectale species among the group of athletes that did not suffer a diagnosed concussion during the sports season. These findings provide initial evidence that detecting changes in the gut microbiome may help to improve concussion diagnosis following head injury.

ABSTRACT 16S rRNA based analysis is the established standard for elucidating microbial community composition. While short read 16S analyses are largely confined to genus-level resolution at best since only a portion of the gene is sequenced, full-length 16S sequences have the potential to provide species-level accuracy. However, existing taxonomic identification algorithms are not optimized for the increased read length and error rate of long-read data. Here we present Emu, a novel approach that employs an expectation-maximization (EM) algorithm to generate taxonomic abundance profiles from full-length 16S rRNA reads. Results produced from one simulated data set and two mock communities prove Emu capable of accurate microbial community profiling while obtaining fewer false positives and false negatives than alternative methods. Additionally, we illustrate a real-world application of our new software by comparing clinical sample composition estimates generated by an established whole-genome shotgun sequencing workflow to those returned by full-length 16S sequences processed with Emu.

Abstract Motivation Since 2016, the number of microbial species with available reference genomes in NCBI has more than tripled. Multiple genome alignment, the process of identifying nucleotides across multiple genomes which share a common ancestor, is used as the input to numerous downstream comparative analysis methods. Parsnp is one of the few multiple genome alignment methods able to scale to the current era of genomic data; however, there has been no major release since its initial release in 2014. Results To address this gap, we developed Parsnp v2, which significantly improves on its original release. Parsnp v2 provides users with more control over executions of the program, allowing Parsnp to be better tailored for different use-cases. We introduce a partitioning option to Parsnp, which allows the input to be broken up into multiple parallel alignment processes which are then combined into a final alignment. The partitioning option can reduce memory usage by over 4x and reduce runtime by over 2x, all while maintaining a precise core-genome alignment. The partitioning workflow is also less susceptible to complications caused by assembly artifacts and minor variation, as alignment anchors only need to be conserved within their partition and not across the entire input set. We highlight the performance on datasets involving thousands of bacterial and viral genomes. Availability Parsnp is available at https://github.com/marbl/parsnp

Abstract Interactions among microbes within microbial communities have been shown to play crucial roles in human health. In spite of recent progress, low-level knowledge of bacteria driving microbial interactions within microbiomes remains unknown, limiting our ability to fully understand and control microbial communities. In this study, we present a novel approach for identifying driver species within microbiomes. Bakdrive infers ecological networks of given metagenomic sequencing samples and identifies minimum sets of driver species using control theory. Bakdrive has three key innovations in this space: (i) it leverages inherent information from metagenomic sequencing samples to identify driver species, (ii) it explicitly takes host-specific variation into consideration, and (iii) it does not require a known ecological network. In extensive simulated data, we demonstrate identifying driver species identified from healthy donor samples and introducing them to the disease samples, we can restore the gut microbiome in recurrent Clostridioides difficile infection patients to a healthy state. We also applied Bakdrive to two real datasets, rCDI and Crohn’s disease patients, uncovering driver species consistent with previous work. In summary, Bakdrive provides a novel approach for teasing apart microbial interactions. Bakdrive is open-source and available at https://gitlab.com/treangenlab/bakdrive

The estimation of multiple sequence alignments of protein sequences is a basic step in many bioinformatics pipelines, including protein structure prediction, protein family identification, and phylogeny estimation. Statistical co-estimation of alignments and trees under stochastic models of sequence evolution has long been considered the most rigorous technique for estimating alignments and trees, but little is known about the accuracy of such methods on biological benchmarks. We report the results of an extensive study evaluating the most popular protein alignment methods as well as the statistical co-estimation method BAli-Phy on 1192 protein data sets from established benchmarks as well as on 120 simulated data sets. Our study (which used more than 230 CPU years for the BAli-Phy analyses alone) shows that BAli-Phy is dramatically more accurate than the other alignment methods on the simulated data sets, but is among the least accurate on the biological benchmarks. There are several potential causes for this discordance, including model misspecification, errors in the reference alignments, and conflicts between structural alignment and evolutionary alignments; future research is needed to understand the most likely explanation for our observations.

The advent of long-read sequencing of microbiomes necessitates the development of new taxonomic profilers tailored to long-read shotgun metagenomic datasets. Here, we introduce Lemur and Magnet, a pair of tools optimized for lightweight and accurate taxonomic profiling for long-read shotgun metagenomic datasets. Lemur is a marker-gene-based method that leverages an EM algorithm to reduce false positive calls while preserving true positives; Magnet is a whole-genome read mapping based method that provides detailed presence and absence calls for bacterial genomes. We demonstrate that Lemur and Magnet can run in minutes to hours on a laptop with 32 GB of RAM, even for large inputs, a crucial feature given the portability of long-read sequencing machines. Furthermore, the marker gene database used by Lemur is only 4 GB and contains information from over 300,000 RefSeq genomes. Lemur and Magnet are open-source and available at https://github.com/treangenlab/lemur and https://github.com/treangenlab/magnet.

Characterizing metagenomic samples via kmer-based, database-dependent taxonomic classification methods has provided crucial insight into underlying host-associated microbiome dynamics. However,novel approaches are needed that are able to track microbial community dynamics within metagenomes to elucidate genome flux in response to perturbations and disease states. Here we describe KOMB, a novel approach for tracking homologous regions within microbiomes. KOMB utilizes K-core graph decomposition on metagenome assembly graphs to identify repetitive and homologous regions to varying degrees of resolution. K-core performs a hierarchical decomposition which partitions the graph into shells containing nodes having degree at least K, called K-shells, yielding O(V + E) complexity compared to exact betweenness centrality complexity of O(VE) found in prior related approaches. We show through rigorous validation on simulated, synthetic, and real metagenomic datasets that KOMB accurately recovers and profiles repetitive and homologous genomic regions across organisms in the sample. KOMB can also identify functionally-rich regions in Human Microbiome Project (HMP) datasets and can be used to analyze longitudinal data and identify pivotal taxa in fecal microbiota transplantation (FMT) samples. In summary, KOMB represents a novel approach to microbiome characterization that can efficiently identify sequences of interest in metagenomes.

ABSTRACT The COVID-19 pandemic forever underscored the need for biosurveillance platforms capable of rapid detection of previously unseen pathogens. Oxford Nanopore Technology (ONT) couples long-read sequencing with in-field capability, opening the door to real-time, in-field biosurveillance. Though a promising technology, streaming assignment of accurate functional and taxonomic labels with nanopore reads remains challenging given: (i) individual reads can span multiple genes, (ii) individual reads may contain truncated genes, and pseudogenes, (iii) the error rate of the ONT platform that may introduce frameshifts and missense errors, and (iv) the computational costs of read-by-read analysis may exceed that of in-field computational equipment. Altogether, these challenges highlight a need for novel computational approaches. To this end, we describe SeqSeqscreen-Nano, a novel and portable computational platform for the characterization of novel pathogens. Based on results from simulated and synthetic microbial communities, SeqScreen-Nano can identify Open Reading Frames (ORFs) across the length of raw ONT reads and then use the predicted ORFs for accurate functional characterization and taxonomic classification. SeqScreen-Nano can run efficiently in a memory-constrained environment (less than 32GB of RAM), allowing it to be utilized in resource-limited settings. SeqScreen-Nano can also process reads directly from the ONT MinlON sequencing device, enabling rapid, in-field characterization of previously unseen pathogens. SeqScreen-Nano (v4.0) is available on GitLab at: https://gitlab.com/treangenlab/seqscreen