The BioMart Community Portal (www.biomart.org) is a community-driven effort to provide a unified interface to biomedical databases that are distributed worldwide. The portal provides access to numerous database projects supported by 30 scientific organizations. It includes over 800 different biological datasets spanning genomics, proteomics, model organisms, cancer data, ontology information and more. All resources available through the portal are independently administered and funded by their host organizations. The BioMart data federation technology provides a unified interface to all the available data. The latest version of the portal comes with many new databases that have been created by our ever-growing community. It also comes with better support and extensibility for data analysis and visualization tools. A new addition to our toolbox, the enrichment analysis tool is now accessible through graphical and web service interface. The BioMart community portal averages over one million requests per day. Building on this level of service and the wealth of information that has become available, the BioMart Community Portal has introduced a new, more scalable and cheaper alternative to the large data stores maintained by specialized organizations.

Objective

 The gut microbiota, which is considered a causal factor in metabolic diseases as shown best in animals, is under the dual influence of the host genome and nutritional environment. This study investigated whether the gut microbiota per se, aside from changes in genetic background and diet, could sign different metabolic phenotypes in mice. 

Methods

 The unique animal model of metabolic adaptation was used, whereby C57Bl/6 male mice fed a high-fat carbohydrate-free diet (HFD) became either diabetic (HFD diabetic, HFD-D) or resisted diabetes (HFD diabetes-resistant, HFD-DR). Pyrosequencing of the gut microbiota was carried out to profile the gut microbial community of different metabolic phenotypes. Inflammation, gut permeability, features of white adipose tissue, liver and skeletal muscle were studied. Furthermore, to modify the gut microbiota directly, an additional group of mice was given a gluco-oligosaccharide (GOS)-supplemented HFD (HFD+GOS). 

Results

 Despite the mice having the same genetic background and nutritional status, a gut microbial profile specific to each metabolic phenotype was identified. The HFD-D gut microbial profile was associated with increased gut permeability linked to increased endotoxaemia and to a dramatic increase in cell number in the stroma vascular fraction from visceral white adipose tissue. Most of the physiological characteristics of the HFD-fed mice were modulated when gut microbiota was intentionally modified by GOS dietary fibres. 

Conclusions

 The gut microbiota is a signature of the metabolic phenotypes independent of differences in host genetic background and diet.

Abstract Recent high-throughput sequencing advances have expanded the breadth of available omics datasets and the integrated analysis of multiple datasets obtained on the same samples has allowed to gain important insights in a wide range of applications. However, the integration of various sources of information remains a challenge for systems biology since produced datasets are often of heterogeneous types, with the need of developing generic methods to take their different specificities into account. We propose a multiple kernel framework that allows to integrate multiple datasets of various types into a single exploratory analysis. Several solutions are provided to learn either a consensus meta-kernel or a meta-kernel that preserves the original topology of the datasets. We applied our framework to analyse two public multi-omics datasets. First, the multiple metagenomic datasets, collected during the TARA Oceans expedition, was explored to demonstrate that our method is able to retrieve previous findings in a single KPCA as well as to provide a new image of the sample structures when a larger number of datasets are included in the analysis. To perform this analysis, a generic procedure is also proposed to improve the interpretability of the kernel PCA in regards with the original data. Second, the multi-omics breast cancer datasets, provided by The Cancer Genome Atlas, is analysed using a kernel Self-Organizing Maps with both single and multi-omics strategies. The comparison of this two approaches demonstrates the benefit of our integration method to improve the representation of the studied biological system. Proposed methods are available in the R package mixKernel , released on CRAN. It is fully compatible with the mixOmics package and a tutorial describing the approach can be found on mixOmics web site http://mixomics.org/mixkernel/ .

Despite increasing interest for the carbon footprint of higher education institutions, little is known about the carbon footprint associated to research activities. Air travel and attendance to conferences concentrate recent data and debates but purchases have attracted little attention. Here we develop a hybrid method to estimate the greenhouse gas emissions (GHG) associated to research purchases. To do so, we combine macroeconomic databases, research-centered companies footprints and life-cycle assessments to construct a public database of monetary emission factors (EF) for research purchases. We apply it to estimate the purchases emissions of a hundred of research laboratories in France, belonging to the Labos 1point5 network and gathering more than 20000 staff, from all disciplines. We find that purchases dominate laboratory emissions, accounting for more than 50% of emissions, with a median of 2.7 t CO 2 e/pers, which is 3 to 4-fold the separate contribution from travel, commutes and heating. Median electricity emissions are 5-fold lower in our dataset of laboratories using low carbon electricity but they become preponderant for high carbon electricity mixes (3.5 t CO 2 e/pers). Purchases emissions are very heterogeneous among laboratories and are linearly correlated with budget, with an average carbon intensity of 0.31 ± 0.07 kg CO 2 e/€ and differences between research domains. Finally, we quantify the effect of a series of demand-driven mitigation strategies obtaining up to −20% in total emissions (−40% in purchases emissions), suggesting that effectively reducing the carbon footprint of research activities calls for systemic changes.

Abstract Despite increasing interest for the carbon footprint of higher education institutions, little is known about the carbon footprint associated to research activities. Air travel and attendance to conferences concentrate recent data and debates but purchases have attracted little attention. Here we develop a hybrid method to estimate the greenhouse gas emissions (GHG) associated to research purchases. To do so, we combine macroe-conomic databases, research-centered companies footprints and life-cycle assesments to construct a public database of monetary emission factors (EF) for research purchases. We apply it to estimate the purchases emissions of a hundred of research laboratories in France, belonging to the Labos 1point5 network and gathering more than 20000 staff, from all disciplines. We find that purchases dominate laboratory emissions, accounting for more than 50% of emissions, with a median of 2.7 t CO 2 e/pers, which is 3 to 4-fold the separate contribution from travel, commutes and heating. Median electricity emissions are 5-fold lower in our dataset of laboratories using low carbon electricity but they become preponderant for high carbon electricity mixes (3.5 t CO 2 e/pers). Purchases emissions are very heterogeneous among laboratories and are linearly correlated with budget, with an average carbon intensity of 0.31 ± 0.07 kg CO 2 e/€ and differences between research domains. Finally, we quantify the effect of a series of demand-driven mitigation strategies obtaining up to − 20 % in total emissions ( − 40 % in purchases emissions), suggesting that effectively reducing the carbon footprint of research activities calls for systemic changes. Significance statement Research activities are recently interrogating their contribution to global warming, mainly through the impact of air travel but neglecting the emissions embodied in scientific purchases. However, goods and services used in a research laboratory emit greenhouse gases when they are produced. Here we construct a public and robust database of emission factors to quantify purchases emissions in a laboratory and we use it to assess emissions from a hundred of laboratories in France, from all disciplines. We find that purchases emissions represent half of the of the 6.3 t CO 2 e/pers per year emitted on average per laboratory. Emissions, however, vary greatly between laboratories and disciplines and an analysis of mitigation strategies shows that decreasing demand may significantly reduce purchases emissions.

Abstract Dysregulations of lipid metabolism in the liver may trigger steatosis progression leading to potentially severe clinical consequences such as non-alcoholic fatty liver diseases (NAFLD). Molecular mechanisms underlying liver lipogenesis are very complex and fine-tuned by chromatin dynamics and the activity of multiple key transcription factors. Here, we demonstrate that the nuclear factor HMGB1 acts as a strong repressor of liver lipogenesis during metabolic stress in NAFLD. Mice with liver-specific Hmgb1 -deficiency display exacerbated liver steatosis and hepatic insulin resistance when subjected to a high-fat diet or after fasting/refeeding. Global transcriptome and functional analysis revealed that the deletion of Hmgb1 gene enhances LXRα activity resulting in increased lipogenesis. HMGB1 repression is not mediated through nucleosome landscape re-organization but rather via a preferential DNA occupation in region carrying genes regulated by LXRα. Together these findings suggest that hepatocellular HMGB1 protects from liver steatosis development. HMGB1 may constitute a new attractive option to therapeutically target LXRα axis during NAFLD.