Bats are reservoir hosts for many zoonotic viruses. Despite this, relatively little is known about the diversity and abundance of viruses within bats at the level of individual animals, and hence the frequency of virus co-infection and inter-species transmission. Using an unbiased meta-transcriptomics approach we characterised the mammalian associated viruses present in 149 individual bats sampled from Yunnan province, China. This revealed a high frequency of virus co-infection and species spillover among the animals studied, with 12 viruses shared among different bat species, which in turn facilitates virus recombination and reassortment. Of note, we identified five viral species that are likely to be pathogenic to humans or livestock, including a novel recombinant SARS-like coronavirus that is closely related to both SARS-CoV-2 and SARS-CoV, with only five amino acid differences between its receptor-binding domain sequence and that of the earliest sequences of SARS-CoV-2. Functional analysis predicts that this recombinant coronavirus can utilize the human ACE2 receptor such that it is likely to be of high zoonotic risk. Our study highlights the common occurrence of inter-species transmission and co-infection of bat viruses, as well as their implications for virus emergence.

ABSTRACT Mosquito transmitted viruses are responsible for an increasing burden of human disease. Despite this, little is known about the diversity and ecology of viruses within individual mosquito hosts. Using a meta-transcriptomic approach, we analysed the virome of 2,438 individual mosquitos (79 species), spanning ∼4000 km along latitudes and longitudes in China. From these data we identified 393 core viral species associated with mosquitos, including seven (putative) arbovirus species. We identified potential species and geographic hotspots of viral richness and arbovirus occurrence, and demonstrated that host phylogeny had a strong impact on the composition of individual mosquito viromes. Our data revealed a large number of viruses shared among mosquito species or genera, expanding our knowledge of host specificity of insect-associated viruses. We also detected multiple virus species that were widespread throughout the country, possibly facilitated by long-distance mosquito migrations. Together, our results greatly expand the known mosquito virome, linked the viral diversity at the scale of individual insects to that at a country-wide scale, and offered unique insights into the ecology of viruses of insect vectors.

Abstract Herbivory degree and the ratio of generalist to specialist herbivores have long been treated as two important but independent factors in shaping the evolution of plant defense. However, this assumption of independency is poorly supported and has resulted in great controversy in explaining the patterns of plant defense. Here we investigated the possible interaction between herbivory degree and generalist-to-specialist ratio using a cost-benefit model of defense evolution in plants. Our results showed that, with increasing generalist herbivore proportion, plant defense investment increases when herbivory degree is low and decreases when herbivory degree is high. These results provide the first theoretical support for the interactive effect of herbivory degree and ratio of generalist/specialist affecting plant defense, which integrate many of the previous results (e.g. latitudinal patterns of plant defense and defense evolution of invasive plants) and put them into a more general theoretical context.

In recent years, significant advancements have been observed in the domain of Natural Language Processing(NLP) with the introduction of pre-trained foundational models, paving the way for utilizing similar AI technologies to interpret the language of biology. In this research, we introduce “LucaOne”, a novel pre-trained foundational model designed to integratively learn from the genetic and proteomic languages, encapsulating data from 169,861 species en-compassing DNA, RNA, and proteins. This work illuminates the potential for creating a biological language model aimed at universal bioinformatics appli-cation. Remarkably, through few-shot learning, this model efficiently learns the central dogma of molecular biology and demonstrably outperforms com-peting models. Furthermore, in tasks requiring inputs of DNA, RNA, proteins, or a combination thereof, LucaOne exceeds the state-of-the-art performance using a streamlined downstream architecture, thereby providing empirical ev-idence and innovative perspectives on the potential of foundational models to comprehend complex biological systems.

Abstract RNA viruses are diverse components of global ecosystems. The metagenomic identification of RNA viruses is currently limited to those with sequence similarity to known viruses, such that highly divergent viruses that comprise the “dark matter” of the virosphere remain challenging to detect. We developed a deep learning algorithm – LucaProt – to search for highly divergent RNA-dependent RNA polymerase (RdRP) sequences in 10,487 global meta- transcriptomes. LucaProt integrates both sequence and structural information to accurately and efficiently detect RdRP sequences. With this approach we identified 180,571 RNA viral species and 180 superclades (viral phyla/classes). This is the broadest diversity of RNA viruses described to date, including many viruses undetectable using BLAST or HMM approaches. The newly identified RNA viruses were present in diverse ecological niches, including the air, hot springs and hydrothermal vents, and both virus diversity and abundance varied substantially among ecological types. We also identified the longest RNA virus genome (nido-like) observed so far, at 47,250 nucleotides, and expanded the diversity of RNA bacteriophage to more than ten phyla/classes. This study marks the beginning of a new era of virus discovery, with the potential to redefine our understanding of the global virosphere and reshape our understanding of virus evolutionary history.

ABSTRACT RNA viruses exhibit vast phylogenetic diversity and can significantly impact public health and agriculture. However, current bioinformatics tools for viral discovery from metagenomic data frequently generate false positive virus results, overestimate viral diversity, and misclassify virus sequences. Additionally, current tools often fail to determine virus-host associations, which hampers investigation of the potential threat posed by a newly detected virus. To address these issues, we developed VirID, a software tool specifically designed for the discovery and characterization of RNA viruses from metagenomic data. The basis of VirID is a comprehensive RNA-dependent RNA polymerase (RdRP) database to enhance a workflow that includes RNA virus discovery, phylogenetic analysis, and phylogeny-based virus characterization. Benchmark tests on a simulated data set demonstrated that VirID had high accuracy in profiling viruses and estimating viral richness. In evaluations with real-world samples, VirID was able to identity RNA viruses of all type, but also provide accurate estimations of viral genetic diversity and virus classification, as well as comprehensive insights into associations with humans, animals, and plants. VirID therefore offers a robust tool for virus discovery and serves as a valuable resource in basic virological studies, pathogen surveillance, and early warning systems for infectious disease outbreaks.

Abstract Metagenomic sequencing has expanded the RNA virosphere, but many identified viral genomes remain incomplete, especially for segmented viruses. Traditional methods relying on sequence homology struggle to identify highly divergent segments and group them confidently within a single virus species. To address this, we developed a new bioinformatic tool – SegFinder – that identifies virus genome segments based on their common co-occurrence at similar abundance within segmented viruses. SegFinder successfully re-discovered all segments from a test data set of individual mosquito transcriptomes, which was also used to establish parameter thresholds for reliable segment identification. Using these optimal parameters, we applied SegFinder to 858 libraries from eight metagenomic sequencing projects, including vertebrates, invertebrates, plants, and environmental samples. Furthermore, we identified 108 (excluding RdRP) unique viral genome segments, of which 55 were novel and 32 showed no recognizable sequence homology to known sequences but which were verified by the presence of conserved sequences at the genome termini. SegFinder is also able to identify segmented genome structures in viruses previously considered to be predominantly unsegmented, and in doing so expanded the number of known families and orders of segmented RNA viruses, making it a valuable tool in an era of large-scale parallel sequencing.

ABSTRACT Metagenomic sequencing has transformed our understanding of viral diversity in wildlife and its threat to human health. Despite this progress, many studies have lacked systematic and ecologically informed sampling, which has left numerous potentially emergent viruses undiscovered, and the drivers of their ecology and evolution poorly understood. We conducted an extensive analysis of viruses in the lung, spleen, and gut of 1,688 animals from 38 mammalian species across 428 sites in Yunnan, China—a hotspot for zoonotic diseases. We identified 162 mammalian viral species, including 102 novel species and 24 posing potential risks to humans due to their relationships with known pathogens associated with serious diseases and their ability to cross major host species barriers. Our findings offer an in-depth view of virus organotropism, cross-species transmission, host sharing patterns, and the ecological factors influencing viral evolution, all of which are critical for anticipating and mitigating future zoonotic outbreaks.

Companion animals such as cats and dogs harbor diverse microbial communities that can potentially impact human health due to close and frequent contact. To better characterize their total infectomes and assess zoonotic risks, we performed meta-transcriptomic profiling on 239 samples from cats and dogs collected across China, comparing the similarities and differences between animal species (cats or dogs), sampling sites (rectal or oropharyngeal), and health status (healthy or diseased). We identified 24 viral species, 270 bacterial genera, and two fungal genera, including many known pathogens such as canine parvovirus, Clostridium difficile, and Candida albicans, as well as opportunistic pathogens such as canine vesivirus. Microbial compositions differed mainly according to sampling site (i.e., rectal and oropharyngeal swabs), and less so between host species and health status. Notably, we detected 27 potential zoonotic pathogens, such as alphacoronavirus 1, among all sampling sites, hosts, and health status, underscoring substantial zoonotic risks requiring surveillance. Overall, our meta-transcriptomic analysis reveals a landscape of actively transcribing microorganisms in major companion animals, including key pathogens, those with the potential for cross-species transmission, and possible zoonotic threats.