We acknowledge D. Dannaher and A. Lopez for their supporting work on the Angular parts of MEMOTE; resources and support from the DTU Computing Center; J. Cardoso, S. Gudmundsson, K. Jensen and D. Lappa for their feedback on conceptual details; and P. D. Karp and I. Thiele for critically reviewing the manuscript. We thank J. Daniel, T. Kristjansdottir, J. Saez-Saez, S. Sulheim, and P. Tubergen for being early adopters of MEMOTE and for providing written testimonials. J.O.V. received the Research Council of Norway grants 244164 (GenoSysFat), 248792 (DigiSal) and 248810 (Digital Life Norway); M.Z. received the Research Council of Norway grant 244164 (GenoSysFat); C.L. received funding from the Innovation Fund Denmark (project “Environmentally Friendly Protein Production (EFPro2)”); C.L., A.K., N. S., M.B., M.A., D.M., P.M, B.J.S., P.V., K.R.P. and M.H. received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement 686070 (DD-DeCaF); B.G.O., F.T.B. and A.D. acknowledge funding from the US National Institutes of Health (NIH, grant number 2R01GM070923-13); A.D. was supported by infrastructural funding from the Deutsche Forschungsgemeinschaft (DFG, German Research Foundation), Cluster of Excellence EXC 2124 Controlling Microbes to Fight Infections; N.E.L. received funding from NIGMS R35 GM119850, Novo Nordisk Foundation NNF10CC1016517 and the Keck Foundation; A.R. received a Lilly Innovation Fellowship Award; B.G.-J. and J. Nogales received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement no 686585 for the project LIAR, and the Spanish Ministry of Economy and Competitivity through the RobDcode grant (BIO2014-59528-JIN); L.M.B. has received funding from the European Union’s Horizon 2020 research and innovation programme under grant agreement 633962 for project P4SB; R.F. received funding from the US Department of Energy, Offices of Advanced Scientific Computing Research and the Biological and Environmental Research as part of the Scientific Discovery Through Advanced Computing program, grant DE-SC0010429; A.M., C.Z., S.L. and J. Nielsen received funding from The Knut and Alice Wallenberg Foundation, Advanced Computing program, grant #DE-SC0010429; S.K.’s work was in part supported by the German Federal Ministry of Education and Research (de.NBI partner project “ModSim” (FKZ: 031L104B)); E.K. and J.A.H.W. were supported by the German Federal Ministry of Education and Research (project “SysToxChip”, FKZ 031A303A); M.K. is supported by the Federal Ministry of Education and Research (BMBF, Germany) within the research network Systems Medicine of the Liver (LiSyM, grant number 031L0054); J.A.P. and G.L.M. acknowledge funding from US National Institutes of Health (T32-LM012416, R01-AT010253, R01-GM108501) and the Wagner Foundation; G.L.M. acknowledges funding from a Grand Challenges Exploration Phase I grant (OPP1211869) from the Bill & Melinda Gates Foundation; H.H. and R.S.M.S. received funding from the Biotechnology and Biological Sciences Research Council MultiMod (BB/N019482/1); H.U.K. and S.Y.L. received funding from the Technology Development Program to Solve Climate Changes on Systems Metabolic Engineering for Biorefineries (grants NRF-2012M1A2A2026556 and NRF-2012M1A2A2026557) from the Ministry of Science and ICT through the National Research Foundation (NRF) of Korea; H.U.K. received funding from the Bio & Medical Technology Development Program of the NRF, the Ministry of Science and ICT (NRF-2018M3A9H3020459); P.B., B.J.S., Z.K., B.O.P., C.L., M.B., N.S., M.H. and A.F. received funding through Novo Nordisk Foundation through the Center for Biosustainability at the Technical University of Denmark (NNF10CC1016517); D.-Y.L. received funding from the Next-Generation BioGreen 21 Program (SSAC, PJ01334605), Rural Development Administration, Republic of Korea; G.F. was supported by the RobustYeast within ERA net project via SystemsX.ch; V.H. received funding from the ETH Domain and Swiss National Science Foundation; M.P. acknowledges Oxford Brookes University; J.C.X. received support via European Research Council (666053) to W.F. Martin; B.E.E. acknowledges funding through the CSIRO-UQ Synthetic Biology Alliance; C.D. is supported by a Washington Research Foundation Distinguished Investigator Award. I.N. received funding from National Institutes of Health (NIH)/National Institute of General Medical Sciences (NIGMS) (grant P20GM125503).

Abstract Several studies have shown that neither the formal representation nor the functional requirements of genome-scale metabolic models (GEMs) are precisely defined. Without a consistent standard, comparability, reproducibility, and interoperability of models across groups and software tools cannot be guaranteed. Here, we present memote ( https://github.com/opencobra/memote ) an open-source software containing a community-maintained, standardized set of me tabolic mo del te sts. The tests cover a range of aspects from annotations to conceptual integrity and can be extended to include experimental datasets for automatic model validation. In addition to testing a model once, memote can be configured to do so automatically, i.e., while building a GEM. A comprehensive report displays the model’s performance parameters, which supports informed model development and facilitates error detection. Memote provides a measure for model quality that is consistent across reconstruction platforms and analysis software and simplifies collaboration within the community by establishing workflows for publicly hosted and version controlled models.

An amendment to this paper has been published and can be accessed via a link at the top of the paper.

Abstract Despite intensive antibiotic treatment of cystic fibrosis (CF) patients, Pseudomonas aeruginosa often persists in patient airways for decades, and can do so without the development of antibiotic resistance. Using a high-throughput screening assay of survival after treatment with high concentrations of ciprofloxacin, we have determined the prevalence of high-persister variants (Hip) in a large patient cohort. In a screen of 467 longitudinal clinical isolates of P. aeruginosa from 40 CF patients, we classified 25.7% as Hip. Hip were identified in 26 patients, but only a few bacterial lineages were dominated by Hip. Instead, the emergence of Hip increased over time, suggesting that CF airways treated with ciprofloxacin select for Hip with an increased fitness in this environment. We generally observed diverse genetic changes in the Hip isolate population (as many co-occurring routes to increased fitness exist), but interestingly elevated mutation counts in the RpoN gene of 18 Hip isolates suggest that this sigma factor plays a role in shaping levels of antibiotic tolerance. To probe the impact of the Hip phenotype in a CF-similar environment, we tested the fitness properties of otherwise genotypically and phenotypically similar low-persister (Lop) and Hip isolates in co-culture using a specialized flow-cell biofilm system mimicking pharmacokinetic/-dynamic antibiotic dosing. Hip survived ciprofloxacin treatment far better than Lop isolates. The results of this investigation provide novel insights into persister dynamics and fitness contributions to survival in the CF lung, and show that the Hip phenotype of antibiotic susceptible bacteria plays an important role in long-term infections. Significance Antibiotic resistance is emphasized as a rapidly increasing health threat, but antibiotic tolerance via the occurrence of persister cells in antibiotic-treated bacterial populations is clinically and publicly neglected. In 40 CF patients representing a well-established human infection model – long-term lung infections by Pseudomonas aeruginosa – we show the emergence and accumulation of persister variants in a clinical population heavily reliant on antibiotic therapy. We observe that the high-persister (Hip) phenotype is independent of resistance and likely the consequence of numerous genetic alterations, complicating surveillance and inhibition in the clinic. Furthermore, we find Hip are selected for over time, survive better than ‘normal’ bacteria, and can outcompete them in CF-similar conditions, ultimately affecting 65% of patients in an early disease cohort.

Abstract Achromobacter species are increasingly being detected in patients with cystic fibrosis (CF), and this emerging pathogen is associated with antibiotic resistance and more severe disease outcomes. Nonetheless, little is known about the extent of transmission and antibiotic resistance development in Achromobacter infections. We sequenced the genomes of 101 clinical isolates of Achromobacter ( A. xylosoxidans based on MALDI-TOF/API N20 typing) collected from 51 patients with CF—the largest longitudinal dataset to-date. We performed phylogenetic analysis on the genomes and combined this with epidemiological and antibiotic resistance data to identify patient-to-patient transmission and development of antibiotic resistance. We found that MALDI-TOF/API N20 was not sufficient for Achromobacter species-level typing, and that the population of Achromobacter isolates was composed of five different species where A. xylosoxidans accounted for 52% of infections. Most patients were infected by unique Achromobacter clone types; nonetheless, suspected patient-to-patient transmission cases identified by shared clone types were observed in 35% (N=18) of patients. In 15 of 16 cases the suspected transmissions were further supported by genome- or clinic visit-based epidemiological analysis. Finally, we found that resistance developed over time. We show that whole-genome sequencing (WGS) is essential for Achromobacter species typing and patient-to-patient transmission identification which was identified in A. ruhlandii, A. xylosoxidans and, for the first time, A. insuavis . Furthermore, we show that the development of antibiotic resistance is associated with chronic Achromobacter infections. Our findings emphasize that transmission and antibiotic resistance should be considered in future treatment strategies.

ABSTRACT Persistent infections require bacteria to evolve from their naïve colonization state by optimizing fitness in the host. This optimization involves coordinated adaptation of multiple traits, obscuring evolutionary trends and complicating infection management. Accordingly, we screen 8 infection-relevant phenotypes of 443 longitudinal Pseudomonas aeruginosa isolates from 39 young cystic fibrosis patients over 10 years. Using statistical modeling, we map evolutionary trajectories and identify trait correlations accounting for patient-specific influences. By integrating previous genetic analyses of 474 isolates, we provide a window into early adaptation to the host, finding: 1) a 2-3 year timeline of rapid adaptation after colonization, 2) variant “naïve” and “adapted” states reflecting discordance between phenotypic and genetic adaptation, 3) adaptive trajectories leading to persistent infection via 3 distinct evolutionary modes, and 4) new associations between phenotypes and pathoadaptive mutations. Ultimately, we effectively deconvolute complex trait adaptation, offering a framework for evolutionary studies and precision medicine in clinical microbiology.