Abstract The neurophysiology of cells and tissues are monitored electrophysiologically and optically in diverse experiments and species, ranging from flies to humans. Understanding the brain requires integration of data across this diversity, and thus these data must be findable, accessible, interoperable, and reusable (FAIR). This requires a standard language for data and metadata that can coevolve with neuroscience. We describe design and implementation principles for a language for neurophysiology data. Our open-source software (Neurodata Without Borders, NWB) defines and modularizes the interdependent, yet separable, components of a data language. We demonstrate NWB’s impact through unified description of neurophysiology data across diverse modalities and species. NWB exists in an ecosystem, which includes data management, analysis, visualization, and archive tools. Thus, the NWB data language enables reproduction, interchange, and reuse of diverse neurophysiology data. More broadly, the design principles of NWB are generally applicable to enhance discovery across biology through data FAIRness.

Abstract The extraordinary diversity of viruses infecting bacteria and archaea is now primarily studied through metagenomics. While metagenomes enable high-throughput exploration of the viral sequence space, metagenome-derived genomes lack key information compared to isolated viruses, in particular host association. Different computational approaches are available to predict the host(s) of uncultivated viruses based on their genome sequences, but thus far individual approaches are limited either in precision or in recall, i.e. for a number of viruses they yield erroneous predictions or no prediction at all. Here we describe iPHoP, a two-step framework that integrates multiple methods to provide host predictions for a broad range of viruses while retaining a low (<10%) false-discovery rate. Based on a large database of metagenome-derived virus genomes, we illustrate how iPHoP can provide extensive host prediction and guide further characterization of uncultivated viruses. iPHoP is available at https://bitbucket.org/srouxjgi/iphop , through a Bioconda recipe, and a Docker container.

ABSTRACT Wood-decaying fungi of the class Agaricomycetes (phylum Basidiomycota) are saprotrophs that break down lignocellulose and play an important role in the nutrient recycling. They secrete a wide range of extracellular plant cell wall degrading enzymes that break down cellulose, hemicellulose and lignin, the main building blocks of plant biomass. Although the production of these enzymes is regulated mainly at the transcriptional level, no activating regulators have been identified in any wood-decaying fungus in the class Agaricomycetes. We studied the regulation of cellulase expression in the wood-decaying fungus Schizophyllum commune . Comparative genomics and transcriptomics on two wild isolates revealed a Zn 2 Cys 6 -type transcription factor gene ( roc1 ) that was highly up-regulated during growth on cellulose, when compared to glucose. It is only conserved in the class Agaricomycetes. A roc1 knockout strain showed an inability to grow on medium with cellulose as sole carbon source, and growth on cellobiose and xylan (other components of wood) was inhibited. Growth on non-wood-related carbon sources was not inhibited. Cellulase activity was reduced in the growth medium of the Δ roc1 strain. ChIP-Seq identified 1474 binding sites of the Roc1 transcription factor. Promoters of genes involved in lignocellulose degradation were enriched with these binding sites, especially those of LPMO (lytic polysaccharide monooxygenase) CAZymes, indicating that Roc1 directly regulates these genes. A GC-rich motif was identified as the binding site of Roc1, which was confirmed by a functional promoter analysis. Together, Roc1 is a key regulator of cellulose degradation and the first identified in wood-decaying fungi in the phylum Basidiomycota.

Abstract The ectomycorrhizal symbiosis is an essential guild of many forested ecosystems and has a dynamic evolutionary history across kingdom Fungi, having independently evolved from diverse types of saprotrophic ancestors. In this study, we seek to identify genomic features of the transition to the ectomycorrhizal habit within the Russulaceae, one of the most diverse lineages of ectomycorrhizal fungi. We present comparative analyses of the pangenome and gene repertoires of 21 species across the order Russulales, including a closely related saprotrophic member of Russulaceae. The ectomycorrhizal Russulaceae is inferred to have originated around the Cretaceous-Paleogene extinction event (73.6-60.1 million years ago (MY)). The genomes of the ectomycorrhizal Russulaceae are characterized by a loss of genes for plant cell-wall degrading enzymes (PCWDEs), an expansion of genome size through increased transposable element (TE) content, a reduction in secondary metabolism clusters, and an association of genes coding for certain secreted proteins with TE “nests”. The saprotrophic sister group of the ectomycorrhizal Russulaceae, Gloeopeniophorella convolvens , possesses some of these aspects (e.g., loss of some PCWDE and protease orthologs, TE expansion, reduction in secondary metabolism clusters), resulting from an accelerated rate of gene evolution in the shared ancestor of Russulaceae that predates the evolution of the ectomycorrhizal habit. Genomes of Russulaceae possess a high degree of synteny, including a conserved set of terpene secondary metabolite gene clusters. We hypothesize that the evolution of the ectomycorrhizal habit requires premodification of the genome for plant root association followed by an accelerated rate of gene evolution within the secretome for host-defense circumvention and symbiosis establishment.

Neurodata Without Borders: Neurophysiology (NWB:N) is a data standard for neurophysiology, providing neuroscientists with a common standard to share, archive, use, and build common analysis tools for neurophysiology data. With NWB:N version 2.0 (NWB:N 2.0) we made significant advances towards creating a usable standard, software ecosystem, and vibrant community for standardizing neurophysiology data. In this manuscript we focus in particular on the NWB:N data standard schema and present advances towards creating an accessible data standard for neurophysiology.

ABSTRACT Fungi have evolved over millions of years and their species diversity is predicted to be the second largest on the earth. Fungi have cross-kingdom interactions with many organisms which have mutually shaped their evolutionary trajectories. Zygomycete fungi hold a pivotal position in the fungal tree of life and provide important perspectives on the early evolution of fungi from aquatic to terrestrial environments. Phylogenomic analyses have found that zygomycete fungi diversified into two separate clades, the Mucoromycota which are frequently associated with plants and Zoopagomycota that are commonly animal-associated fungi. Genetic elements that contributed to the fitness and divergence of these lineages may have been shaped by the varied interactions these fungi have had with plants, animals, bacteria and other microbes. To investigate this, we performed comparative genomic analyses of the two clades in the context of Kingdom Fungi, benefiting from our generation of a new collection of zygomycete genomes. We identified lineage-specific genomic content which may contribute to the disparate biology observed in these zygomycetes. Our findings include the discovery of undescribed diversity in CotH, a Mucormycosis pathogenicity factor, which was found in a broad set of zygomycetes. Reconciliation analysis identified multiple duplication events and an expansion of CotH copies throughout Mucoromycotina, Mortierellomycotina, Neocallimastigomycota, and Basidiobolus lineages. A kingdom-level phylogenomic analysis also identified new evolutionary relationships within the sub-phyla of Mucoromycota and Zoopagomycota.

Abstract Scientific progress depends on reliable and reproducible results. Progress can also be accelerated when data are shared and re-analyzed to address new questions. Current approaches to storing and analyzing neural data typically involve bespoke formats and software that make replication, as well as the subsequent reuse of data, difficult if not impossible. To address these challenges, we created Spyglass , an open-source software framework that enables reproducible analyses and sharing of data and both intermediate and final results within and across labs. Spyglass uses the Neurodata Without Borders (NWB) standard and includes pipelines for several core analyses in neuroscience, including spectral filtering, spike sorting, pose tracking, and neural decoding. It can be easily extended to apply both existing and newly developed pipelines to datasets from multiple sources. We demonstrate these features in the context of a cross-laboratory replication by applying advanced state space decoding algorithms to publicly available data. New users can try out Spyglass on a Jupyter Hub hosted by HHMI and 2i2c: https://spyglass.hhmi.2i2c.cloud/ .

Abstract Metagenomic binning, the process of grouping DNA sequences into taxonomic units, is critical for understanding the functions, interactions, and evolutionary dynamics of microbial communities. We propose a deep learning approach to binning using two neural networks, one based on composition and another on environmental abundance, dynamically weighting the contribution of each based on characteristics of the input data. Trained on over 43,000 prokaryotic genomes, our network for composition-based binning is inspired by metric learning techniques used for facial recognition. Using a task-specific, multi-GPU accelerated algorithm to cluster the embeddings produced by our network, our binner leverages marker genes observed to be universally present in nearly all taxa to grade and select optimal clusters of sequences from a hierarchy of candidates. We evaluate our approach on four simulated datasets with known ground truth. Our linear time integration of marker genes recovers more near complete genomes than state of the art but computationally infeasible solutions using them, while being over an order of magnitude faster. Finally, we demonstrate the scalability and acuity of our approach by testing it on three of the largest metagenome assemblies ever performed. Compared to other binners, we produced 47%-183% more near complete genomes. From these datasets, we find over the genomes of over 3000 new candidate species which have never been previously cataloged, representing a potential 4% expansion of the known bacterial tree of life.