ABSTRACT Plant-beneficial microorganisms are gaining importance for sustainable plant production and phytosanitary practices. Yet there is a lack of computational approaches targeting bacterial traits associated with plant growth-promotion (PGP), which hinders the in-silico identification, comparison, and selection of phytostimulatory bacterial strains. To address this problem, we have developed the new web resource PLaBAse (v1.01, http://plabase.informatik.uni-tuebingen.de/pb/plabase.php ), which provides a number of services, including (i) a database for screening 5,565 plant-associated bacteria (PLaBA-db), (ii) a tool for predicting plant growth-promoting traits (PGPTs) of single bacterial genomes (PGPT-Pred), and (iii) a tool for the prediction of bacterial plant-association by marker gene identification (PIFAR-Pred). The latter was developed by Martínez-García et al. and is now hosted at University of Tuebingen. The PGPT-Pred tool is based on our new PGPT ontology, a literature- and OMICs-curated, comprehensive, and hierarchical collection of ∼6,900 PGPTs that are associated with 6,965,955 protein sequences. To study the distribution of the PGPTs across different environments, we applied it to 70,540 bacterial strains associated with (i) seven different environments (including plants), (iii) five different plant spheres (organs), and (iii) two bacteria-induced plant phenotypes. This analysis revealed that plant-symbiotic bacteria generally have a larger genome size and a higher count of PGPT-annotated protein encoding genes. Obviously, not all reported PGPTs are restricted to -or only enriched in-plant-associated and plant symbiotic bacteria. Some also occur in human- and animal-associated bacteria, perhaps due to the transmission of PGP bacteria (PGPBs) between environments, or because some functions are involved in adaption processes to various environments. Here we provide an easy-to-use approach for screening of PGPTs in bacterial genomes across various phyla and isolation sites, using PLaBA-db, and for standardized annotation, using PGPT-Pred. We believe that this resource will improve our understanding about the entire PGP processes and facilitate the prediction of PGPB as bio-inoculants and for biosafety strategies, so as to help to establish sustainable and targeted bacteria-incorporated plant production systems in the future.

Abstract Parkinson’s disease (PD) is the second most common neurodegenerative disease. The presence of lewy bodies, primarily consisting of α-synuclein (α-syn) aggregates is one of the common features seen in the substantia nigra region of the brain in PD patients. The disease remains incurable and only symptomatic relief is available. We screened various cell-penetrating peptides and reveal that penetratin is a potent inhibitor of α-syn aggregation in-vitro , and significantly improved locomotor coordination in mice models of PD in-vivo . The peptide inhibits α-syn aggregation in vitro as well as in yeast, and C.elegans models. We further made a cyclic derivative of penetratin by disulfide coupling of N- and C-terminal cysteine residues. Both penetratin and its cyclized derivative interact with α-syn. NMR studies show that both linear as well as cyclic derivative interact at the acidic C-terminal tail of the protein. Similar to penetratin, its cyclic derivative inhibited α-syn aggregation in the C.elegans model of Parkinson’s disease, and also improved worm motility. Molecular Dynamics studies show that penetratin interacts with α-synuclein and prevents its conformational transition from disordered into β-sheet rich structure. The therapeutic efficacy of penetratin was further confirmed in a transgenic mice model of the disease, wherein penetratin treatment over a period of 90 days improved locomotor coordination, and halted disease progression. Overall, the present work provides a potent therapeutic agent that could be further explored in the management of PD.

Urine-based cancer biomarkers offer numerous advantages over the other biomarkers and play a crucial role in cancer management. In this study, an attempt has been made to develop proteomics-based prediction models to discriminate patients of oncological disorders related to urinary tract and healthy controls from their urine samples. The dataset used in this study was obtained from human urinary peptide database that contains urine proteomics data of 1525 oncological and 1503 healthy controls with the spectral intensity of 5605 peptides. First, we identified peptide spectra using various feature selection techniques, which display different intensity and occurrence in oncological samples and healthy controls. Based on selected 173 peptide-based biomarkers, we developed models for predicting oncological samples and achieved maximum accuracy of 91.94% with 0.84 MCC. Prediction models were also developed based on spectral intensities with known peptide sequences. We also quantitated the amount of protein in a sample based on intensities of its fragments/peptides and developed prediction models based on protein expression. It was observed that certain proteins and their peptides such as fragments of collagen protein are more abundant in oncological samples. Based on this study, we also developed a web bench, CancerUBM, for mining proteomics data, which is freely available at http://webs.iiitd.edu.in/raghava/cancerubm/.