Abstract Several studies have investigated the association between microbial and colorectal cancer (CRC). However, the replicable markers for early stage adenoma diagnosis across multiple populations remain elusive. Here, a meta-analysis of six studies, comprising a total of 1057 fecal samples, was performed to identify candidate markers. By adjusting the potential confounders, 11 and 26 markers ( P <0.05) were identified and separately applied into constructing Random Forest classifier models to discriminate adenoma from control, and adenoma from CRC, achieving robust diagnostic accuracy with AUC = 0.80 and 0.89, respectively. Moreover, these markers demonstrated high diagnostic accuracy in independent validation cohorts. Pooled functional analysis and targeted qRT-PCR based genetic profiles reveal that the altered microbiome triggers different pathways of ADP-heptose and menaquinone biosynthesis ( P <0.05) in adenoma vs. control and adenoma vs. CRC sequences respectively. The combined analysis of heterogeneous studies confirm adenoma-specific but universal markers across multi-populations, which improves early diagnosis and prompt treatment of CRC.

ABSTRACT Objective Keystone species are required for the integrity and stability of an ecological community, and therefore, are potential intervention targets for microbiome related diseases. Design Here we describe an algorithm for the identification of keystone species from cross-sectional microbiome data of non-alcoholic fatty liver disease (NAFLD) based on causal inference theories and dynamic intervention modeling (DIM). Results Eight keystone species in the gut of NAFLD, represented by P. loveana , A. indistinctus and D. pneumosintes , were identified by our algorithm, which could efficiently restore the microbial composition of the NAFLD toward a normal gut microbiome with 92.3% recovery. These keystone species regulate intestinal amino acids metabolism and acid-base environment to promote the growth of the butyrate-producing Lachnospiraceae and Ruminococcaceae species. Conclusion Our method may benefit microbiome studies in the broad fields of medicine, environmental science and microbiology. SUMMARY What is already known about this subject? Non-alcoholic fatty liver disease (NAFLD) is a complex multifactorial disease whose pathogenesis remains unclear. Dysbiosis in the gut microbiota affects the initiation and development of NAFLD, but the mechanisms is yet to be established. Keystone species represent excellent candidate targets for gut microbiome-based interventions, as they are defined as the species required for the integrity and stability of the ecological system. What are the new findings? NAFLD showed significant dysbiosis in butyrate-producing Lachnospiraceae and Ruminococcaceae species. Microbial interaction networks were constructed by the novel algorithm with causal inference. Keystone species were identified form microbial interaction networks through dynamic intervention modeling based on generalized Lotka-Volterra model. Eight keystone species of NAFLD with the highest potential for restoring the microbial composition were identified. How might it impact on clinical practice in the foreseeable future? An algorithm for the identification of keystone species from cross-sectional microbiome data based on causal inference theories and dynamic intervention modeling. Eight keystone species in the gut of NAFLD, represented by P. loveana , A. indistinctus and D. pneumosintes , which could efficiently restore the microbial composition of the NAFLD toward a normal gut microbiome. Our method may benefit microbiome studies in the broad fields of medicine, environmental science and microbiology.

ABSTRACT Precocious puberty (PP) mostly stems from endocrine disorders. However, its triggering factors, especially for the early onset of partial PP, and the associated pathogenic mechanisms remain ambiguous. In this study, a systematic analysis in the form of a questionnaire of lifestyles, gut microbiome, and serum metabolome data was carried out to examine the pathogenesis of PP in a cohort comprised of 200 girls, with or without PP. The analysis revealed substantial alterations in gut microbiota, serum metabolites, as well as lifestyle patterns in the PP group, which were characterized by an elevated abundance of β-glucuronidase-producing and butyrate-producing bacteria, and excessive lipid concentration with decreased levels of organic nitrogen compounds in the serum of the participants. These differential microbes and metabolites tend to be reliable non-invasive diagnostic biomarkers aiding the early diagnosis of PP and exhibit a strong discriminative power (AUC = 0.93 and AUC = 0.97, respectively). Furthermore, the microbial biomarkers were confirmed in an independent validation cohort (n = 83, AUC = 0.85). Moreover, structural equation modeling revealed that unhealthy dietary habits were the primary contributors for the alteration of gut microbiota and serum metabolites, triggering the imbalance in the host hormones that leads to premature physical development. Our study determines a causal relationship among the gut microbiota, host metabolites, diet, and clinical characteristics of preadolescent girls who experienced early onset of PP, and formulates non-invasive diagnostic tools demonstrating excellent performance for the early detection of PP.

Abstract Prior studies indicate no correlation between gut microbiota of healthy first-degree relatives (HFDRs) of Crohn’s disease (CD) patients and development of CD. Here, we utilized HFDRs as controls to examine the microbiota and metabolome in individuals with active (CD-A) and quiescent (CD-R) CD, thereby minimizing the influence of genetic and environmental factors. Compared to non-relative controls, the use of HFDR controls identified fewer differential taxa. Faecalibacterium, Dorea, and Fusicatenibacter showed decreased abundances in CD-R, independent of inflammation, and correlated with fecal SCFAs. Validation with a large multi-center cohort confirmed decreased abundances in Faecalibacterium and other SCFA-producing genera in CD-R. Classification models based on these genera distinguished CD-R and CD-A from healthy individuals, in both the discovery and validation cohorts. Thus, the decreased presence of Faecalibacterium, Dorea, and Fusicatenibacter in CD-R likely contributed to disease relapse through reduced SCFA production, highlighting their potential as diagnostic markers and therapeutic targets for CD.

Abstract Background & Aims Multiple mechanisms for the gut microbiome contributing to the pathogenesis of non-alcoholic fatty liver disease (NAFLD) have been implicated. Here, we aim to investigate the contribution and potential application for altered bile acid (BA) metabolizing microbe in NAFLD using whole metagenome sequencing (WMS) data. Methods 86 well-characterized biopsy-proven NAFLD patients and 38 healthy controls were included in the discovery cohort. Assembly-based analysis was performed to identify BA-metabolizing microbes. Statistical tests, feature selection and microbial interaction analysis were integrated to identify microbial alterations and markers in NAFLD. An independent validation cohort was subjected to similar analyses. Results NAFLD microbiota exhibited decreased diversity and microbial interactions. We established a classifier model with 53 differential species exhibiting a robust diagnostic accuracy (AUC=0.97) for dectecting NAFLD. Next, 8 important differential pathway markers including secondary BA biosynthesis were identified. Specifically, increased abundance of 7α-HSDH, baiA and baiB were detected in NAFLD. Further, 10 of 50 BA-metabolizing metagenome-assembled genomes (MAG)s, from Bacteroides ovatus and Eubacterium biforme , were dominant in NAFLD and interplayed as a synergetic ecological guild. Importantly, two subtypes of NAFLD patients were observed according to secondary BA metabolism potentials. Elevated capability for secondary BA biosynthesis was also observed in the validation cohort. Conclusions We identified novel bacterial BA-metabolizing genes and microbes that may contribute to NAFLD pathogenesis and serve as disease markers. Microbial differences in BA-metabolism and strain-specific differences among patients highlight the potential for precision medicine in NAFLD treatment.

Prior studies indicate no correlation between the gut microbes of healthy first-degree relatives (HFDRs) of patients with Crohn's disease (CD) and the development of CD. Here, we utilize HFDRs as controls to examine the microbiota and metabolome in individuals with active (CD-A) and quiescent (CD-R) CD, thereby minimizing the influence of genetic and environmental factors. When compared to non-relative controls, the use of HFDR controls identifies fewer differential taxa. Faecalibacterium, Dorea, and Fusicatenibacter are decreased in CD-R, independent of inflammation, and correlated with fecal short-chain fatty acids (SCFAs). Validation with a large multi-center cohort confirms decreased Faecalibacterium and other SCFA-producing genera in CD-R. Classification models based on these genera distinguish CD from healthy individuals and demonstrate superior diagnostic power than models constructed with markers identified using unrelated controls. Furthermore, these markers exhibited limited discriminatory capabilities for other diseases. Finally, our results are validated across multiple cohorts, underscoring their robustness and potential for diagnostic and therapeutic applications.

ABSTRACT Background Colorectal cancer (CRC) is a highly heterogeneous cancer with four consensus molecular subtypes (CMSs) characterized by distinct tumor microenvironment (TME). We aimed to depict the characteristics of host-microbiota interactions and their contributions to TME in each CMS. Methods Host transcriptome and intratumoral microbiome profiles of 594 CRC samples were derived from RNA-Seq data from TCGA. Differential host genes and microbes among CMSs were identified. Immune microenvironments were assessed by CIBERSORTx and ESTIMATE and microbial co-abundance analyses were performed by FastSpar. Host-microbiota associations were evaluated by LASSO penalized regression in each CMS. Results Along with distinct host gene signatures, including ferroptosis-related genes and immune microenvironments, 293, 153, 66 and 109 intratumoral differential microbial genera were identified within each of the four CMSs, respectively. Furthermore, the host-microbiota interactions contributed to distinct TME in each CMS, represented by 829, 1,270, 634 and 1,882 robust gene-microbe associations, respectively. The TME in CMS1 was featured with inflammation-related HSF1 activation and interactions between genes of endothelin pathway and Flammeovirga . Integrins-related genes positively correlated with Sutterella in CMS2 while CMS3 displayed microbial associations with biosynthetic and metabolic pathways. Genes in collagens biosynthesis positively correlated with Sutterella , contributing to homeostasis disturbance in CMS4. Besides, ferroptosis dysregulation was more remarkable in immune-high subtypes, which might partly result from the colonization of tissue microbes. Conclusions We systematically profiled the landscapes of TME, of each CMS in CRC, encompassing host genes, intratumoral microbiome and their interactions, which could illuminate novel mechanisms for the heterogeneity in CRC and potential therapeutic targets.

It is well accepted that mitochondria originated from an alphaproteobacterial-like ancestor. However, the phylogenetic relationship of the mitochondrial endosymbiont to extant alphaproteobacteria remains a subject of discussion. The focus of much debate is whether the affiliation between mitochondria and fast-evolving alphaproteobacterial lineages reflects true homology or artifacts. Approaches such as protein-recoding and site-exclusion have been claimed to mitigate compositional heterogeneity between taxa but this comes at the cost of information loss and the reliability of such methods is so far unjustified. Here we demonstrate that site-exclusion methods produce erratic phylogenetic estimates of mitochondrial origin. We applied alternative strategies to reduce phylogenetic noise by taxon replacement and selective exclusion while keeping site substitution information intact. Cross-validation based on a series of trees placed mitochondria robustly within Alphaproteobacteria.

Abstract Microbial signatures show remarkable potentials in predicting colorectal cancer (CRC). This study aimed to evaluate the diagnostic powers of multimodal microbial signatures, multi-kingdom species, genes, and single-nucleotide variants (SNVs) for detecting pre-cancerous adenomas. We performed cross-cohort analyses on whole metagenome sequencing data of 750 samples via xMarkerFinder to identify adenoma-associated microbial multimodal signatures. Our data revealed that fungal species outperformed species from other kingdoms with an area under the ROC curve (AUC) of 0.71 in distinguishing adenomas from controls, while classifier based on SNVs of bacterial species displayed the strongest diagnostic capability (AUC=0.89). SNV biomarkers also exhibited outstanding performances in three independent validation cohorts (AUCs = 0.83, 0.82, and 0.76, respectively) and were highly specific to adenoma. In further support of the above results, functional analyses revealed more frequent inter-kingdom associations between bacteria and fungi, and abnormalities in quorum sensing, purine and butanoate metabolism in adenoma, which were further validated in a newly-recruited cohort via qRT-PCR. Therefore, these data extend our understanding of adenoma-associated multimodal alterations in the gut microbiome and provide a rationale of microbial SNVs for the early detection of CRC.

Fibrosis is a key component in the pathogenic mechanism of many diseases. These diseases involving fibrosis may share common mechanisms, therapeutic targets and therefore, common intervention strategies and medicines may be applicable for these diseases. For this reason, deliberately introducing anti-fibrosis characteristics into modelling may lead to more success in drug repositioning. In this study, anti-fibrosis knowledge base was first built by collecting data from multiple resources. Both structural and biological profiles were derived from the knowledge base and used for constructing machine learning models including Structural Profile Prediction Model (SPPM) and Biological Profile Prediction Model (BPPM). Three external public data sets were employed for validation purpose and further exploration of potential repositioning drugs in wider chemical space. The resulting SPPM and BPPM models achieve area under the receiver operating characteristic curve (AUC) of 0.879 and 0.972 in the training set, and 0.814 and 0.874 in the testing set. Additionally, our results also demonstrate that substantial amount of multi-targeting natural products possess notable anti-fibrosis characteristics and might serve as encouraging candidates in fibrosis treatment and drug repositioning. To leverage our methodology and findings, we developed repositioning prediction platform, Drug Repositioning based on Anti-Fibrosis Characteristic (Dr AFC) that is freely accessible via https://www.biosino.org/drafc.