Lower respiratory tract infections (LRTIs) lead to more deaths each year than any other infectious disease category. Despite this, etiologic LRTI pathogens are infrequently identified due to limitations of existing microbiologic tests. In critically ill patients, noninfectious inflammatory syndromes resembling LRTIs further complicate diagnosis. To address the need for improved LRTI diagnostics, we performed metagenomic next-generation sequencing (mNGS) on tracheal aspirates from 92 adults with acute respiratory failure and simultaneously assessed pathogens, the airway microbiome, and the host transcriptome. To differentiate pathogens from respiratory commensals, we developed a rules-based model (RBM) and logistic regression model (LRM) in a derivation cohort of 20 patients with LRTIs or noninfectious acute respiratory illnesses. When tested in an independent validation cohort of 24 patients, both models achieved accuracies of 95.5%. We next developed pathogen, microbiome diversity, and host gene expression metrics to identify LRTI-positive patients and differentiate them from critically ill controls with noninfectious acute respiratory illnesses. When tested in the validation cohort, the pathogen metric performed with an area under the receiver-operating curve (AUC) of 0.96 (95% CI, 0.86–1.00), the diversity metric with an AUC of 0.80 (95% CI, 0.63–0.98), and the host transcriptional classifier with an AUC of 0.88 (95% CI, 0.75–1.00). Combining these achieved a negative predictive value of 100%. This study suggests that a single streamlined protocol offering an integrated genomic portrait of pathogen, microbiome, and host transcriptome may hold promise as a tool for LRTI diagnosis.

Metagenomic next-generation sequencing (mNGS) has enabled the rapid, unbiased detection and identification of microbes without pathogen-specific reagents, culturing, or a priori knowledge of the microbial landscape. mNGS data analysis requires a series of computationally intensive processing steps to accurately determine the microbial composition of a sample. Existing mNGS data analysis tools typically require bioinformatics expertise and access to local server-class hardware resources. For many research laboratories, this presents an obstacle, especially in resource-limited environments.We present IDseq, an open source cloud-based metagenomics pipeline and service for global pathogen detection and monitoring (https://idseq.net). The IDseq Portal accepts raw mNGS data, performs host and quality filtration steps, then executes an assembly-based alignment pipeline, which results in the assignment of reads and contigs to taxonomic categories. The taxonomic relative abundances are reported and visualized in an easy-to-use web application to facilitate data interpretation and hypothesis generation. Furthermore, IDseq supports environmental background model generation and automatic internal spike-in control recognition, providing statistics that are critical for data interpretation. IDseq was designed with the specific intent of detecting novel pathogens. Here, we benchmark novel virus detection capability using both synthetically evolved viral sequences and real-world samples, including IDseq analysis of a nasopharyngeal swab sample acquired and processed locally in Cambodia from a tourist from Wuhan, China, infected with the recently emergent SARS-CoV-2.The IDseq Portal reduces the barrier to entry for mNGS data analysis and enables bench scientists, clinicians, and bioinformaticians to gain insight from mNGS datasets for both known and novel pathogens.

Abstract Rapid production and publication of pathogen genome sequences during emerging disease outbreaks provide crucial public health information. In resource-limited settings, especially near an outbreak epicenter, conventional deep sequencing or bioinformatics are often challenging. Here we successfully used metagenomic next generation sequencing on an iSeq100 Illumina platform paired with an open-source bioinformatics pipeline to quickly characterize Cambodia’s first case of COVID-2019.

ABSTRACT Lower respiratory tract infections (LRTI) lead to more deaths each year than any other infectious disease category(1). Despite this, etiologic LRTI pathogens are infrequently identified due to limitations of existing microbiologic tests(2). In critically ill patients, non-infectious inflammatory syndromes resembling LRTI further complicate diagnosis. To address the need for improved LRTI diagnostics, we performed metagenomic next-generation sequencing (mNGS) on tracheal aspirates from 92 adults with acute respiratory failure and simultaneously assessed pathogens, the lung microbiome and the host transcriptome. To differentiate pathogens from respiratory commensals, we developed rules-based and logistic regression models (RBM, LRM) in a derivation cohort of 20 patients with LRTI or non-infectious acute respiratory illnesses. When tested in an independent validation cohort of 24 patients, both models achieved accuracies of 95.5%. We next developed pathogen, microbiome diversity, and host gene expression metrics to identify LRTI-positive patients and differentiate them from critically ill controls with non-infectious acute respiratory illnesses. When tested in the validation cohort, the pathogen metric performed with an AUC of 0.96 (95% CI = 0.86 - 1.00), the diversity metric with an AUC of 0.80 (95% CI = 0.63 – 0.98), and the host transcriptional classifier with an AUC of 0.91 (95% CI = 0.80 – 1.00). Combining all three achieved an AUC of 0.99 (95% CI = 0.97 – 1.00) and negative predictive value of 100%. This study suggests that a single streamlined protocol offering an integrated genomic portrait of pathogen, microbiome and host transcriptome may hold promise as a novel tool for LRTI diagnosis. SIGNIFICANCE STATEMENT Lower respiratory tract infections (LRTI) are the leading cause of infectious disease-related death worldwide yet remain challenging to diagnose because of limitations in existing microbiologic tests. In critically ill patients, non-infectious respiratory syndromes that resemble LRTI further complicate diagnosis and confound targeted treatment. To address this, we developed a novel metagenomic sequencing-based approach that simultaneously interrogates three core elements of acute airway infections: the pathogen, lung microbiome and host response. We studied this approach in a prospective cohort of critically ill patients with acute respiratory failure and found that combining pathogen, microbiome and host gene expression metrics achieved accurate LRTI diagnosis and identified etiologic pathogens in patients with clinically identified infections but otherwise negative testing. Funding NHLBI K12HL119997 (Langelier C), NHLBI K23HL123778 (Christensen S), NIAID P01AI091575 and the Chan Zuckerberg Biohub (DeRisi JL), NHLBI K23 HL136844 (Moazed F), NHLBI R01HL110969, K24HL133390, R35HL140026 (Calfee C), Gladstone Institutes (Pollard KS).

ABSTRACT RATIONALE Current microbiologic diagnostics often fail to identify the etiology of lower respiratory tract infections (LRTI) in hematopoietic cellular transplant recipients (HCT), which precludes the implementation of targeted therapies. OBJECTIVES To address the need for improved LRTI diagnostics, we evaluated the utility of metagenomic next generation sequencing (mNGS) of bronchoalveolar lavage (BAL) to detect microbial pathogens in HCT patients with acute respiratory illnesses. METHODS We enrolled 22 post-HCT adults ages 19-69 years with acute respiratory illnesses who underwent BAL at the University of Michigan between January 2012 and May 2013. mNGS was performed on BAL fluid to detect microbes and simultaneously assess the host transcriptional response. Results were compared against conventional microbiologic assays. MEASUREMENTS & MAIN RESULTS mNGS demonstrated 100% sensitivity for detecting respiratory microbes (human metapneumovirus, respiratory syncytial virus, Stenotrophomonas maltophilia , human herpesvirus 6 and cytomegalovirus) when compared to standard testing. Previously unrecognized LRTI pathogens were identified in six patients for whom standard testing was negative (human coronavirus 229E, human rhinovirus A, Corynebacterium propinquum and Streptococcus mitis ); findings were confirmed by independent PCR and 16S rRNA sequencing. Relative to patients without infection, patients with infection had increased expression of immunity related genes (p=0.022) and significantly lower diversity of their respiratory microbiome (p=0.017). CONCLUSIONS Compared to conventional diagnostics, mNGS enhanced detection of pathogens in BAL fluid from HCT patients. Furthermore, our results suggest that combining unbiased microbial pathogen detection with assessment of host gene biomarkers of immune response may hold promise for enhancing the diagnosis of post-HCT respiratory infections.

Abstract We engaged metagenomic next generation sequencing to longitudinally assess the gut microbiota and antimicrobial resistomes of international travelers to understand global exchange of resistant organisms. Travel resulted in an increase in antimicrobial resistance genes and a greater proportion of Escherichia species within gut microbial communities without impacting diversity.

ABSTRACT Metagenomics has enabled the rapid, unbiased detection of microbes across diverse sample types, leading to exciting discoveries in infectious disease, microbiome, and viral research. However, the analysis of metagenomic data is often complex and computationally resource-intensive. CZ ID is a free, cloud-based genomic analysis platform that enables researchers to detect microbes using metagenomic data, identify antimicrobial resistance genes, and generate viral consensus genomes. With CZ ID, researchers can upload raw sequencing data, find matches in NCBI databases, get per-sample taxon metrics, and perform a variety of analyses and data visualizations. The intuitive interface and interactive visualizations make exploring and interpreting results simple. Here, we describe the expansion of CZ ID with a new long read mNGS pipeline that accepts Oxford Nanopore generated data ( czid.org ). We report benchmarking of a standard mock microbial community dataset against Kraken2, a widely used tool for metagenomic analysis. We evaluated the ability of this new pipeline to detect divergent viruses using simulated datasets. We also assessed the detection limit of a spiked-in virus to a cell line as a proxy for clinical samples. Lastly, we detected known and novel viruses in previously characterized disease vector (mosquitoes) samples.

ABSTRACT Protection against Plasmodium falciparum , which is primarily antibody-mediated, requires recurrent exposure to develop. The study of both naturally acquired limited immunity and vaccine induced protection against malaria remains critical for ongoing eradication efforts. Towards this goal, we deployed a customized P. falciparum PhIP-seq T7 phage display library containing 238,068 tiled 62-amino acid peptides, covering all known coding regions, including antigenic variants, to systematically profile antibody targets in 198 Ugandan children and adults from high and moderate transmission settings. Repeat elements – short amino acid sequences repeated within a protein – were significantly enriched in antibody targets. While breadth of responses to repeat-containing peptides was twofold higher in children living in the high versus moderate exposure setting, no such differences were observed for peptides without repeats, suggesting that antibody responses to repeat-containing regions may be more exposure dependent and/or less durable in children than responses to regions without repeats. Additionally, short motifs associated with seroreactivity were extensively shared among hundreds of antigens, potentially representing cross- reactive epitopes. PfEMP1 shared motifs with the greatest number of other antigens, partly driven by the diversity of PfEMP1 sequences. These data suggest that the large number of repeat elements and potential cross-reactive epitopes found within antigenic regions of P. falciparum could contribute to the inefficient nature of malaria immunity.

ABSTRACT Mass mortality events in wildlife can be indications of an emerging infectious disease. During the spring and summer of 2021, hundreds of dead passerines were reported across the eastern US. Birds exhibited a range of clinical signs including swollen conjunctiva, ocular discharge, ataxia, and nystagmus. As part of the diagnostic investigation, high-throughput metagenomic next-generation sequencing was performed across three molecular laboratories on samples from affected birds. Many potentially pathogenic microbes were detected, with bacteria comprising the largest proportion; however, no singular agent was consistently identified, with many of the detected microbes also found in unaffected (control) birds, and thus considered to be subclinical infections. Congruent results across laboratories have helped drive further investigation into alternative causes including environmental contaminants and nutritional deficiencies. This work highlights the utility of metagenomic approaches in investigations of emerging diseases and provides a framework for future wildlife mortality events. Article Summary Line The causative agent of a mass mortality event in passerines remains inconclusive after metagenomic high-throughput sequencing with results prompting further investigation into non-pathogenic causes.

Antimicrobial resistant (AMR) pathogens represent urgent threats to human health, and their surveillance is of paramount importance. Metagenomic next generation sequencing (mNGS) has revolutionized such efforts, but remains challenging due to the lack of open-access bioinformatics tools capable of simultaneously analyzing both microbial and AMR gene sequences. To address this need, we developed the Chan Zuckerberg ID (CZ ID) AMR module, an open-access, cloud-based workflow designed to integrate detection of both microbes and AMR genes in mNGS and whole-genome sequencing (WGS) data. It leverages the Comprehensive Antibiotic Resistance Database and associated Resistance Gene Identifier software, and works synergistically with the CZ ID short-read mNGS module to enable broad detection of both microbes and AMR genes. We highlight diverse applications of the AMR module through analysis of both publicly available and newly generated mNGS and WGS data from four clinical cohort studies and an environmental surveillance project. Through genomic investigations of bacterial sepsis and pneumonia cases, hospital outbreaks, and wastewater surveillance data, we gain a deeper understanding of infectious agents and their resistomes, highlighting the value of integrating microbial identification and AMR profiling for both research and public health. We leverage additional functionalities of the CZ ID mNGS platform to couple resistome profiling with the assessment of phylogenetic relationships between nosocomial pathogens, and further demonstrate the potential to capture the longitudinal dynamics of pathogen and AMR genes in hospital acquired bacterial infections. In sum, the new AMR module advances the capabilities of the open-access CZ ID microbial bioinformatics platform by integrating pathogen detection and AMR profiling from mNGS and WGS data. Its development represents a critical step toward democratizing pathogen genomic analysis and supporting collaborative efforts to combat the growing threat of AMR.