ABSTRACT Parkinson’s disease (PD) is a systemic disease clinically defined by the degeneration of dopaminergic neurons in the brain. While alterations in the gut microbiome composition have been reported in PD, their functional consequences remain unclear. Herein, we first analysed the gut microbiome of patients and healthy controls by 16S rRNA gene sequencing of stool samples from the Luxembourg Parkinson’s study (n=147 typical PD cases, n=162 controls). All individuals underwent detailed clinical assessment, including neurological examinations and neuropsychological tests followed by self-reporting questionnaires. Second, we predicted the potential secretion for 129 microbial metabolites through personalised metabolic modelling using the microbiome data and genome-scale metabolic reconstructions of human gut microbes. Our key results include: 1. eight genera and nine species changed significantly in their relative abundances between PD patients and healthy controls. 2. PD-associated microbial patterns statistically depended on sex, age, BMI, and constipation. The relative abundances of Bilophila and Paraprevotella were significantly associated with the Hoehn and Yahr staging after controlling for the disease duration. In contrast, dopaminergic medication had no detectable effect on the PD microbiome composition. 3. Personalised metabolic modelling of the gut microbiomes revealed PD-associated metabolic patterns in secretion potential of nine microbial metabolites in PD, including increased methionine and cysteinylglycine. The microbial pantothenic acid production potential was linked to the presence of specific non-motor symptoms and attributed to individual bacteria, such as Akkermansia muciniphila and Bilophila wardswarthia . Our results suggest that PD-associated alterations of gut microbiome could translate into functional differences affecting host metabolism and disease phenotype.

SUMMARY Human gut bacteria perform diverse metabolic functions with consequences for host health. The prevalent and disease-linked Actinobacterium Eggerthella lenta performs several unusual chemical transformations, but it does not metabolize sugars and its core growth strategy remains unclear. To obtain a comprehensive view of the metabolic network of E. lenta , we generated several complementary resources: defined culture media, metabolomics profiles of strain isolates, and a curated genome-scale metabolic reconstruction. Stable isotope-resolved metabolomics revealed that E. lenta uses acetate as a key carbon source while catabolizing arginine to generate ATP, traits which could be recapitulated in silico by our updated metabolic model. We compared these in vitro findings with metabolite shifts observed in E. lenta- colonized gnotobiotic mice, identifying shared signatures across environments and highlighting catabolism of the host signaling metabolite agmatine as an alternative energy pathway. Together, our results elucidate a distinctive metabolic niche filled by E. lenta in the gut ecosystem.

Abstract Constraint-based modelling can mechanistically simulate the behaviour of a biochemical system, permitting hypotheses generation, experimental design and interpretation of experimental data, with numerous applications, including modelling of metabolism. Given a generic model, several methods have been developed to extract a context-specific, genome-scale metabolic model by incorporating information used to identify metabolic processes and gene activities in a given context. However, existing model extraction algorithms are unable to ensure that the context-specific model is thermodynamically feasible. This protocol introduces XomicsToModel , a semi-automated pipeline that integrates bibliomic, transcriptomic, proteomic, and metabolomic data with a generic genome-scale metabolic reconstruction, or model, to extract a context-specific, genome-scale metabolic model that is stoichiometrically, thermodynamically and flux consistent. The XomicsToModel pipeline is exemplified for extraction of a specific metabolic model from a generic metabolic model, but it enables omics data integration and extraction of physicochemically consistent mechanistic models from any generic biochemical network. With all input data fully prepared, algorithmic completion of the pipeline takes ~10 min, however manual review of intermediate results may also be required, e.g., when inconsistent input data lead to an infeasible model.

Abstract Starting with a comprehensive generic reconstruction of human metabolism, we generated high-quality, constraint-based, genome-scale, cell-type and condition specific models of metabolism in human dopaminergic neurons, the cell type most vulnerable to degeneration in Parkinson ’ s disease. They are a synthesis of extensive manual curation of the biochemical literature on neuronal metabolism, together with novel, quantitative, transcriptomic and targeted exometabolomic data from human stem cell-derived, midbrainspecific, dopaminergic neurons in vitro . Thermodynamic constraint-based modelling enabled qualitatively accurate and moderately quantitatively accurate prediction of dopaminergic neuronal metabolite exchange fluxes, including predicting the consequences of metabolic perturbations in a manner also consistent with literature on monogenic mitochondrial Parkinson ’ s disease. These dopaminergic neurons models provide a foundation for a quantitative systems biochemistry approach to metabolic dysfunction in Parkinson ’ s disease. Moreover, the plethora of novel mathematical and computational approaches required to develop them are generalisable to study any other disease associated with metabolic dysfunction.

Abstract Inflammatory bowel diseases (IBD) are characterised by episodic inflammation of the gastrointestinal tract. Gut microbial dysbiosis characterises the pathoetiology, but its role remains understudied. We report the first use of constraint-based microbial community modelling on a single individual with IBD, covering seven dates over 16 months, enabling us to identify a number of time-correlated microbial species and metabolites. We find that the individual’s dynamical microbial ecology in the disease state drives time-varying in silico overproduction, compared to healthy controls, of more than 24 biologically important metabolites, including oxygen, methane, thiamine, formaldehyde, trimethylamine N-oxide, folic acid, serotonin, histamine, and tryptamine. A number of these metabolites may yield new biomarkers of disease progression. The microbe-metabolite contribution analysis revealed that some genus Dialister species changed metabolic pathways according to the disease phases. At the first time point, characterised by the highest levels of blood and faecal inflammation biomarkers, they produced L-serine or formate. The production of the compounds, through a cascade effect, was mediated by the interaction with pathogenic Escherichia coli strains and Desulfovibrio piger . We integrated the microbial community metabolic models of each time point with a male whole-body, organ-resolved model of human metabolism to track the metabolic consequences of dysbiosis at different body sites. The presence of D. piger in the gut microbiome influenced the sulphur metabolism with a domino effect affecting the liver. These results underline the importance of tracking an individual’s gut microbiome along a time course, creating a new analysis framework for self-quantified medicine. Graphical abstract

Comprehensive whole-body models (WBMs) accounting for organ-specific dynamics have been developed to simulate adult metabolism, but such models do not exist for infants. Here, we present a resource of 360 organ-resolved, sex-specific models of newborn and infant metabolism (infant-WBMs) spanning the first 180 days of life. These infant-WBMs were parameterized to represent the distinct metabolic characteristics of newborns and infants, including nutrition, energy requirements, and thermoregulation. We demonstrate that the predicted infant growth was consistent with the recommendation by the World Health Organization. We assessed the infant-WBMs' reliability and capabilities for personalization by simulating 10,000 newborns based on their blood metabolome and birth weight. Furthermore, the infant-WBMs accurately predicted changes in known biomarkers over time and metabolic responses to treatment strategies for inherited metabolic diseases. The infant-WBM resource holds promise for personalized medicine, as the infant-WBMs could be a first step to digital metabolic twins for newborn and infant metabolism.

A multitude of factors contribute to complex diseases and can be measured with "omics" methods. Databases facilitate data interpretation for underlying mechanisms. Here, we describe the Virtual Metabolic Human (VMH, http://vmh.life) database encapsulating current knowledge of human metabolism within five interlinked resources "Human metabolism", "Gut microbiome", "Disease", "Nutrition", and "ReconMaps". The VMH captures 5,180 unique metabolites, 17,730 unique reactions, 3,288 human genes, 255 Mendelian diseases, 818 microbes, 632,685 microbial genes, and 8,790 food items. The VMH's unique features are i) the hosting the metabolic reconstructions of human and gut microbes amenable for metabolic modeling; ii) seven human metabolic maps for data visualization; iii) a nutrition designer; iv) a user-friendly webpage and application-programming interface to access its content; and v) user feedback option for community engagement. We demonstrate with four examples the VMH's utility. The VMH represents a novel, interdisciplinary database for data interpretation and hypothesis generation to the biomedical community.

The essential role of the gut microbiota for host health and nutrition is well established for many terrestrial animals, while its importance for fish and particularly Atlantic salmon is unclear. Here, we present the Salmon Microbial Genome Atlas (SMGA) originating from wild and farmed fish both in freshwater and seawater, and consisting of 211 high-quality bacterial genomes, recovered by cultivation (n=131) and gut metagenomics (n=80). Bacterial genomes were taxonomically assigned into 14 different orders, including 28 distinctive genera and 31 potentially novel species. Benchmarking the SMGA, we functionally characterized key populations in the salmon gut that were detected in vivo. This included the ability to degrade diet-derived fibers and release vitamins and other exo-metabolites with known beneficial effects, which were validated by in vitro cultivation and untargeted metabolomics. Together, the SMGA enables high resolution functional insight into salmon gut microbiota with relevance for salmon nutrition and health.

Extensive whole-body models (WBMs) accounting for organ-specific dynamics have been developed to simulate adult metabolism. However, there is currently a lack of models representing infant metabolism taking into consideration its special requirements in energy balance, nutrition, and growth. Here, we present a resource of organ-resolved, sex-specific, anatomically accurate models of newborn and infant metabolism, referred to as infant-whole-body models (infant-WBMs), spanning the first 180 days of life. These infant-WBMs were parameterised to represent the distinct metabolic characteristics of newborns and infants accurately. In particular, we adjusted the changes in organ weights, the energy requirements of brain development, heart function, and thermoregulation, as well as dietary requirements and energy requirements for physical activity. Subsequently, we validated the accuracy of the infant-WBMs by showing that the predicted neonatal and infant growth was consistent with the recommended growth by the World Health Organisation. We assessed the infant-WBMs9 reliability and capabilities for personalisation by simulating 10,000 newborn models, personalised with blood concentration measurements from newborn screening and birth weight. Moreover, we demonstrate that the models can accurately predict changes over time in known blood biomarkers in inherited metabolic diseases. By this, the infant-WBM resource can provide valuable insights into infant metabolism on an organ-resolved level and enable a holistic view of the metabolic processes occurring in infants, considering the unique energy and dietary requirements as well as growth patterns specific to this population. As such, the infant-WBM resource holds promise for personalised medicine, as the infant-WBMs could be a first step to digital metabolic twins for newborn and infant metabolism for personalised systematic simulations and treatment planning.

Motivation: The application of constraint-based modeling to functionally analyze metagenomic data has been limited so far, partially due to the absence of suitable toolboxes. Results: To address this shortage, we created a comprehensive toolbox to model i) microbe- microbe and host-microbe metabolic interactions, and ii) microbial communities using microbial genome-scale metabolic reconstructions and metagenomic data. The Microbiome Modeling Toolbox extends the functionality of the COBRA Toolbox. Availability: The Microbiome Modeling Toolbox and the tutorials at https://git.io/microbiomeModelingToolbox.