Abstract Fungi have evolved a plethora of functionally diverse secondary metabolites (SMs) to enhance their adaptation to various environments. To understand how structurally diverse metabolites contribute to fungal adaptation, we elucidate fungus-mycohost specific interactions mediated by a family of polypeptides, i.e. , peptaibols. We specified that peptaibol structural diversification was attributed to the nonspecific substrate recognition by the highly conserved peptaibol synthetases (PSs) in dead wood inhabiting mycoparasitic fungi from the genus Trichoderma . Exemplified by investigation of T. hypoxylon , we characterized a library of 19 amino acid residue peptaibols, named trichohypolins, containing 42 derivatives synthesized by a single PS enzyme (NPS1 Th ). Elimination of trichohypolin production by the deletion of nps1 Th reduced the inhibitory activities of T. hypoxylon on at least 15 saprotrophic host fungi, indicating that peptaibols are essential for interactions of Trichoderma spp. with their mycohosts. Different antagonistic effects of five trichohypolin subfractions SF1–SF5 and two pure compounds trichohypolins A ( 1 ) and B ( 2 ) on saprotrophic host fungi revealed specific activities of peptaibol derivatives in mediating fungus-mycohost interaction. Our study provides insights into the role of metabolic diversity of biosynthetic pathways in interfungal interactions.

Abstract Non-ribosomal peptide synthetase (NRPS) is a diverse family of biosynthetic enzymes for the assembly of bioactive peptides. Despite advances in microbial sequencing, the lack of a consistent standard for annotating NRPS domains and modules has made data-driven discoveries challenging. To address this, we introduced a standardized architecture for NRPS, by using known conserved motifs to partition typical domains. This motif-and-intermotif standardization allowed for systematic evaluations of sequence properties from a large number of NRPS pathways, resulting in the most comprehensive cross-kingdom C domain subtype classifications to date, as well as the discovery and experimental validation of novel conserved motifs with functional significance. Furthermore, our coevolution analysis revealed important barriers associated with reengineering NRPSs and uncovered the entanglement between phylogeny and substrate specificity in NRPS sequences. Our findings provide a comprehensive and statistically insightful analysis of NRPS sequences, opening avenues for future data-driven discoveries. Author Summary NRPS, a gigantic enzyme that produces diverse microbial secondary metabolites, provides a rich source for important medical products including antibiotics. Despite the extensive knowledge gained about its structure and the large amount of sequencing data available, the frequent failure of reengineering NRPS in synthetic biology highlights the fact that much is still unknown. In this work, we applied existing knowledge to data mining of NRPS sequences, using well-known conserved motifs to partition NRPS sequences into motif-intermotif architectures. This standardization allows for integrating large amounts of sequences from different sources, providing a comprehensive overview of NRPSs across different kingdoms. Our findings included new C domain subtypes, novel conserved motifs with implication in structural flexibility, and insights into why NRPSs are so difficult to reengineer. To facilitate researchers in related fields, we constructed an online platform “NRPS Motif Finder” for parsing the motif-and-intermotif architecture and C domain subtype classification ( http://www.bdainformatics.org/page?type=NRPSMotifFinder ). We believe that this knowledge-guided approach not only advances our understanding of NRPSs but also provides a useful methodology for data mining in large-scale biological sequences.

Microbial secondary metabolites have long been recognized as a rich source for pharmaceutical compound discovery and to have crucial ecological functions. However, the sequence-to-function mapping in microbial secondary metabolism pathways remains challenging because neither protein function nor substrate specificity can accurately be predicted from genome data. Here we focus on the iron-scavenging pyoverdines, siderophores of Pseudomonas bacteria, as model system to develop a knowledge-guided bioinformatic pipeline that extracts functional information of both the pyoverdine synthesis machinery and uptake receptors from 1928 draft genomes. For pyoverdine synthesis, our approach predicts the chemical structure of 188 different pyoverdines with nearly 100% accuracy. For pyoverdine uptake, our pipeline uncovers 94 different pyoverdine receptor groups. Our results demonstrate that combining feature sequence and phylogenetic approaches is a powerful way to reconstruct bacterial secondary metabolism pathways based on sequence data, unveiling an enormous yet overlooked diversity of siderophores and their receptors.

Unlocking the secrets of microbial interactions through genomics is pivotal for advancing microbial ecology. In most ecosystems, the scarcity of iron makes iron-mediated interactions a central theme in shaping microbial communities. Bacteria have evolved diverse strategies, including the production of siderophores, diverse secondary metabolites, to scavenge iron from their surroundings. Here, we use bioinformatic tools to predict siderophore iron-interaction networks among 1928 Pseudomonas strains from sequence data. Our approach uses coevolution analysis to group siderophore synthetase clusters and receptors used for uptake into key-lock pairs. Through a mix of computational analyses and experimental validation, we reconstruct Pseudomonas iron-interaction networks across a spectrum of habitats, from soil to water, plants, and human-related environments and reveal substantial differences in network structure and connectivity across habitats. Altogether, our sequence-to-interaction mapping tool empowers researchers to decode bacterial ecology in complex microbiomes, setting the stage for novel interventions to engineer microbiome functionality.

Abstract Siderophores, a highly diverse family of secondary metabolites, play a crucial role in facilitating the acquisition of the essential iron. However, the current discovery of siderophore relies largely on manual approaches. In this work, we introduced SIDERTE, a digitized siderophore information database containing 822 siderophore records with 649 unique structures. Leveraging this digitalized dataset, we gained a systematic overview of siderophores by their clustering patterns in the chemical space. Building upon this, we developed a ligand-based method for predicting new iron-binding molecules. Applying this method to a commercial library, we experimentally confirmed that 40 out of the 48 molecules predicted as siderophore candidates possessed iron-binding abilities. Expanding our approach to the COCONUT natural product database, we predicted a staggering 3,199 siderophore candidates, showcasing remarkable structure diversity that are largely unexplored. Our study provides a valuable resource for accelerating the discovery of novel iron-binding molecules and advancing our understanding towards siderophores.

Abstract Iron is a critical yet limited nutrient for microbial growth. To scavenge iron, most microbes produce siderophores—diverse small molecules with high iron affinities. Different siderophores are specifically recognized and uptaken by corresponding recognizers, enabling targeted interventions and intriguing cheater‐producer dynamics. We propose constructing a comprehensive iron interaction network, or “iron‐net”, across the microbial world. Such a network offers the potential for precise manipulation of the microbiota, with conceivable applications in medicine, agriculture, and industry as well as advancing microbial ecology and evolution theories. Previously, our successful construction of an iron‐net in the Pseudomonas genus demonstrated the feasibility of coevolution‐inspired digital siderophore‐typing. Enhanced by machine learning techniques and expanding sequencing data, forging such an iron‐net calls for multidisciplinary collaborations and holds significant promise in addressing critical challenges in microbial communities.

Bacterial social interactions play crucial roles in various ecological, medical, and biotechnological contexts. However, predicting these interactions from genome sequences is notoriously difficult. Here, we developed bioinformatic tools to predict whether secreted iron-scavenging siderophores stimulate or inhibit the growth of community members. Siderophores are chemically diverse and can be stimulatory or inhibitory depending on whether bacteria have or lack corresponding uptake receptors. We focused on 1928 representative Pseudomonas genomes and developed an experimentally validated coevolution algorithm to match encoded siderophore synthetases to corresponding receptor groups. We derived community-level iron interaction networks to show that siderophore-mediated interactions differ across habitats and lifestyles. Specifically, dense networks of siderophore sharing and competition were observed among environmental and nonpathogenic species, while small, fragmented networks occurred among human-associated and pathogenic species. Together, our sequence-to-ecology approach empowers the analyses of social interactions among thousands of bacterial strains and offers opportunities for targeted intervention to microbial communities.