ABSTRACT mothur aims to be a comprehensive software package that allows users to use a single piece of software to analyze community sequence data. It builds upon previous tools to provide a flexible and powerful software package for analyzing sequencing data. As a case study, we used mothur to trim, screen, and align sequences; calculate distances; assign sequences to operational taxonomic units; and describe the α and β diversity of eight marine samples previously characterized by pyrosequencing of 16S rRNA gene fragments. This analysis of more than 222,000 sequences was completed in less than 2 h with a laptop computer.

Rapid advances in sequencing technology have changed the experimental landscape of microbial ecology. In the last 10 years, the field has moved from sequencing hundreds of 16S rRNA gene fragments per study using clone libraries to the sequencing of millions of fragments per study using next-generation sequencing technologies from 454 and Illumina. As these technologies advance, it is critical to assess the strengths, weaknesses, and overall suitability of these platforms for the interrogation of microbial communities. Here, we present an improved method for sequencing variable regions within the 16S rRNA gene using Illumina's MiSeq platform, which is currently capable of producing paired 250-nucleotide reads. We evaluated three overlapping regions of the 16S rRNA gene that vary in length (i.e., V34, V4, and V45) by resequencing a mock community and natural samples from human feces, mouse feces, and soil. By titrating the concentration of 16S rRNA gene amplicons applied to the flow cell and using a quality score-based approach to correct discrepancies between reads used to construct contigs, we were able to reduce error rates by as much as two orders of magnitude. Finally, we reprocessed samples from a previous study to demonstrate that large numbers of samples could be multiplexed and sequenced in parallel with shotgun metagenomes. These analyses demonstrate that our approach can provide data that are at least as good as that generated by the 454 platform while providing considerably higher sequencing coverage for a fraction of the cost.

ABSTRACT Although copious qualitative information describes the members of the diverse microbial communities on Earth, statistical approaches for quantifying and comparing the numbers and compositions of lineages in communities are lacking. We present a method that addresses the challenge of assigning sequences to operational taxonomic units (OTUs) based on the genetic distances between sequences. We developed a computer program, DOTUR, which assigns sequences to OTUs by using either the furthest, average, or nearest neighbor algorithm for each distance level. DOTUR uses the frequency at which each OTU is observed to construct rarefaction and collector's curves for various measures of richness and diversity. We analyzed 16S rRNA gene libraries derived from Scottish and Amazonian soils and the Sargasso Sea with DOTUR, which assigned sequences to OTUs rapidly and reliably based on the genetic distances between sequences and identified previous inconsistencies and errors in assigning sequences to OTUs. An analysis of the two 16S rRNA gene libraries from soil demonstrated that they do not contain enough sequences to support a claim that they contain different numbers of bacterial lineages with statistical confidence ( P > 0.05), nor do they contain enough sequences to provide a robust estimate of species richness when an OTU is defined as containing sequences that are no more than 3% different from each other. In contrast, the richness of OTUs at the 3% level in the Sargasso Sea collection began to plateau after the sampling of 690 sequences. We anticipate that an equivalent extent of sampling for soil would require sampling more than 10,000 sequences, almost 100 times the size of typical sequence collections obtained from soil.

The advent of next generation sequencing has coincided with a growth in interest in using these approaches to better understand the role of the structure and function of the microbial communities in human, animal, and environmental health. Yet, use of next generation sequencing to perform 16S rRNA gene sequence surveys has resulted in considerable controversy surrounding the effects of sequencing errors on downstream analyses. We analyzed 2.7×106 reads distributed among 90 identical mock community samples, which were collections of genomic DNA from 21 different species with known 16S rRNA gene sequences; we observed an average error rate of 0.0060. To improve this error rate, we evaluated numerous methods of identifying bad sequence reads, identifying regions within reads of poor quality, and correcting base calls and were able to reduce the overall error rate to 0.0002. Implementation of the PyroNoise algorithm provided the best combination of error rate, sequence length, and number of sequences. Perhaps more problematic than sequencing errors was the presence of chimeras generated during PCR. Because we knew the true sequences within the mock community and the chimeras they could form, we identified 8% of the raw sequence reads as chimeric. After quality filtering the raw sequences and using the Uchime chimera detection program, the overall chimera rate decreased to 1%. The chimeras that could not be detected were largely responsible for the identification of spurious operational taxonomic units (OTUs) and genus-level phylotypes. The number of spurious OTUs and phylotypes increased with sequencing effort indicating that comparison of communities should be made using an equal number of sequences. Finally, we applied our improved quality-filtering pipeline to several benchmarking studies and observed that even with our stringent data curation pipeline, biases in the data generation pipeline and batch effects were observed that could potentially confound the interpretation of microbial community data.

Microbial communities carry out the majority of the biochemical activity on the planet, and they play integral roles in processes including metabolism and immune homeostasis in the human microbiome. Shotgun sequencing of such communities' metagenomes provides information complementary to organismal abundances from taxonomic markers, but the resulting data typically comprise short reads from hundreds of different organisms and are at best challenging to assemble comparably to single-organism genomes. Here, we describe an alternative approach to infer the functional and metabolic potential of a microbial community metagenome. We determined the gene families and pathways present or absent within a community, as well as their relative abundances, directly from short sequence reads. We validated this methodology using a collection of synthetic metagenomes, recovering the presence and abundance both of large pathways and of small functional modules with high accuracy. We subsequently applied this method, HUMAnN, to the microbial communities of 649 metagenomes drawn from seven primary body sites on 102 individuals as part of the Human Microbiome Project (HMP). This provided a means to compare functional diversity and organismal ecology in the human microbiome, and we determined a core of 24 ubiquitously present modules. Core pathways were often implemented by different enzyme families within different body sites, and 168 functional modules and 196 metabolic pathways varied in metagenomic abundance specifically to one or more niches within the microbiome. These included glycosaminoglycan degradation in the gut, as well as phosphate and amino acid transport linked to host phenotype (vaginal pH) in the posterior fornix. An implementation of our methodology is available at http://huttenhower.sph.harvard.edu/humann. This provides a means to accurately and efficiently characterize microbial metabolic pathways and functional modules directly from high-throughput sequencing reads, enabling the determination of community roles in the HMP cohort and in future metagenomic studies.

The microbiome composition of 300 individuals sampled over 12–18 months was partitioned into microbial community types, which could be associated with the type found at other body sites, as well as with whether individuals were breastfed as an infant, their gender and their level of education. The Human Microbiome Project provided a reference collection of 16S rRNA gene sequences from sites across the human body from 300 individuals at a single point in time. Here Tao Ding and Patrick Schloss incorporate additional data collected over the course of 12–18 months, partitioning the complete data set into community types for each body site and comparing the results with life-history factors. Highlights of their analysis include strong associations between community type and whether the individuals were breastfed as an infant, their gender, and their level of education. In addition, they find that although the community types of the oral and gut microbiota were distinct, they were also predictive of each other. A primary goal of the Human Microbiome Project (HMP) was to provide a reference collection of 16S ribosomal RNA gene sequences collected from sites across the human body that would allow microbiologists to better associate changes in the microbiome with changes in health1. The HMP Consortium has reported the structure and function of the human microbiome in 300 healthy adults at 18 body sites from a single time point2,3. Using additional data collected over the course of 12–18 months, we used Dirichlet multinomial mixture models4 to partition the data into community types for each body site and made three important observations. First, there were strong associations between whether individuals had been breastfed as an infant, their gender, and their level of education with their community types at several body sites. Second, although the specific taxonomic compositions of the oral and gut microbiomes were different, the community types observed at these sites were predictive of each other. Finally, over the course of the sampling period, the community types from sites within the oral cavity were the least stable, whereas those in the vagina and gut were the most stable. Our results demonstrate that even with the considerable intra- and interpersonal variation in the human microbiome, this variation can be partitioned into community types that are predictive of each other and are probably the result of life-history characteristics. Understanding the diversity of community types and the mechanisms that result in an individual having a particular type or changing types, will allow us to use their community types to assess disease risk and to personalize therapies.

Rationale: Results from 16S rDNA-encoding gene sequence–based, culture-independent techniques have led to conflicting conclusions about the composition of the lower respiratory tract microbiome.Objectives: To compare the microbiome of the upper and lower respiratory tract in healthy HIV-uninfected nonsmokers and smokers in a multicenter cohort.Methods: Participants were nonsmokers and smokers without significant comorbidities. Oral washes and bronchoscopic alveolar lavages were collected in a standardized manner. Sequence analysis of bacterial 16S rRNA-encoding genes was performed, and the neutral model in community ecology was used to identify bacteria that were the most plausible members of a lung microbiome.Measurements and Main Results: Sixty-four participants were enrolled. Most bacteria identified in the lung were also in the mouth, but specific bacteria such as Enterobacteriaceae, Haemophilus, Methylobacterium, and Ralstonia species were disproportionally represented in the lungs compared with values predicted by the neutral model. Tropheryma was also in the lung, but not the mouth. Mouth communities differed between nonsmokers and smokers in species such as Porphyromonas, Neisseria, and Gemella, but lung bacterial populations did not.Conclusions: This study is the largest to examine composition of the lower respiratory tract microbiome in healthy individuals and the first to use the neutral model to compare the lung to the mouth. Specific bacteria appear in significantly higher abundance in the lungs than would be expected if they originated from the mouth, demonstrating that the lung microbiome does not derive entirely from the mouth. The mouth microbiome differs in nonsmokers and smokers, but lung communities were not significantly altered by smoking.

Here we present a standard developed by the Genomic Standards Consortium (GSC) for reporting marker gene sequences—the minimum information about a marker gene sequence (MIMARKS). We also introduce a system for describing the environment from which a biological sample originates. The 'environmental packages' apply to any genome sequence of known origin and can be used in combination with MIMARKS and other GSC checklists. Finally, to establish a unified standard for describing sequence data and to provide a single point of entry for the scientific community to access and learn about GSC checklists, we present the minimum information about any (x) sequence (MIxS). Adoption of MIxS will enhance our ability to analyze natural genetic diversity documented by massive DNA sequencing efforts from myriad ecosystems in our ever-changing biosphere.

ABSTRACT In spite of technical advances that have provided increases in orders of magnitude in sequencing coverage, microbial ecologists still grapple with how to interpret the genetic diversity represented by the 16S rRNA gene. Two widely used approaches put sequences into bins based on either their similarity to reference sequences (i.e., phylotyping) or their similarity to other sequences in the community (i.e., operational taxonomic units [OTUs]). In the present study, we investigate three issues related to the interpretation and implementation of OTU-based methods. First, we confirm the conventional wisdom that it is impossible to create an accurate distance-based threshold for defining taxonomic levels and instead advocate for a consensus-based method of classifying OTUs. Second, using a taxonomic-independent approach, we show that the average neighbor clustering algorithm produces more robust OTUs than other hierarchical and heuristic clustering algorithms. Third, we demonstrate several steps to reduce the computational burden of forming OTUs without sacrificing the robustness of the OTU assignment. Finally, by blending these solutions, we propose a new heuristic that has a minimal effect on the robustness of OTUs and significantly reduces the necessary time and memory requirements. The ability to quickly and accurately assign sequences to OTUs and then obtain taxonomic information for those OTUs will greatly improve OTU-based analyses and overcome many of the challenges encountered with phylotype-based methods.

ABSTRACT Recent studies have shown that individuals with colorectal cancer have an altered gut microbiome compared to healthy controls. It remains unclear whether these differences are a response to tumorigenesis or actively drive tumorigenesis. To determine the role of the gut microbiome in the development of colorectal cancer, we characterized the gut microbiome in a murine model of inflammation-associated colorectal cancer that mirrors what is seen in humans. We followed the development of an abnormal microbial community structure associated with inflammation and tumorigenesis in the colon. Tumor-bearing mice showed enrichment in operational taxonomic units (OTUs) affiliated with members of the Bacteroides , Odoribacter , and Akkermansia genera and decreases in OTUs affiliated with members of the Prevotellaceae and Porphyromonadaceae families. Conventionalization of germfree mice with microbiota from tumor-bearing mice significantly increased tumorigenesis in the colon compared to that for animals colonized with a healthy gut microbiome from untreated mice. Furthermore, at the end of the model, germfree mice colonized with microbiota from tumor-bearing mice harbored a higher relative abundance of populations associated with tumor formation in conventional animals. Manipulation of the gut microbiome with antibiotics resulted in a dramatic decrease in both the number and size of tumors. Our results demonstrate that changes in the gut microbiome associated with inflammation and tumorigenesis directly contribute to tumorigenesis and suggest that interventions affecting the composition of the microbiome may be a strategy to prevent the development of colon cancer. IMPORTANCE The trillions of bacteria that live in the gut, known collectively as the gut microbiome, are important for normal functioning of the intestine. There is now growing evidence that disruptive changes in the gut microbiome are strongly associated with the development colorectal cancer. However, how the gut microbiome changes with time during tumorigenesis and whether these changes directly contribute to disease have not been determined. We demonstrate using a mouse model of inflammation-driven colon cancer that there are dramatic, continual alterations in the microbiome during the development of tumors, which are directly responsible for tumor development. Our results suggest that interventions that target these changes in the microbiome may be an effective strategy for preventing the development of colorectal cancer.