ABSTRACT Although many aspects of microbiome studies have been standardized to improve experimental replicability, none account for how the daily diurnal fluctuations in the gut lumen cause dynamic changes in 16S amplicon sequencing. Here we show that sample collection time affects the conclusions drawn from microbiome studies and are larger than the effect size of a daily experimental intervention or dietary changes. The timing of divergence of the microbiome composition between experimental and control groups are unique to each experiment. Sample collection times as short as only four hours apart lead to vastly different conclusions. Lack of consistency in the time of sample collection may explain poor cross-study replicability in microbiome research. Without looking at other data, the impact on other fields is unknown but potentially significant. One-Sentence Summary If we are not controlling for host circadian rhythm time in microbiome studies when performing experiments, it is like trying to measure sea level rise while not knowing that tides or waves exist.

Quantifying the differential abundance (DA) of specific taxa among experimental groups in microbiome studies is challenging due to data characteristics (e.g., compositionality, sparsity) and specific study designs (e.g., repeated measures, meta-analysis, cross-over). Here we present BIRDMAn (Bayesian Inferential Regression for Differential Microbiome Analysis), a flexible DA method that can account for microbiome data characteristics and diverse experimental designs. Simulations show that BIRDMAn models are robust to uneven sequencing depth and provide a >20-fold improvement in statistical power over existing methods. We then use BIRDMAn to identify antibiotic-mediated perturbations undetected by other DA methods due to subject-level heterogeneity. Finally, we demonstrate how BIRDMAn can construct state-of-the-art cancer-type classifiers using The Cancer Genome Atlas (TCGA) dataset, with substantial accuracy improvements over random forests and existing DA tools across multiple sequencing centers. Collectively, BIRDMAn extracts more informative biological signals while accounting for study-specific experimental conditions than existing approaches.