Abstract The primary problem with the explosion of biomedical datasets is not the data itself, not computational resources, and not the required storage space, but the general lack of trained and skilled researchers to manipulate and analyze these data. Eliminating this problem requires development of comprehensive educational resources. Here we present a community-driven framework that enables modern, interactive teaching of data analytics in life sciences and facilitates the development of training materials. The key feature of our system is that it is not a static but a continuously improved collection of tutorials. By coupling tutorials with a web-based analysis framework, biomedical researchers can learn by performing computation themselves through a web-browser without the need to install software or search for example datasets. Our ultimate goal is to expand the breadth of training materials to include fundamental statistical and data science topics and to precipitate a complete re-engineering of undergraduate and graduate curricula in life sciences.

The perceived “simplicity” of bacterial genomics ( these genomes are small and easy to assemble ) feeds the decentralized state of the field where computational analysis standards have been slow to evolve. This situation has a historical explanation. In cases of human, mouse, fly, worm and other model organisms there have been large sustained multinational genome sequencing efforts and analysis consortia such as the 1,000 genomes, ENCODE, modENCODE, GTEx and others. These resulted in development and proliferation of common tools, workflows, and data standards. This is not the case in microbiology. After the development of highly parallel sequencing methodologies in mid-2000s bacterial genomes no longer required initiatives of such scale. The flipside of this is the extreme heterogeneity of approaches to many well established microbial genomic analysis problems such as genome assembly. While competition amongst different methods is good, we argue that the quality of data analyses will improve if cutting edge tools are more accessible and microbiologists become more computationally savvy. Here we use genome assembly as an example to highlight current challenges and to provide a possible solution.

In hypoxic stress conditions, glycolysis enzymes assemble into singular cytoplasmic granules called glycolytic (G) bodies. Formation of G bodies in yeast is correlated with increased glucose consumption and cell survival. However, the physical properties and organizing principles that define G body formation are unclear. We demonstrate that glycolysis enzymes are non-canonical RNA binding proteins, sharing many common mRNA substrates that are also integral constituents of G bodies. Tethering a G body component, the beta subunit of the yeast phosphofructokinase, Pfk2, to nonspecific endoribonucleases reveals that RNA nucleates G body formation and subsequent maintenance of G body structural integrity. Consistent with a phase separation mechanism of G body formation, recruitment of glycolysis enzymes to G bodies relies on multivalent homotypic and heterotypic interactions. Furthermore, G bodies can fuse in live cells and are largely insensitive to 1,6-hexanediol treatment, consistent with a hydrogel-like state in its composition. Taken together, our results elucidate the biophysical nature of G bodies and demonstrate that RNA nucleates phase separation of the glycolysis machinery in response to hypoxic stress.

We present Bioconda (https://bioconda.github.io), a distribution of bioinformatics software for the lightweight, multi-platform and language-agnostic package manager Conda. Currently, Bioconda offers a collection of over 3000 software packages, which is continuously maintained, updated, and extended by a growing global community of more than 200 contributors. Bioconda improves analysis reproducibility by allowing users to define isolated environments with defined software versions, all of which are easily installed and managed without administrative privileges.