Abstract Microbiome dynamics are both crucial indicators and drivers of human health, agricultural output, and industrial bio-applications. However, predicting microbiome dynamics is notoriously difficult because communities often show abrupt structural changes, such as “dysbiosis” in human microbiomes. We here integrate theoretical and empirical bases for anticipating drastic shifts of microbial communities. We monitored 48 experimental microbiomes for 110 days and observed that various community-level events, including collapse and gradual compositional changes, occurred according to a defined set of environmental conditions. We then confirmed that the abrupt community changes observed through the time-series could be described as shifts between “alternative stable states” or dynamics around complex attractors. Furthermore, collapses of microbiome structure were successfully anticipated by means of the diagnostic threshold defined with the energy landscape analysis of statistical physics or that of a stability index of nonlinear mechanics. These results indicate that abrupt microbiome events in complex microbial communities can be forecasted by extending classic ecological concepts to the scale of species-rich microbial systems.

Abstract Ecosystems are complex systems of various physical, biological, and chemical processes. Since ecosystem dynamics are composed of a mixture of different levels of stochasticity and nonlinearity, handling these data is a challenge for existing methods of time-series based causal inferences. Here we show that, by harnessing contemporary machine learning approaches, the concept of Granger causality can be effectively extended to the analysis of complex ecosystem time series and bridge the gap between dynamical and statistical approaches. The central idea is to use an ensemble of fast and highly predictive artificial neural networks to select a minimal set of variables that maximizes the prediction of a given variable. It enables decomposition of the relationship among variables through quantifying the contribution of an individual variable to the overall predictive performance. We show how our approach, EcohNet, can improve interaction network inference for a mesocosm experiment and simulated ecosystems. The application of the method to a long-term lake monitoring dataset yielded new but interpretable results on the drivers causing cyanobacteria blooms, which is a serious threat to ecological integrity and ecosystem services. Since performance of EcohNet is enhanced by its predictive capabilities, it also provides an optimized forecasting of overall components in ecosystems. EcohNet could be used to analyze complex and hybrid multivariate time series in many scientific areas not limited to ecosystems. Significance Statement Effective use of ecosystem monitoring data to resolve global environmental issues is a major challenge of the 21st century ecology. A promising solution to address this challenge is a time-series-based causal analysis which can provide insight on the mechanical links between ecosystem components. In this work, a model-free framework named EcohNet is proposed. EcohNet utilizes ensemble predictions of echo state networks, which are known to be fast, accurate, and highly relevant for a variety of dynamical systems, and can robustly predict causal networks of ecosystem components. It also can provide an optimized forecasting of overall ecosystem components, and could be used to analyze complex and hybrid multivariate time series in many scientific areas, not limited to ecosystems.

Abstract Species utilizing the same resources often fail to coexist for extended periods of time. Such competitive exclusion mechanisms potentially underly microbiome dynamics, causing breakdowns of communities composed of species with similar genetic backgrounds of resource utilization. Although genes responsible for competitive exclusion among a small number of species have been investigated in pioneering studies, it remains a major challenge to integrate genomics and ecology for understanding stable coexistence in species-rich communities. Here, we show that community-scale analyses of functional gene redundancy can provide a useful platform for interpreting and predicting collapse of bacterial communities. Through 110-day time-series of experimental microbiome dynamics, we analyzed the metagenome-assembled genomes of co-occurring bacterial species. We then inferred ecological niche space based on the multivariate analysis of the genome compositions. The analysis allowed us to evaluate potential shifts in the level of niche overlap between species through time. We hypothesized that community-scale pressure of competitive exclusion could be evaluated by quantifying overlap of genetically determined resource-use profiles (metabolic pathway profiles) among coexisting species. We found that the degree of community compositional changes observed in the experimental microbiome was explained by the magnitude of gene-repertoire overlaps among bacterial species. The metagenome-based analysis of genetic potential for competitive exclusion will help us forecast major events in microbiome dynamics such as sudden community collapse (i.e., dysbiosis).

Abstract Microbiota are a major component of agroecosystems. Root microbiota, which inhabit the inside and surface of plant roots, play a significant role in plant growth and health. As next-generation sequencing technology allows the capture of microbial profiles without culturing the microbes, profiling of plant microbiota has become a staple tool in plant science and agriculture. Here, we have developed a novel high-throughput method based on a two-step PCR amplification protocol, involving DNA extraction using magnetic beads and PCR purification using exonuclease, for 16S rRNA gene amplicon sequencing of plant root microbiota. This method reduces sample handling and captures microbial diversity comparable to that obtained by the standard method. We found that using a buffer with magnetic beads enabled efficient extraction of microbial DNA directly from plant roots. In addition, we demonstrated that purification using exonuclease before the second PCR step enabled the capture of higher degrees of microbial diversity, thus allowing for the detection of minor bacteria compared with the purification using magnetic beads in this step. Our method offers a simple and high-throughput solution for maintaining the quality of plant root microbial community profiling.

ABSTRACT Domesticated Bengalese finch ( Lonchura striata var. domestica) lack natural selection pressures and consequently have more complex songs and altered behavioural and psychological traits when compared to their wild ancestor, the white-rumpud munia ( Lonchura striata ). Clarifying the sexual traits and life history trade-offs in Bengal finches will be help to improve our understanding of the evolution of complex songs and domesticated traits. Here, we have assessed the immune competence of the Bengalese finch and the white-rumped munia using phytohemagglutinin (PHA) tests to create an index of cell-mediated immune responses. We found that the Bengalese finch had a significantly larger immunocompetence than the white-rumped munia, indicating that they devote more resources to both immunity and reproduction. Thus, there is no trade-off but a positive relationship between immunocompetence and reproductive traits, which may be related to the release from natural selection pressures. These results will be useful in understanding the mechanisms by which domestication-induced changes due to a lack of natural selection pressure affect behavioural and physiological changes.

ABSTRACT Domesticated animals evolve unique traits, known as domestication phenotypes or the domestication syndrome, due to their adaptation to a captive environment and changes in selection pressures. After being tamed, the Bengalese finch ( Lonchura striata var. domestica ) has undergone behavioural and physiological trait changes that differ from those of its wild ancestor, the white-rumped munia ( Lonchura striata ). The Bengalese finch has complex songs, lower fear response, and lower corticosterone levels than those in the white-rumped munia. We hypothesized that domesticated finches increase the effort to reproduce in lieu of maintaining fitness for survival as needed in the wild. Aggressiveness and bite performance affect survival rates and reproductive success, and are good indicators of adaptability in the natural environment. Therefore, we compared the aggressiveness and biting force of white-rumped munias with those of Bengalese finches to explore the evolutionary mechanisms of behavioural changes due to domestication. We found that the Bengalese finch had decreased aggressiveness (incidence of aggressive biting birds and the number of bite responses) and bite force than those in the white-rumped munia due to domestication. Therefore, we believe they could allocate more resources for breeding that would otherwise be needed for coping with predators through aggression.

Abstract In aquatic ecosystems, the health of fish depends greatly on the dynamics of microbial community structure in the background environment. Nonetheless, finding microbes with profound impacts on fish’s performance out of thousands of candidate species remains a major challenge. We here show that time-series analyses of microbial population dynamics illuminate core components and structure of fish-associated microbiomes. By targeting eel aquaculture microbiomes as model systems, we reconstructed the population dynamics of 9,605 bacterial and 303 archaeal species/strains across 128 days. Due to the remarkable increase/decrease of constituent microbial populations, the taxonomic compositions of microbiomes changed drastically through time. We then found that some specific microbial taxa showed positive relationship with eels’ activity level even after excluding cofounding effects of environmental parameters (pH and dissolved oxygen level) on population dynamics. In particular, a vitamin B 12 -producing bacteria, Cetobacterium somerae , consistently showed strong positive associations with eels’ activity level across the replicate time-series of the five aquaculture tanks. Network theoretical and metabolic modeling analyses further suggested that the highlighted bacterium formed compartments of close microbe-to-microbe interactions with some other bacterial taxa, forming potential core microbiomes with positive impacts on eels. Overall, these results suggest that integration of microbiology, ecological theory, and network science allows us to explore core species and interactions embedded within complex dynamics of fish-associated microbiomes.

ABSTRACT Bengalese finches ( Lonchura striata var. domestica ) have more complex song traits than their wild ancestors, white-rumped munias ( Lonchura striata ). Domesticated finches are likely able to allocate more resources to song development rather than allocating resources to mechanisms aimed at coping with predation, which are no longer needed under domesticated conditions. Here, we aimed to examine the effects of changes in selection pressure due to domestication on the behaviour of Bengalese finches and to contemplate the possible evolutionary mechanisms underlying these changes. To do so, we compared neophobic responses to novel-object conditions as an assessment of reactions to potential predators. We studied groups of Bengalese finches and white-rumped munias and found that Bengalese finches were more likely to eat the food provided to them under novel-object conditions. Bengalese finches had a shorter latency time to eat, and this latency time was less affected by the novel object in the case of Bengalese finches compared to white-rumped munias. Therefore, Bengalese finches have reduced neophobic responses due to domestication. The behavioural strategies of white-rumped munias appear to be more suitable for natural environments, which include unpredictable risks, whereas Bengalese finches have likely adapted their behaviour to the conditions of artificial selection.

ABSTRACT Archaea, bacteria, and fungi in the soil are increasingly recognized as determinants of agricultural productivity and sustainability. A crucial step for exploring soil microbiomes with high ecosystem functions is to perform statistical analyses on potential relationship between microbiome structure and functions based on comparisons of hundreds or thousands of environmental samples collected across broad geographic ranges. In this study, we integrated agricultural field metadata with microbial community analyses by targeting > 2,000 soil samples collected along a latitudinal gradient from cool-temperate to subtropical regions in Japan (26.1– 42.8 °N). The data involving 632 archaeal, 26,868 bacterial, and 4,889 fungal operational taxonomic units detected across the fields of 19 crop plant species allowed us to conduct statistical analyses (permutational analyses of variance, generalized linear mixed models, and randomization analyses) on relationship among edaphic factors, microbiome compositions, and crop disease prevalence. We then examined whether the diverse microbes form species sets varying in potential ecological impacts on crop plants. A network analysis suggested that the observed prokaryotes and fungi were actually classified into several species sets (network modules), which differed substantially in associations with crop disease prevalence. Within the network of microbe-to-microbe coexistence, ecologically diverse microbes, such as an ammonium-oxidizing archaeum, an antibiotics-producing bacterium, and a potentially mycoparasitic fungus, were inferred to play key roles in shifts between crop-disease-promotive and crop-disease-suppressive states of soil microbiomes. The bird’s-eye view of soil microbiome structure will provide a basis for designing and managing agroecosystems with high disease-suppressive functions. IMPORTANCE Understanding how microbiome structure and functions are organized in soil ecosystems is one of the major challenges in both basic ecology and applied microbiology. Given the ongoing worldwide degradation of agroecosystems, building frameworks for exploring structural diversity and functional profiles of soil microbiomes is an essential task. Our study provides an overview of cropland microbiome states in light of potential crop-disease-suppressive functions. The large dataset allowed us to explore highly functional species sets that may be stably managed in agroecosystems. Furthermore, an analysis of network architecture highlighted species that are potentially used to cause shifts from disease-prevalent states of agroecosystems to disease-suppressive states. By extending the approach of comparative analyses towards broader geographic ranges and diverse agricultural practices, agroecosystem with maximized biological functions will be further explored.

Mapping the network of ecological interactions is key to understanding the composition, stability, function and dynamics of microbial communities. In recent years various approaches have been used to reveal microbial interaction networks from metagenomic sequencing data, such as time-series analysis, machine learning and statistical techniques. Despite these efforts it is still not possible to capture details of the ecological interactions behind complex microbial dynamics. We developed the sparse S-map method (SSM), which generates a sparse interaction network from a multivariate ecological time-series without presuming any mathematical formulation for the underlying microbial processes. The advantage of the SSM over alternative methodologies is that it fully utilizes the observed data using a framework of empirical dynamic modelling. This makes the SSM robust to non-equilibrium dynamics and underlying complexity (nonlinearity) in microbial processes. We showed that an increase in dataset size or a decrease in observational error improved the accuracy of SSM whereas, the accuracy of a comparative equation-based method was almost unchanged for both cases and equivalent to the SSM at best. Hence, the SSM outperformed a comparative equation-based method when datasets were large and the magnitude of observational errors were small. The results were robust to the magnitude of process noise and the functional forms of inter-specific interactions that we tested. We applied the method to a microbiome data of six mice and found that there were different microbial interaction regimes between young to middle age (4-40 week-old) and middle to old age (36-72 week-old) mice. The complexity of microbial relationships impedes detailed equation-based modeling. Our method provides a powerful alternative framework to infer ecological interaction networks of microbial communities in various environments and will be improved by further developments in metagenomics sequencing technologies leading to increased dataset size and improved accuracy and precision.