Accounting for only 8% of Earth's land coverage, freshwater wetlands remain the foremost contributor to global methane emissions. Yet the microorganisms and processes underlying methane emissions from wetland soils remain poorly understood. Over a five-year period, we surveyed the microbial membership and in situ methane measurements from over 700 samples in one of the most prolific methane-emitting wetlands in the United States. We constructed a catalog of 2,502 metagenome-assembled genomes (MAGs), with nearly half of the 72 bacterial and archaeal phyla sampled containing novel lineages. Integration of these data with 133 soil metatranscriptomes provided a genome-resolved view of the biogeochemical specialization and versatility expressed in wetland soils. Centimeter-scale depth differences best explained patterns of microbial community structure and transcribed functionalities, even more so than land coverage or temporal information. Moreover, while extended flooding restructured soil redox, this perturbation failed to reconfigure the transcriptional profiles of methane cycling microorganisms, contrasting with theoretical expected responses to hydrological perturbations. Co-expression analyses coupled to depth resolved methane measurements exposed the metabolisms and trophic structures most predictive of methane hotspots. This compendium of biogeochemically-classified genomes and their spatiotemporal transcriptional patterns begins to untangle the microbial carbon, energy and nutrient processing contributing to soil methane production.

Abstract Understanding cellular engagement with its environment is essential to control and monitor metabolism. Molecular Communication theory (MC) offers a computational means to identify environmental perturbations that direct or signify cellular behaviors by quantifying the information about a molecular environment that is transmitted through a metabolic system. We developed an model that integrates conventional flux balance analysis metabolic modeling (FBA) and MC to mechanistically expand the scope of MC, and thereby uniquely blends mechanistic biology and information theory to understand how substrate consumption is captured reaction activity, metabolite excretion, and biomass growth. This is enabled by defining several channels through which environmental information transmits in a metabolic network. The information flow in bits that is calculated through this workflow further determines the maximal metabolic effect of environmental perturbations on cellular metabolism and behaviors, since FBA simulates maximal efficiency of the metabolic system. We exemplify this method on two intestinal symbionts – Bacteroides thetaiotaomicron and Methanobrevibacter smithii – and visually consolidated the results into constellation diagrams that facilitate interpretation of information flow from given environments and thereby cultivate the design of controllable biological systems. The unique confluence of metabolic modeling and information theory in this model advances basic understanding of cellular metabolism and has applied value for the Internet of Bio-Nano Things, synthetic biology, microbial ecology, and autonomous laboratories.

Abstract Microorganisms naturally form community ecosystems to improve fitness in diverse environments and conduct otherwise intractable processes. Microbial communities are therefore central to biogeochemical cycling, human health, agricultural productivity, and technologies as nuanced as nanotechnology-enabled devices; however, the combinatorial scaling of exchanges with the environment that predicate community functions are experimentally untenable. Several computational tools have been presented to capture these exchanges, yet, no attempt has been made to understand the total information flow to a community from its environment. We therefore adapted a recently developed model for singular organisms, which blends molecular communication and the Shannon Information theory to quantify information flow, to communities and exemplify this expanded model on idealized communities: one of Escherichia coli ( E. coli ) and Pseudomonas fluorescens to emulate an ecological community and the other of Bacteroides thetaiotaomicron ( B. theta ) and Kleb Ciella to emulate a human microbiome interaction. Each of these sample communities exhibit critical syntrophy in certain environmental conditions, which should be evident through our community mutual information model. We further explored alternative frameworks for constructing community genome-scale metabolic models (GEMs) – mixed-bag and compartmentalized. Our study revealed that information flow is greater through communities than isolated models, and that the mixed-bag framework conducts greater information flow than the compartmentalized framework for community GEMs, presumably because the latter is encumbered with transport reactions that are absent in the former. This community Mutual Information model is furthermore wrapped as a KBase Application ( R un F lux M utual Information Analysis, RFMIA ) for optimum accessibility to biological investigators. We anticipate that this unique quantitative approach to consider information flow through metabolic systems will accelerate both basic and applied discovery in diverse biological fields. Author Summary Microorganisms frequently communicate information via information-bearing molecules, which must be fundamentally understood to engineer biological cells that properly engage with their environments, such as the envisioned Internet of Bio-NanoThings. The study of these molecular communications has employed information and communication theory to analyze the exchanged information via chemical reactions and molecular transport. We introduce an information- and communication-centric computational approach to estimate the information flow in biological cells and its impacts on the behavior of single organisms and communities. This study complements our previous work of cell metabolism by developing an end-to-end perspective of molecular communication based on enzyme-regulated reactions. We explore the mutual information using Shannon information theory, measured in bits, between influential nutrients and cellular growth rate. The developed RFMIA computational tool is deployed in the U.S. Department of Energy’s Systems Biology Knowledgebase, where it quantitatively estimates information flow in both organism and community metabolic networks and extends recent developments in computer communications to explore and explain a new biology for the open-source community.

High-fat, low-fiber Western-style diets (WD) induce microbiome dysbiosis characterized by reduced taxonomic diversity and metabolic breadth, which in turn increases risk for a wide array of metabolic, immune and systemic pathologies. Recent work has established that WD can impair microbiome resilience to acute perturbations like antibiotic treatment, although we know little about the mechanism of impairment and the specific host consequences of prolonged post-antibiotic dysbiosis. Here, we characterize the trajectory by which the gut microbiome recovers its taxonomic and functional profile after antibiotic treatment in mice on regular chow (RC) and WD, and find that only mice on RC undergo a rapid successional process of recovery. Metabolic modeling indicates that RC diet promotes the development of syntrophic cross-feeding interactions, while on WD, a dominant taxon monopolizes readily available resources without releasing syntrophic byproducts. Intervention experiments reveal that an appropriate dietary resource environment is both necessary and sufficient for rapid and robust microbiome recovery, whereas microbial transplant is neither. Furthermore, prolonged post-antibiotic dysbiosis in mice on WD renders them susceptible to infection by the intestinal pathogen Salmonella enterica serovar Typhimurium. Our data challenge widespread enthusiasm for fecal microbiota transplant (FMT) as a strategy to address dysbiosis and demonstrate that specific dietary interventions are, at minimum, an essential prerequisite for effective FMT, and may afford a safer, more natural, and less invasive alternative to FMT.

1 Abstract Microbial communities are increasingly recognized as key drivers in animal health, agricultural productivity, industrial operations, and ecological systems. The abundance of chemical interactions in these complex communities, however, can complicate or evade experimental studies, which hinders basic understanding and limits efforts to rationally design communities for applications in the aforementioned fields. Numerous computational approaches have been proposed to deduce these metabolic interactions – notably including flux balance analysis (FBA) and systems of ordinary differential equations (ODEs) – yet, these methods either fail to capture the dynamic phenotype expression of community members or lack the abstractions required to fit or explain the diverse experimental omics data that can be acquired today. We therefore developed a dynamic model (CommPhitting) that deduces phenotype abundances and growth kinetics for each community member, concurrent with metabolic concentrations, by coupling flux profiles for each phenotype with experimental growth and -omics data of the community. These data are captured as variables and coefficients within a mixed integer linear optimization problem (MILP) designed to represent the associated biological processes. This problem finds the globally optimized fit to all experimental data of a trial, thereby most accurately computing aspects of the community: (1) species and phenotype abundances over time; (2) a linearized growth kinetic constant for each phenotype; and (3) metabolite concentrations over time. We exemplify CommPhitting by applying it to study batch growth of an idealized two-member community of the model organisms ( Escherichia coli and Pseudomonas flourescens ) that exhibits cross-feeding in maltose media. Measurements of this community from our accompanying experimental studies – including total biomass, species biomass, and metabolite abundances over time – were parameterized into a CommPhitting simulation. The resultant kinetics constants and biomass proportions for each member phenotype would be difficult to ascertain experimentally, yet are important for understanding community responses to environmental perturbations and therefore engineering applications: e.g. for bioproduction. We believe that CommPhitting – which is generalized for a diversity of data types and formats, and is further available and amply documented as a Python API – will augment basic understanding of microbial communities and will accelerate the engineering of synthetic communities for diverse applications in medicine, agriculture, industry, and ecology.

Predicting elemental cycles and maintaining water quality under increasing anthropogenic influence requires knowledge of the spatial drivers of river microbiomes. However, understanding of the core microbial processes governing river biogeochemistry is hindered by a lack of genome-resolved functional insights and sampling across multiple rivers. Here we used a community science effort to accelerate the sampling, sequencing and genome-resolved analyses of river microbiomes to create the Genome Resolved Open Watersheds database (GROWdb). GROWdb profiles the identity, distribution, function and expression of microbial genomes across river surface waters covering 90% of United States watersheds. Specifically, GROWdb encompasses microbial lineages from 27 phyla, including novel members from 10 families and 128 genera, and defines the core river microbiome at the genome level. GROWdb analyses coupled to extensive geospatial information reveals local and regional drivers of microbial community structuring, while also presenting foundational hypotheses about ecosystem function. Building on the previously conceived River Continuum Concept1, we layer on microbial functional trait expression, which suggests that the structure and function of river microbiomes is predictable. We make GROWdb available through various collaborative cyberinfrastructures2,3, so that it can be widely accessed across disciplines for watershed predictive modelling and microbiome-based management practices. GROWdb defines US river microbiomes at the genome level.

Abstract Since the release of ModelSEED in 2010, the systems biology research community has used the ModelSEED genome-scale metabolic model reconstruction pipeline to build over 200,000 draft metabolic reconstructions that support hundreds of publications. Here we describe the first comprehensive update to this reconstruction tool, with new features such as (i) a dramatically improved representation of energy metabolism, which ensures that models produce accurate amounts of ATP per mol of nutrient consumed; (ii) a new template for Archaea model reconstruction; and (iii) a significantly improved curation of all metabolic pathways with mappings to RAST subsystems annotations. We applied the improved pipeline to build and analyze core and genome-scale models for Archaea and Bacteria genomes in KEGG. The new ModelSEED pipeline generates larger models that possess more reactions and genes and require fewer gap-filled reactions. In addition, we see conserved patterns in the ATP biosynthesis mechanism across phylogeny, and identify clades where our understanding of energy biosynthesis is still poor. The ModelSEED v2 pipeline is currently available only as new reconstruction and gap-filling Apps in the KBase platform.