Summary

 The rise of multi-drug-resistant (MDR) bacteria has spurred renewed interest in the use of bacteriophages in therapy. However, mechanisms contributing to phage-mediated bacterial clearance in an animal host remain unclear. We investigated the effects of host immunity on the efficacy of phage therapy for acute pneumonia caused by MDR Pseudomonas aeruginosa in a mouse model. Comparing efficacies of phage-curative and prophylactic treatments in healthy immunocompetent, MyD88-deficient, lymphocyte-deficient, and neutrophil-depleted murine hosts revealed that neutrophil-phage synergy is essential for the resolution of pneumonia. Population modeling of in vivo results further showed that neutrophils are required to control both phage-sensitive and emergent phage-resistant variants to clear infection. This "immunophage synergy" contrasts with the paradigm that phage therapy success is largely due to bacterial permissiveness to phage killing. Lastly, therapeutic phages were not cleared by pulmonary immune effector cells and were immunologically well tolerated by lung tissues.

Abstract Viruses and their hosts can undergo coevolutionary arms races where hosts evolve increased resistance and viruses evolve counter-resistance. Given these arms race dynamics (ARD), viruses and hosts are each predicted to evolve along a single trajectory as more recently evolved genotypes replace their predecessors. Here, by coupling phenotypic and genomic analyses of coevolving populations of bacteriophage λ and Escherichia coli , we find conflicting evidence for ARD. Virus-host infection phenotypes fit the ARD model, yet whole genome analyses did not. Rather than coevolution unfolding along a single trajectory, cryptic genetic variation emerges during initial virus-host coevolution. This variation is maintained across generations and eventually supplants dominant lineages. These observations constitute what we term ‘leapfrog’ coevolutionary dynamics, revealing weaknesses in the predictive power of standard coevolutionary models. The findings shed light on the mechanisms that structure coevolving ecological networks and reveal the limits of using phenotypic assays alone in characterizing coevolutionary dynamics.

Abstract The enormous diversity of bacteriophages and their bacterial hosts presents a significant challenge to predict which phages infect a focal set of bacteria. Infection is largely determined by complementary -and largely uncharacterized-genetics of adsorption, injection, and cell take-over. Here we present a machine learning (ML) approach to predict phage-bacteria interactions trained on genome sequences of and phenotypic interactions amongst 51 Escherichia coli strains and 45 phage λ strains that coevolved in laboratory conditions for 37 days. Leveraging multiple inference strategies and without a priori knowledge of driver mutations, this framework predicts both who infects whom and the quantitative levels of infections across a suite of 2,295 potential interactions. The most effective ML approach inferred interaction phenotypes from independent contributions from phage and bacteria mutations, predicting phage host range with 86% mean classification accuracy while reducing the relative error in the estimated strength of the infection phenotype by 40%. Further, transparent feature selection in the predictive model revealed 18 of 176 phage λ and 6 of 18 E. coli mutations that have a significant influence on the outcome of phage-bacteria interactions, corroborating sites previously known to affect phage λ infections, as well as identifying mutations in genes of unknown function not previously shown to influence bacterial resistance. While the genetic variation studied was limited to a focal, coevolved phage-bacteria system, the method’s success at recapitulating strain-level infection outcomes provides a path forward towards developing strategies for inferring interactions in non-model systems, including those of therapeutic significance.

The spread of multi-drug resistant (MDR) bacteria is a global public health crisis. Bacteriophage therapy (or “phage therapy”) constitutes a potential alternative approach to treat MDR infections. However, the effective use of phage therapy may be limited when phage-resistant bacterial mutants evolve and proliferate during treatment. Here, we develop a nonlinear population dynamics model of combination therapy that accounts for the system-level interactions between bacteria, phage and antibiotics for in-vivo application given an immune response against bacteria. We simulate the combination therapy model for two strains of Pseudomonas aeruginosa , one which is phage-sensitive (and antibiotic resistant) and one which is antibiotic-sensitive (and phage-resistant). We find that combination therapy outperforms either phage or antibiotic alone, and that therapeutic effectiveness is enhanced given interaction with innate immune responses. Notably, therapeutic success can be achieved even at sub-inhibitory concentrations of antibiotics, e.g., ciprofloxacin. These in-silico findings provide further support to the nascent application of combination therapy to treat MDR bacterial infections, while highlighting the role of innate immunity in shaping therapeutic outcomes.

Phage therapy has been viewed as a potential treatment for bacterial infections for over a century. Yet, the year 2016 marks the first phase I/II human trial of a phage therapeutic - to treat burn wound patients in Europe. The slow progress in realizing clinical therapeutics is matched by a similar dearth in principled understanding of phage therapy. Theoretical models and in vitro experiments find that combining phage and bacteria often leads to coexistence of both phage and bacteria or phage elimination altogether. Both outcomes stand in contrast to the stated goals of phage therapy. A potential resolution to the gap between models, experiments, and therapeutic use of phage is the hypothesis that the combined effect of phage and host immune system can synergistically eliminate bacterial pathogens. Here, we propose a phage therapy model that considers the nonlinear dynamics arising from interactions between bacteria, phage and the host innate immune system. The model builds upon earlier efforts by incorporating a maximum capacity of the immune response and density-dependent immune evasion by bacteria. We analytically identify a synergistic regime in this model in which phage and the innate immune response jointly contribute to the elimination of the target bacteria. Crucially, we find that in this synergistic regime, neither phage alone nor the innate immune system alone can eliminate the bacteria. We confirm these findings using numerical simulations in biologically plausible scenarios. We utilize our numerical simulations to explore the synergistic effect and its significance for guiding the use of phage therapy in clinically relevant applications.

Viruses that infect bacteria, i.e., bacteriophage or ‘phage’, are increasingly considered as treatment options for the control and clearance of bacterial infections, particularly as compassionate use therapy for multi-drug resistant infections. In practice, clinical use of phage often involves the application of multiple therapeutic phage, either together or sequentially. However, the selection and timing of therapeutic phage delivery remains largely ad hoc. In this study, we evaluate principles underlying why careful application of multiple phage (i.e., a ‘cocktail’) might lead to therapeutic success in contrast to the failure of single-strain phage therapy to control an infection. First, we use a nonlinear dynamics model of within-host interactions to show that a combination of fast intra-host phage decay, evolution of phage resistance amongst bacteria, and/or compromised immune response might limit the effectiveness of single-strain phage therapy. To resolve these problems, we combine dynamical modeling of phage, bacteria, and host immune cell populations with control-theoretic principles (via optimal control theory) to devise evolutionarily robust phage cocktails and delivery schedules to control the bacterial populations. Our numerical results suggest that optimal administration of single-strain phage therapy may be sufficient for curative outcomes in immunocompetent patients, but may fail in immunodeficient hosts due to phage resistance. We show that optimized treatment with a two-phage cocktail that includes a counter-resistant phage can restore therapeutic efficacy in immunodeficient hosts.