Abstract The vaginal ecosystem is closely tied to human health and reproductive outcomes. However, its dynamics in the wake of childbirth remain poorly characterized. Here, we profiled the vaginal microbiota and cytokine milieu of subjects sampled throughout pregnancy (two cohorts; n = 196 pregnancies) and, in a subset, for one year postpartum (one cohort; n = 72 pregnancies). Delivery was associated with a vaginal pro-inflammatory cytokine response and the depletion of dominant taxa – typically, Lactobacillus species. By contrast, neither the progression of gestation nor the approach of labor strongly altered the vaginal ecosystem. At ~9.5 months postpartum (the latest timepoint at which cytokines were analyzed), elevated inflammation was associated with vaginal bacterial communities that had remained perturbed (i.e., highly diverse) from the time of delivery. Using time-to-event analysis, we found that the one-year postpartum probability of transitioning to Lactobacillus dominance was 49.4% (95% confidence interval (CI) [33.6%, 61.5%]; n = 58 at-risk cases, 86.2% of whom experienced this state prior to delivery). As diversity and inflammation declined postpartum, dominance by L. crispatus , the quintessential health-associated state, failed to recover: its prevalence before, immediately after, and one year after delivery was 41%, 4%, and 9%, respectively. Over the same period, states quasi-dominated by non- Lactobacillus species grew more common. Prompted by these findings, we revisited our pre-delivery data, discovering that a history of prior live birth was associated with a lower odds of L. crispatus dominance in pregnant subjects (odds ratio (OR) 0.14; 95% CI [0.06, 0.32]; P < 0.001) – an outcome modestly tempered by a longer (>18-month) interpregnancy interval. Our results suggest that reproductive history and childbirth in particular remodel the vaginal ecosystem and that the timing and degree of recovery from delivery may help determine the subsequent health of the woman and of future pregnancies.

ABSTRACT Recent studies suggest that the microbiome has an impact on gestational health and outcome. However, characterization of the pregnancy-associated microbiome has largely relied on 16S rRNA gene amplicon-based surveys. Here, we describe an assembly-driven, metagenomics-based, longitudinal study of the vaginal, gut, and oral microbiomes in 292 samples from ten subjects sampled every three weeks throughout pregnancy. 1.53 Gb of non-human sequence was assembled into scaffolds, and functional genes were predicted for gene-and pathway-based analyses. Vaginal assemblies were binned into 97 draft quality genomes. Redundancy analysis (RDA) of microbial community composition at all three body sites revealed gestational age to be a significant source of variation in patterns of gene abundance. In addition, health complications were associated with variation in community functional gene composition in the mouth and gut. The diversity of Lactobacillus iners -dominated communities in the vagina, unlike most other vaginal community types, significantly increased with gestational age. The genomes of co-occurring Gardnerella vaginalis strains with predicted distinct functions were recovered in samples from two subjects. In seven subjects, gut samples contained strains of the same Lactobacillus species that dominated the vaginal community of that same subject, and not other Lactobacillus species; however, these within-host strains were divergent. CRISPR spacer analysis suggested shared phage and plasmid populations across body sites and individuals. This work underscores the dynamic behavior of the microbiome during pregnancy and suggests the potential importance of understanding the sources of this behavior for fetal development and gestational outcome.

Abstract The placenta, the first organ to functionally mature, undergoes disordered development in many pregnancy complications. Molecular investigations have been hampered by the extreme cellular heterogeneity of the placenta, and this complexity is further exaggerated at the maternal-fetal interface where maternal and fetal cells co-mingle. We generated the paired single nucleus epigenomes and transcriptome for each of ∼200,000 cells at the human maternal-fetal interface from early pregnancy to term. These data identified cell-type-specific transcriptional regulatory programs and uncovered key transcription factors driving the lineage differentiation of placental cytotrophoblasts. Integrating spatial single cell proteomics profiling, we localized the observed cell types in situ , and characterized the dynamic stages and distinct features of endothelial cells of maternal spiral arteries remodeled by extravillous cytotrophoblasts. Integrative analyses of the single cell data across gestation enabled fine-mapping of the developmental trajectories of cytotrophoblasts and decidual stromal cells, and defining the signature molecular profiles of known and novel cell (sub)types. To demonstrate clinical value, we integrated the reference single cell data with large-scale population genomes from pregnancy complications and identified the most vulnerable maternal and fetal cell types in preeclampsia, preterm birth, and miscarriage. This study presents the most comprehensive placental and decidual single cell resource across gestation to date, reveals new insights into the drivers of normal human placentation, and uncovers the cellular basis of dysfunction associated with common pregnancy complications.

We performed a high time-resolution, longitudinal study of normal pregnancy development by measuring cell-free RNA (cfRNA) in blood from women during each week of pregnancy. Analysis of tissue-specific transcripts in these samples enabled us to follow fetal and placental development with high resolution and sensitivity, and also to detect gene-specific responses of the maternal immune system to pregnancy. We established a "clock" for normal pregnancy development and enabled a direct molecular approach to determine expected delivery dates with comparable accuracy to ultrasound, creating the basis for a portable, inexpensive fetal dating method. We also identified a related gene set that accurately discriminated women at risk for spontaneous preterm delivery up to two months in advance of labor, forming the basis of a potential screening test for risk of preterm delivery.

Background: Placental protein expression plays a crucial biological role during normal and complicated pregnancies. We hypothesized that: (1) circulating pregnancy-associated, placenta-related protein levels throughout gestation reflect the uncomplicated, full-term temporal progression of human gestation, and effectively estimates gestational ages (GAs); (2) pregnancies with underlying placental pathology, such as preeclampsia (PE), are associated with disruptions in this GA estimation in early gestation; (3) malfunctions of this GA estimation can be employed to identify impending PE. In addition, to explore the underlying biology and PE etiology, we set to compare protein gestational patterns of human and mouse, using pregnant heme oxygenase-1 (HO-1) heterozygote (Het) mice, a mouse model reflecting PE-like symptoms. Methods: Serum levels of circulating placenta-related proteins-leptin (LEP), chorionic somatomammotropin hormone like 1 (CSHL1), elabela (ELA), activin A, soluble fms-like tyrosine kinase 1 (sFlt-1), and placental growth factor (PlGF)-were quantified by ELISA in blood serially collected throughout human pregnancies (20 normal subjects with 66 samples, and 20 PE subjects with 61 samples). Linear multivariate analysis of the targeted serological protein levels was performed to estimate the normal GA. Logarithmic transformed mean-squared errors of GA estimations were used to identify impending PE. Then the human gestational protein patterns were compared to those in the pregnant HO-1 mice. Results: An elastic net (EN)-based gestational dating model was developed (R2 = 0.76) and validated (R2 = 0.61) using the serum levels of the 6 proteins at various GAs from women with normal uncomplicated pregnancies (n = 10 for training and n = 6 for validation). In pregnancies complicated by PE (n = 14), the EN model was not (R2 = -0.17) associated with GA at sampling in PE. Statistically significant deviations from the normal GA EN model estimations were observed in PE-associated pregnancies between GAs of 16-30 weeks (P = 0.01). The EN model developed with 5 proteins (ELA excluded due to the lack of robustness of the mouse ELA essay) performed similarly on normal human (R2 = 0.68) and WT mouse (R2 = 0.85) pregnancies. Disruptions of this model were observed in both human PE-associated (human: R2 = 0.27) and mouse HO-1 Het (mouse: R2 = 0.30) pregnancies. LEP out performed sFlt-1 and PlGF in differentiating impending PE at early human and late mouse gestations. Conclusions: As revealed in both human and mouse GA EN analyses, temporal serological placenta-related protein patterns are tightly regulated throughout normal human pregnancies and can be significantly disrupted in pathologic PE states. LEP changes earlier during gestation than the well-established late GA PE biomarkers (sFlt-1 and PlGF). Our HO-1 Het mouse analysis provides direct evidence of the causative action of HO-1 deficiency in LEP upregulation in a PE-like murine model. Therefore, longitudinal analyses of pregnancy-related protein patterns in sera, may not only help in the exploration of underlying PE pathophysiology but also provide better clinical utility in PE assessment.

The dense network of interconnected cellular signaling responses quantifiable in peripheral immune cells provide a wealth of actionable immunological insights. While high-throughput single-cell profiling techniques, including polychromatic flow and mass cytometry, have matured to a point that enables detailed immune profiling of patients in numerous clinical settings, limited cohort size together with the high dimensionality of data increases the possibility of false positive discoveries and model overfitting. We introduce a machine learning platform, the immunological Elastic-Net (iEN), which incorporates immunological knowledge directly into the predictive models. Importantly, the algorithm maintains the exploratory nature of the high-dimensional dataset, allowing for the inclusion of immune features with strong predictive power even if not consistent with prior knowledge. In three independent studies our method demonstrates improved predictive power for clinically-relevant outcomes from mass cytometry data generated from whole blood, as well as a large simulated dataset.