Summary

 The microbial communities inhabiting the root interior of healthy plants, as well as the rhizosphere, which consists of soil particles firmly attached to roots, engage in symbiotic associations with their host. To investigate the structural and functional diversification among these communities, we employed a combination of 16S rRNA gene profiling and shotgun metagenome analysis of the microbiota associated with wild and domesticated accessions of barley (Hordeum vulgare). Bacterial families Comamonadaceae, Flavobacteriaceae, and Rhizobiaceae dominate the barley root-enriched microbiota. Host genotype has a small, but significant, effect on the diversity of root-associated bacterial communities, possibly representing a footprint of barley domestication. Traits related to pathogenesis, secretion, phage interactions, and nutrient mobilization are enriched in the barley root-associated microbiota. Strikingly, protein families assigned to these same traits showed evidence of positive selection. Our results indicate that the combined action of microbe-microbe and host-microbe interactions drives microbiota differentiation at the root-soil interface.

Protection against enteric infections, also termed colonization resistance, results from mutualistic interactions of the host and its indigenous microbes. The gut microbiota of humans and mice is highly diverse and it is therefore challenging to assign specific properties to its individual members. Here, we have used a collection of murine bacterial strains and a modular design approach to create a minimal bacterial community that, once established in germ-free mice, provided colonization resistance against the human enteric pathogen Salmonella enterica serovar Typhimurium (S. Tm). Initially, a community of 12 strains, termed Oligo-Mouse-Microbiota (Oligo-MM12), representing members of the major bacterial phyla in the murine gut, was selected. This community was stable over consecutive mouse generations and provided colonization resistance against S. Tm infection, albeit not to the degree of a conventional complex microbiota. Comparative (meta)genome analyses identified functions represented in a conventional microbiome but absent from the Oligo-MM12. By genome-informed design, we created an improved version of the Oligo-MM community harbouring three facultative anaerobic bacteria from the mouse intestinal bacterial collection (miBC) that provided conventional-like colonization resistance. In conclusion, we have established a highly versatile experimental system that showed efficacy in an enteric infection model. Thus, in combination with exhaustive bacterial strain collections and systems-based approaches, genome-guided design can be used to generate insights into microbe–microbe and microbe–host interactions for the investigation of ecological and disease-relevant mechanisms in the intestine. A minimal bacterial community has been defined that provides colonization resistance to Salmonella enterica serovar Typhimurium once established in germ-free mice to a similar extent as a conventional microbial community.

Abstract A key challenge in microbiome research is to predict functionality from microbial community composition. As central microbiota functions are determined by bacterial community networks it is important to gain insight into the principles that govern bacteria-bacteria interactions. Here, we focused on growth and metabolic interactions of the Oligo-Mouse-Microbiota (OMM 12 ) synthetic bacterial community, which is increasingly used as model system in gut microbiome research. Using a bottom-up approach, we uncovered the directionality of strain-strain interactions in mono- and pairwise co-culture experiments, as well as in community batch culture. Metabolomics analysis of spent culture supernatant of individual strains in combination with genome-informed pathway reconstruction provided insights into the metabolic potential of the individual community members. Thereby, we could show that the OMM 12 interaction network is shaped by both, exploitative and interference competition in vitro. In particular, Enterococcus faecalis KB1 was identified as important driver of community composition by affecting the abundance of several other consortium members. Together, this study gives fundamental insight into key drivers and mechanistic basis of the OMM 12 interaction network, which serves as knowledge base for future mechanistic studies.

Abstract Infection with human cytomegalovirus (HCMV) can cause severe complications in immunocompromised individuals and congenitally infected children. Characterizing heterogeneous viral populations and their evolution by high-throughput sequencing of clinical specimens requires the accurate assembly of individual strains or sequence variants and suitable variant calling methods. However, the performance of most methods has not been assessed for populations composed of low divergent viral strains with large genomes, such as HCMV. In an extensive benchmarking study, we evaluated 15 assemblers and six variant callers on ten lab-generated benchmark data sets created with two different library preparation protocols, to identify best practices and challenges for analyzing such data. Most assemblers, especially metaSPAdes and IVA, performed well across a range of metrics in recovering abundant strains. However, only one, Savage, recovered low abundant strains and in a highly fragmented manner. Two variant callers, LoFreq and VarScan2, excelled across all strain abundances. Both shared a large fraction of false positive (FP) variant calls, which were strongly enriched in T to G changes in a “G.G” context. The magnitude of this context-dependent systematic error is linked to the experimental protocol. We provide all benchmarking data, results and the entire benchmarking workflow named QuasiModo, Quasi species M etric d etermination o n o mics, under the GNU General Public License v3.0 ( https://github.com/hzi-bifo/Quasimodo ), to enable full reproducibility and further benchmarking on these and other data.

This study describes the laboratory cultivation of ARMAN (Archaeal Richmond Mine Acidophilic Nanoorganisms). After 2.5 years of successive transfers in an anoxic medium containing ferric sulfate as an electron acceptor, a consortium was attained that is comprised of two members of the order Thermoplasmatales, a member of a proposed ARMAN group, as well as a fungus. The 16S rRNA of one archaeon is only 91.6% identical to Thermogymnomonas acidicola as most closely related isolate. Hence, this organism is the first member of a new genus. The enrichment culture is dominated by this microorganism and the ARMAN. The third archaeon in the community seems to be present in minor quantities and has a 100% 16S rRNA identity to the recently isolated Cuniculiplasma divulgatum. The enriched ARMAN species is most probably incapable of sugar metabolism because the key genes for sugar catabolism and anabolism could not be identified in the metagenome. Metatranscriptomic analysis suggests that the TCA cycle funneled with amino acids is the main metabolic pathway used by the archaea of the community. Microscopic analysis revealed that growth of the ARMAN is supported by the formation of cell aggregates. These might enable cross feeding by other community members to the ARMAN.

Abstract The advent of rapid whole-genome sequencing has created new opportunities for computational prediction of antimicrobial resistance (AMR) phenotypes from genomic data. Both rule-based and machine learning (ML) approaches have been explored for this task, but systematic benchmarking is still needed. Here, we evaluated four state-of-the-art ML methods (Kover, PhenotypeSeeker, Seq2Geno2Pheno, and Aytan-Aktug), an ML baseline, and the rule-based ResFinder by training and testing each of them across 78 species–antibiotic datasets, using a rigorous benchmarking workflow that integrates three evaluation approaches, each paired with three distinct sample splitting methods. Our analysis revealed considerable variation in the performance across techniques and datasets. Whereas ML methods generally excelled for closely related strains, ResFinder excelled for handling divergent genomes. Overall, Kover most frequently ranked top among the ML approaches, followed by PhenotypeSeeker and Seq2Geno2Pheno. AMR phenotypes for antibiotic classes such as macrolides and sulfonamides were predicted with the highest accuracies. The quality of predictions varied substantially across species–antibiotic combinations, particularly for beta-lactams; across species, resistance phenotyping of the beta-lactams compound, aztreonam, amox-clav, cefoxitin, ceftazidime, and piperacillin/tazobactam, alongside tetracyclines demonstrated more variable performance than the other benchmarked antibiotics. By organism, C. jejuni and E. faecium phenotypes were more robustly predicted than those of Escherichia coli , Staphylococcus aureus , Salmonella enterica , Neisseria gonorrhoeae , Klebsiella pneumoniae , Pseudomonas aeruginosa , Acinetobacter baumannii , Streptococcus pneumoniae , and Mycobacterium tuberculos is . In addition, our study provides software recommendations for each species–antibiotic combination. It furthermore highlights the need for optimization for robust clinical applications, particularly for strains that diverge substantially from those used for training.

Identifying combinations of taxa distinctive for microbiome-associated diseases is considered key to the establishment of diagnosis and therapy options in precision medicine and imposes high demands on accuracy of microbiome analysis techniques. We propose subsequence based 16S rRNA data analysis, as a new paradigm for microbiome phenotype classification and biomarker detection. This method and software called DiTaxa substitutes standard OTU-clustering or sequence-level analysis by segmenting 16S rRNA reads into the most frequent variable-length subsequences. These subsequences are then used as data representation for downstream phenotype prediction, biomarker detection and taxonomic analysis. Our proposed sequence segmentation called nucleotide-pair encoding (NPE) is an unsupervised data-driven segmentation inspired by Byte-pair encoding, a data compression algorithm. The identified subsequences represent commonly occurring sequence portions, which we found to be distinctive for taxa at varying evolutionary distances and highly informative for predicting host phenotypes. We compared the performance of DiTaxa to the state-of-the-art methods in disease phenotype prediction and biomarker detection, using human-associated 16S rRNA samples for periodontal disease, rheumatoid arthritis and inflammatory bowel diseases, as well as a synthetic benchmark dataset. DiTaxa identified 17 out of 29 taxa with confirmed links to periodontitis (recall=0.59), relative to 3 out of 29 taxa (recall=0.10) by the state-of-the-art method. On synthetic benchmark data, DiTaxa obtained full precision and recall in biomarker detection, compared to 0.91 and 0.90, respectively. In addition, machine-learning classifiers trained to predict host disease phenotypes based on the NPE representation performed competitively to the state-of-the art using OTUs or k-mers. For the rheumatoid arthritis dataset, DiTaxa substantially outperformed OTU features with a macro-F1 score of 0.76 compared to 0.65. Due to the alignment- and reference free nature, DiTaxa can efficiently run on large datasets. The full analysis of a large 16S rRNA dataset of 1359 samples required ~1.5 hours on 20 cores, while the standard pipeline needed ~6.5 hours in the same setting.

Abstract Inflammation has a pronounced impact on the intestinal ecosystem by driving an expansion of facultative anaerobic bacteria at the cost of obligate anaerobic microbiota. This pathogen “blooming” is also a hallmark of enteric Salmonella enterica serovar Typhimurium ( S . Tm) infection. Here, we analyzed the contribution of bacterial and host factors to S . Tm “blooming” in a gnotobiotic mouse model for S. Tm-induced enterocolitis. Mice colonized with the Oligo-Mouse-Microbiota (OMM 12 ), a minimal bacterial community, develop fulminant colitis by day 4 after oral infection with wild type S . Tm but not with an avirulent mutant. Inflammation leads to pronounced reduction in overall intestinal bacterial loads, distinct microbial community shifts and pathogen blooming (relative abundance >50%). S. Tm mutants attenuated in inducing gut inflammation generally elicit less pronounced microbiota shifts and reduction in total bacterial loads. In contrast, S. Tm mutants in nitrate respiration, salmochelin production and ethanolamine utilization induced strong inflammation and S . Tm “blooming”. Therefore, individual Salmonella -specific inflammation-fitness factors seem to be of minor importance for competition against this minimal microbiota in the inflamed gut. Finally, we show that antibody-mediated neutrophil depletion normalized gut microbiota loads but not intestinal inflammation or microbiota shifts. This suggests that neutrophils equally reduce pathogen and commensal bacterial loads in the inflamed gut.