Bacteria evolve resistance to antibiotics by a multitude of mechanisms. A central, yet unsolved question is how resistance evolution affects cell growth at different drug levels. Here we develop a fitness model that predicts growth rates of common resistance mutants from their effects on cell metabolism. We map metabolic effects of resistance mutations in drug-free environments and under drug challenge; the resulting fitness trade-off defines a Pareto surface of resistance evolution. We predict evolutionary trajectories of dosage-dependent growth rates and resistance levels, as well as the prevalent resistance mechanism depending on drug and nutrient levels. These predictions are confirmed by empirical growth curves and genomic data of E. coli populations. Our results show that resistance evolution, by coupling major metabolic pathways, is strongly intertwined with systems biology and ecology of microbial populations.

Abstract Microbes tune their metabolism to environmental challenges by changing protein expression levels, metabolite concentrations, and reaction rates simultaneously. Here, we establish an analytical model for microbial resource allocation that integrates enzyme biochemistry and the global architecture of metabolic networks. We describe the production of protein biomass from external nutrients in pathways of Michaelis-Menten enzymes and compute the resource allocation that maximizes growth under constraints of mass conservation and metabolite dilution by cell growth. This model predicts generic patterns of growth-dependent microbial resource allocation to proteome and metabolome. In a nutrient-rich medium, optimal protein expression depends primarily on the biochemistry of individual synthesis steps, while metabolite concentrations and fluxes decrease along successive reactions in a metabolic pathway. Under nutrient limitation, individual protein expression levels change linearly with growth rate, the direction of change depending again on the enzyme’s biochemistry. Metabolite levels and fluxes show a stronger, nonlinear decline with growth rate. We identify a simple, metabolite-based regulatory logic by which cells can be tuned to near-optimal growth. Finally, our model predicts evolutionary stable states of metabolic networks, including local biochemical parameters and the global metabolite mass fraction, in tune with empirical data.

Abstract Horizontal gene transfer is an important factor in bacterial evolution that can act across species boundaries. Yet, we know little about rate and genomic targets of cross-lineage gene transfer, and about its effects on the recipient organism’s physiology and fitness. Here, we address these questions in a parallel evolution experiment with two Bacillus subtilis lineages of 7% sequence divergence. We observe rapid evolution of hybrid organisms: gene transfer swaps ~12% of the core genome in just 200 generations, and 60% of core genes are replaced in at least one population. By genomics, transcriptomics, fitness assays, and statistical modeling, we show that transfer generates adaptive evolution and functional alterations in hybrids. Specifically, our experiments reveal a strong, repeatable fitness increase of evolved populations in the stationary growth phase. By genomic analysis of the transfer statistics across replicate populations, we infer that selection on HGT has a broad genetic basis: 40% of the observed transfers are adaptive. At the level of functional gene networks, we find signatures of negative and positive selection, consistent with hybrid incompatibilities and adaptive evolution of network functions. Our results suggest that gene transfer navigates a complex cross-lineage fitness landscape, bridging epistatic barriers along multiple high-fitness paths. Significance statement In a parallel evolution experiment, we probe lateral gene transfer between two Bacillus subtilis lineages close to the species boundary. We show that laboratory evolution by horizontal gene transfer can rapidly generate hybrid organisms with broad genomic and functional alterations. By combining genomics, transcriptomics, fitness assays and statistical modeling, we map the selective effects underlying gene transfer. We show that transfer takes place under genome-wide positive and negative selection, generating a net fitness increase in hybrids. The evolutionary dynamics efficiently navigates this fitness landscape, finding viable paths with increasing fraction of transferred genes.