ABSTRACT Infections caused by multidrug-resistant (MDR) Gram-negative bacteria represent a major global health problem. Polymyxin antibiotics such as colistin have resurfaced as effective last-resort antimicrobials for use against MDR Gram-negative pathogens, including Acinetobacter baumannii . Here we show that A. baumannii can rapidly develop resistance to polymyxin antibiotics by complete loss of the initial binding target, the lipid A component of lipopolysaccharide (LPS), which has long been considered to be essential for the viability of Gram-negative bacteria. We characterized 13 independent colistin-resistant derivatives of A. baumannii type strain ATCC 19606 and showed that all contained mutations within one of the first three genes of the lipid A biosynthesis pathway: lpxA , lpxC , and lpxD . All of these mutations resulted in the complete loss of LPS production. Furthermore, we showed that loss of LPS occurs in a colistin-resistant clinical isolate of A. baumannii . This is the first report of a spontaneously occurring, lipopolysaccharide-deficient, Gram-negative bacterium.

Abstract Background Multiple bacteria, viruses, protists, and helminths cause enteric infections that greatly impact human health and wellbeing. These enteropathogens are transmitted via several pathways through human, animal, and environmental reservoirs. Individual quantitative PCR (qPCR) assays have been extensively used to detect enteropathogens within these types of samples, whereas the TaqMan Array Card (TAC) that allows simultaneous detection of multiple enteropathogens has only previously been validated in human clinical samples. Methods Here, we performed a comprehensive double-blinded comparison of the performance of a custom TAC relative to standard qPCR for the detection of eight enteric targets, by using spiked samples, wastewater from Melbourne (Australia), and human, animal, and environmental samples from informal settlements in Suva, Fiji. Findings Both methods exhibited high and comparable specificity (TAC: 100%, qPCR: 94%), sensitivity (TAC: 92%; qPCR: 100%), and quantitation accuracy (TAC: 91%; qPCR: 99%) in non-inhibited sample matrices. PCR inhibitors substantially impacted detection via TAC, though this issue was alleviated by 10-fold sample dilution. Among samples from informal settlements, the two techniques were comparable for detection (89% agreement) and quantitation (R 2 = 0.82). The TAC additionally included 38 other targets, enabling detection of diverse faecal pathogens and extensive environmental contamination that would be prohibitively labour intensive to assay by standard qPCR. Interpretation Overall, the two techniques produce comparable results across diverse sample types, with qPCR prioritising greater sensitivity and quantitation accuracy, and TAC trading small reductions in these for a cost-effective larger enteropathogen panel that enables a greater number of enteric pathogens to be analysed concurrently, which is beneficial given the abundance and variety of enteric pathogens in environments such as urban informal settlements. The ability to monitor multiple enteric pathogens across diverse reservoirs in turn allows better resolution of pathogen exposure pathways, and the design and monitoring of interventions to reduce pathogen load. Funding Wellcome Trust Our Planet, Our Health program [OPOH grant 205222/Z/16/Z].

The number, scale and ambition of transdisciplinary research initiatives between the global north and the global south is increasing, yet there is very little theoretical or empirical scholarship on how to lead and manage implementation to promote responsible practice. Within science, technology and innovation (STI) studies and decolonising research frameworks, and utilising collaborative autoethnography, this study codifies experience with implementing the 'Revitalising Informal Settlements and their Environments' (RISE) program (2017-2020). Our specific aim is to explore the leadership and management tensions and challenges of implementing transboundary transdisciplinary research. The findings reaffirm the importance of research leaders and managers carefully operationalising north-south research by critically reflecting on power asymmetries between disciplines, partners and locations, leveraging the potential for transdisciplinary consortia to build research capabilities in the global south, and creating a culture of reflexivity on the historical and social positionality in which research is designed, funded, implemented and evaluated. The findings foreground the role of boundary-spanning 'integrators' and 'pracademics', roles that have received little attention to date but are essential for effective delivery and societal impact beyond scientific advances. A framework for implementing north-south transdisciplinary research is outlined with five domains: (1) collaborative leadership; (2) agile management; (3) flexible consortia; (4) researcher positionality; and (5) co-design and participation. The framework can support efforts for responsibly designing and implementing large, transdisciplinary, cross-country research programs in line with ambitions for decolonising north-south research.

Abstract Algae and cyanobacteria are microorganisms found in almost all fresh and marine waters, where they can pose environmental and public health risks when they grow excessively and produce blooms. Accurate identification and quantification of these microorganisms are vital for ecological research, water quality monitoring, and public health safety. However, traditional methods of manually counting and morphologically identifying these microorganisms are time-consuming and prone to human error. Application of the machine learning-driven Fast Segment Anything Model (FastSAM), an image segmentation model, automates and potentially enhances the accuracy and efficiency of cell identification and enumeration from microscopic images. We assessed FastSAM for algal cell image segmentation, and three clustering evaluation metrics. Segmentation of microscopic images of algal and cyanobacterial cells in water and treated wastewater samples using the Convolutional Neural Network based FastSAM algorithm demonstrated benefits and challenges of this machine learning-driven image processing. Notably, the pre-trained algorithm segmented entire elements in all microscopic images used in this study. Depending on the shape, 50-100% similarity was observed between machine-based segmentation and manual validation of all segmented elements, with 100% of single cells being correctly segmented by FastSAM. The performance of clustering metrics varied between 57-94% with the Spectral Angle Mapper achieving the most accurate performance, 84-94%, compared to the manually chosen clustering benchmarks. Cyanobacterial and algal communities are biologically diverse and have ecological significance. The application of image clustering techniques in studying their cell shapes marks an important advancement in microbial ecology and environmental monitoring. As technology progresses, these methods will become increasingly utilised to decipher the complex roles that algae and cyanobacteria play in our ecosystems supporting mitigation and public health protection measures.

Enumeration of Campylobacter from environmental waters can be difficult due to its low concentrations, which can still pose a significant health risk. Spectrophotometry is an approach commonly used for fast detection of water-borne pollutants in water samples, but it has not been used for pathogen detection, which is commonly done through a laborious and time-consuming culture or qPCR Most Probable Number enumeration methods (i.e., MPN-PCR approaches). In this study, we proposed a new method, MPN-Spectro-ML, that can provide rapid evidence of Campylobacter detection and, hence, water concentrations. After an initial incubation, the samples were analysed using a spectrophotometer, and the spectrum data were used to train three machine learning (ML) models ( i . e ., supported vector machine ‐ SVM, logistic regression–LR, and random forest–RF). The trained models were used to predict the presence of Campylobacter in the enriched water samples and estimate the most probable number (MPN). Over 100 stormwater, river, and creek samples (including both fresh and brackish water) from rural and urban catchments were collected to test the accuracy of the MPN-Spectro-ML method under various scenarios and compared to a previously standardised MPN-PCR method. Differences in the spectrum were found between positive and negative control samples, with two distinctive absorbance peaks between 540-542nm and 575-576nm for positive samples. Further, the three ML models had similar performance irrespective of the scenario tested with average prediction accuracy (ACC) and false negative rates at 0.763 and 13.8%, respectively. However, the predicted MPN of Campylobacter from the new method varied from the traditional MPN-PCR method, with a maximum Nash-Sutcliffe coefficient of 0.44 for the urban catchment dataset. Nevertheless, the MPN values based on these two methods were still comparable, considering the confidence intervals and large uncertainties associated with MPN estimation. The study reveals the potential of this novel approach for providing interim evidence of the presence and levels of Campylobacter within environmental water bodies. This, in turn, decreases the time from risk detection to management for the benefit of public health.