The Daphnia genome reveals a multitude of genes and shows adaptation through gene family expansions.

ABSTRACT Yeasts are naturally diverse, genetically tractable, and easy to grow in a myriad of experimental conditions such that researchers have the ability to investigate any number of genotypes, strains, environments, or the interaction thereof. However, studies of variation in the yeast transcriptome have been limited by the processing capabilities of available RNA sequencing techniques. Here we optimize a powerful, high-throughput single-cell RNA sequencing (scRNAseq) platform for yeasts. This platform utilizes a combinatorial barcoding strategy to enable massively parallel RNA sequencing of hundreds of yeast genotypes or growth conditions at once. This method can be applied to most species or strains of yeast for a fraction of the cost of traditional scRNAseq approaches. Thus, our technology permits researchers to leverage “the awesome power of yeast” by allowing us to survey the transcriptome of hundreds of strains and environments in a short period of time, and with no specialized equipment. The key to this method is that sequential barcodes are probabilistically appended to cDNA copies of RNA while the molecules remain trapped inside of each cell. Thus, the transcriptome of each cell is labeled with a unique combination of barcodes. Since we use the cell membrane as a container for this reaction, many cells can be processed together without the need to physically isolate them from one another in separate wells or droplets. Further, the first barcode in the sequence can be chosen intentionally to identify samples from different environments or genetic backgrounds, enabling multiplexing of hundreds of unique samples in a single experiment. In addition to greater multiplexing capabilities, our method also facilitates a deeper investigation of biological heterogeneity given its single-cell nature. For example, in the data presented here we report transcriptionally distinct cell states related to cell cycle, growth rate, metabolic strategies, stress responses, etc. all within clonal yeast populations grown in the same environment. Hence, our technology has two obvious and impactful applications for yeast research: the first is the general study of transcriptional phenotypes across many strains and environments, and the second is investigating cell-to-cell heterogeneity across the entire transcriptome.

SUMMARY Building a genotype-phenotype-fitness map of adaptation is a central goal in evolutionary biology. It is notoriously difficult even when the adaptive mutations are known because it is hard to enumerate which phenotypes make these mutations adaptive. We address this problem by first quantifying how the fitness of hundreds of adaptive yeast mutants responds to subtle environmental shifts and then modeling the number of phenotypes they must collectively influence by decomposing these patterns of fitness variation. We find that a small number of phenotypes predicts fitness of the adaptive mutations near their original glucose-limited evolution condition. Importantly, phenotypes that matter little to fitness at or near the evolution condition can matter strongly in distant environments. This suggests that adaptive mutations are locally modular—affecting a small number of phenotypes that matter to fitness in the environment where they evolved—yet globally pleiotropic—affecting additional phenotypes that may reduce or improve fitness in new environments.

Abstract Genetic correlation represents an important class of evolutionary constraint, which is itself evolvable. Empirical studies have found mixed results on whether genetic correlations change rapidly or slowly. This uncertainty challenges our ability to predict the outcome of selection. Despite the tremendous diversity and complexity of life forms, there are certain forms of life that are never observed. This might be because of developmental biases that restrict how organisms can evolve, or because they have low fitness in any environment yet available on Earth. Given that both developmental bias and selection can generate similar phenotypes, it is difficult to distinguish between the two causes of evolutionary stasis among related taxa. For example, remarkably invariant traits are observed spanning million years, such as wing shape in Drosophila wherein qualitative differences are rare within genera. Here, we ask whether the absence of certain combinations of traits, as indicated by genetic correlation, reflects developmental bias. However, much confusion and controversy remain over definitions of developmental bias, and probing it is challenging. We thus present a novel approach aiming to dissect genetic correlations and estimate the relative contribution of developmental bias in maintaining genetic correlations. We do so by leveraging a common but under-utilized type of data: genetic crosses. Through empirical analyses, we find that our approach can distinguish whether genetically correlated traits are developmentally constrained to covary. We also find that our developmental bias metric is an indicator of genetic correlation stability across conditions. Our framework presents a feasible way to dissect the mechanisms underlying genetic correlation and pleiotropy.

Previous work has suggested that the number of ribosomes in a cell is optimized to maximize cell growth given nutrient availability. The resulting correlation between ribosome number and growth rate, called a 'growth law', appears to be independent of which nutrient limits growth rate and is apparent in many organisms. Growth laws have had a powerful impact on many biological disciplines, having fueled predictions about how organisms evolve to maximize their growth and models about how cells regulate their growth. Problematically, the growth law is rarely studied at the single-cell level. While populations of fast-growing cells tend to have more ribosomes than populations of slow-growing cells, it is unclear whether individual cells tightly regulate their ribosome content to match their environment. Here we use recent ground-breaking single-cell RNA sequencing techniques to study the growth law at the single cell level in two different microbes, S. cerevisiae (a single-celled yeast and eukaryote) and B. subtilis (a bacterium and prokaryote). In both species, we find enormous variation in the ribosomal content of single cells that is not predictive of growth rate. Fast-growing populations of cells include cells showing transcriptional signatures of slow growth and stress, as do some cells with the highest ribosome content we survey. These results demonstrate that single-cell ribosome levels are not finely tuned to match population growth rates or nutrient availability and encourage expansion of models that predict how growth rates evolve or are regulated to consider single-cell heterogeneity.

While the terms "gene-by-gene interaction" (GxG) and "gene-by-environment interaction" (GxE) are commonplace within the fields of quantitative and evolutionary genetics, "environment-by-environment interaction" (ExE) is a term used less often. In this study, we find that environment-by-environment interactions are a meaningful driver of phenotypes, and that they differ across different genotypes (suggestive of ExExG). To reach this conclusion, we analyzed a large dataset of roughly 1,000 mutant yeast strains with varying degrees of resistance to different antifungal drugs. We show that the effectiveness of a drug combination, relative to single drugs, often varies across different drug resistant mutants. Even mutants that differ by only a single nucleotide change can have dramatically different drug x drug (ExE) interactions. We also introduce a new framework that better predicts the direction and magnitude of ExE interactions for some mutants. Studying how ExE interactions change across genotypes (ExExG) is not only important when modeling the evolution of pathogenic microbes, but also for broader efforts to understand the cell biology underlying these interactions and to resolve the source of phenotypic variance across populations. The relevance of ExExG interactions have been largely omitted from canon in evolutionary and population genetics, but these fields and others stand to benefit from perspectives that highlight how interactions between external forces craft the complex behavior of living systems.

Abstract Phages infecting bacteria of the genus Staphylococcus play an important role in their host’s ecology and evolution. On one hand, horizontal gene transfer from phage can encourage the rapid adaptation of pathogenic Staphylococcus enabling them to escape host immunity or access novel environments. On the other hand, lytic phages are promising agents for the treatment of bacterial infections, especially those resistant to antibiotics. As part of an ongoing effort to gain novel insights into bacteriophage diversity, we characterized the complete genome of the Staphylococcus bacteriophage Metroid, a cluster C phage with a genome size of 151kb, encompassing 254 predicted protein-coding genes as well as 4 tRNAs. A comparative genomic analysis highlights strong similarities – including a conservation of the lysis cassette – with other Staphylococcus cluster C1 bacteriophages, several of which were previously characterized for therapeutic applications.

Pleiotropy - when a single mutation affects multiple traits - is a controversial topic with far-reaching implications. Pleiotropy plays a central role in ongoing debates about how complex traits evolve and whether biological systems tend to be modular or organized such that every gene has the potential to affect many traits. Pleiotropy is also critical to initiatives in evolutionary medicine that seek to trap infectious microbes or tumors by selecting for mutations that encourage growth in some conditions at the expense of others. Research in these fields, and others, would benefit from understanding the extent to which pleiotropy reflects inherent relationships among phenotypes that correlate no matter the perturbation (vertical pleiotropy), versus the action of genetic changes that impose correlations between otherwise independent traits (horizontal pleiotropy). We tackle this question by using high-throughput single-cell phenotyping to measure thousands of pairwise trait correlations across hundreds of thousands of cells representing hundreds of genotypes of the budding yeast, Saccharomyces cerevisiae. We map pleiotropic quantitative trait loci using genotypes derived from a cross between natural strains, and we separate vertical and horizontal pleiotropy by partitioning trait correlations into within- and between-genotype correlations. We investigate how pleiotropy can change by using genotypes from mutation-accumulation lines that experienced minimal selection, and by tracking trait correlations through the cell-division cycle. We find ample evidence of both vertical and horizontal pleiotropy, and observe that trait correlations depend on both genetic background and cell-cycle position. Our results suggest a nuanced view of pleiotropy in which trait correlations are highly context dependent and biological systems occupy a middle ground between modularity and interconnectedness. These results also suggest an approach to select pairs of traits that are more likely to remain correlated across contexts for applications in evolutionary medicine.

There is growing interest in designing multidrug therapies that leverage tradeoffs to combat drug resistance. Tradeoffs are common in evolution and occur when, for example, resistance to one drug results in sensitivity to another. Major questions remain about the extent to which tradeoffs are reliable, specifically, whether the mutants that provide resistance to a given drug all suffer similar tradeoffs. This question is difficult because the drug-resistant mutants observed in the clinic, and even those evolved in controlled laboratory settings, are often biased towards those that provide large fitness benefits. Thus, the mutations (and mechanisms) that provide drug resistance may be more diverse than current data suggests. Here, we perform evolution experiments utilizing lineage-tracking to capture a fuller spectrum of mutations that give yeast cells a fitness advantage in fluconazole, a common antifungal drug. We then quantify fitness tradeoffs for each of 774 evolved mutants across 12 environments, finding these mutants group into six classes with characteristically different tradeoffs. Their unique tradeoffs may imply that each group of mutants affects fitness through different molecular mechanisms. Some of the groupings we find are surprising. For example, we find some mutants that resist single drugs do not resist their combination, and some mutants to the same gene have different tradeoffs than others. These findings, on one hand, demonstrate the difficulty in relying on consistent or intuitive tradeoffs when designing multidrug treatments that thwart resistance. On the other hand, by demonstrating that hundreds of adaptive mutations can be reduced to a relatively smaller number of groups, our findings suggest that resistance evolves through a relatively small number of mechanisms such that multidrug strategies that hinder resistance may be possible. Finally, by grouping mutants that likely affect fitness through similar underlying mechanisms, our findings also guide efforts to map the phenotypic impacts of mutation and predict the impacts of some mutations from others.