Microbial communities populate most environments on earth and play a critical role in ecology and human health. Their composition is thought to be largely shaped by interspecies competition for the available resources, but cooperative interactions, such as metabolite exchanges, have also been implicated in community assembly. The prevalence of metabolic interactions in microbial communities, however, has remained largely unknown. Here, we systematically survey, by using a genome-scale metabolic modeling approach, the extent of resource competition and metabolic exchanges in over 800 communities. We find that, despite marked resource competition at the level of whole assemblies, microbial communities harbor metabolically interdependent groups that recur across diverse habitats. By enumerating flux-balanced metabolic exchanges in these co-occurring subcommunities we also predict the likely exchanged metabolites, such as amino acids and sugars, that can promote group survival under nutritionally challenging conditions. Our results highlight metabolic dependencies as a major driver of species co-occurrence and hint at cooperative groups as recurring modules of microbial community architecture.

Genome-scale metabolic models are instrumental in uncovering operating principles of cellular metabolism, for model-guided re-engineering, and unraveling cross-feeding in microbial communities. Yet, the application of genome-scale models, especially to microbial communities, is lagging behind the availability of sequenced genomes. This is largely due to the time-consuming steps of manual curation required to obtain good quality models. Here, we present an automated tool, CarveMe, for reconstruction of species and community level metabolic models. We introduce the concept of a universal model, which is manually curated and simulation ready. Starting with this universal model and annotated genome sequences, CarveMe uses a top-down approach to build single-species and community models in a fast and scalable manner. We show that CarveMe models perform closely to manually curated models in reproducing experimental phenotypes (substrate utilization and gene essentiality). Additionally, we build a collection of 74 models for human gut bacteria and test their ability to reproduce growth on a set of experimentally defined media. Finally, we create a database of 5587 bacterial models and demonstrate its potential for fast generation of microbial community models. Overall, CarveMe provides an open-source and user-friendly tool towards broadening the use of metabolic modeling in studying microbial species and communities.

Abstract Genome-scale metabolic models are instrumental in uncovering operating principles of cellular metabolism and model-guided re-engineering. Recent applications of metabolic models have also demonstrated their usefulness in unraveling cross-feeding within microbial communities. Yet, the application of genome-scale models, especially to microbial communities, is lagging far behind the availability of sequenced genomes. This is largely due to the time-consuming steps of manual cura-tion required to obtain good quality models and thus physiologically meaningful simulation results. Here, we present an automated tool – CarveMe – for reconstruction of species and community level metabolic models. We introduce the concept of a universal model, which is manually curated and simulation-ready. Starting with this universal model and annotated genome sequences, CarveMe uses a top-down approach to build single-species and community models in a fast and scalable manner. We build reconstructions for two model organisms, Escherichia coli and Bacillus subtillis , as well as a collection of human gut bacteria, and show that CarveMe models perform similarly to manually curated models in reproducing experimental phenotypes. Finally, we demonstrate the scalability of CarveMe through reconstructing 5587 bacterial models. Overall, CarveMe provides an open-source and user-friendly tool towards broadening the use of metabolic modeling in studying microbial species and communities.

Abstract Resource competition and metabolic cross-feeding are among the main drivers of microbial community assembly. Yet, the degree to which these two conflicting forces are reflected in the composition of natural communities has not been systematically investigated. Here, we use genome-scale metabolic modeling to assess resource competition and metabolic cooperation potential in large co-occurring groups, with up to 40 member species, across thousands of habitats. Our analysis revealed two distinct community types, clustering at opposite ends in a trade-off landscape between competition and cooperation. On one end lie highly cooperative communities, characterized by smaller genomes and multiple auxotrophies, reminiscent of the black queen hypothesis. At the other end lie highly competitive communities, conforming to the red queen hypothesis, featuring larger genomes and overlapping nutritional requirements. While the latter are mainly present in soils, the former are found both in free-living and host-associated habitats. Community-scale flux simulations showed that, while the competitive communities can better resist species invasion but not nutrient shift, the cooperative communities are susceptible to species invasion but resilient to nutrient change. In accord, we show, through analyzing an additional independent dataset, the colonization of the human gut by probiotic species is positively associated with the presence of cooperative species in the recipient microbiome. Together, our analysis highlights the bifurcation between competition and cooperation in the assembly of natural communities and its implications for community modulation.

Abstract Traits lacking fitness benefit cannot be directly selected for under Darwinian evolution. Thus, features such as metabolite secretion are currently inaccessible to adaptive laboratory evolution. Here, we utilize environment-dependency of trait correlations to enable Darwinian selection of fitness-neutral or costly traits. We use metabolic models to design selection niches and to identify surrogate traits that are genetically correlated with cell fitness in the selection niche but coupled to the desired trait in the target niche. Adaptive evolution in the selection niche and subsequent return to the target niche is thereby predicted to enhance the desired trait. We experimentally validate the theory by evolving Saccharomyces cerevisiae for increased secretion of aroma compounds in wine fermentation. Genomic, transcriptomic, and proteomic changes in the evolved strains confirmed the predicted flux re-routing to aroma biosynthesis. The use of model-designed selection niches facilitates the predictive evolution of fitness-costly traits for ecological and biotechnological applications.

Double strand breaks (DSBs) originating from transcription and replication conflict (TRC) sites are prone to rearrangements. Through the application of a capture-ligation assay on mouse neural progenitor cells experiencing replication stress, we unveiled that interactions between transcription and replication fork architecture dictate DSB location and orientation. Specifically, telomere-to-centromere forks generate telomere-connected DSBs, while centromere-to-telomere forks lead to centromere-connected DSBs in genomes that replicate during median and late stages. This pattern, however, reverses in early-replicating DNA. Mapping nascent RNA and RNA polymerase activity revealed that head-to-head interactions between replication and transcription machineries elevate DSBs by 30% compared to co-directional interactions. By deleting promoter elements in the moderately transcribed Ctnna2 and Nrxn1 genes, we demonstrated that the removal of transcription suppressed DSB. However, titration of expression at the Ptn locus demonstrated that transcription level alone was insufficient to induce DSB. Our findings underscore how transcription and replication directionality impact genome structural stability.

Abstract Adaptive Laboratory Evolution (ALE) of microorganisms can improve the efficiency of sustainable industrial processes important to the global economy. However, stochasticity and genetic background effects often lead to suboptimal outcomes during laboratory evolution. Here we report an ALE platform to circumvent these shortcomings through parallelized clonal evolution at an unprecedented scale. Using this platform, we evolved 10 4 yeast populations in parallel from many strains for eight desired wine fermentation-related traits. Expansions of both ALE replicates and lineage numbers broadened the evolutionary search spectrum leading to improved wine yeasts unencumbered by unwanted side effects. At the genomic level, evolutionary gains in metabolic characteristics often coincided with distinct chromosome amplifications and the emergence of side-effect syndromes that were characteristic of each selection niche. Several high-performing ALE strains exhibited desired wine fermentation kinetics when tested in larger liquid cultures, supporting their suitability for application. More broadly, our high-throughput ALE platform opens opportunities for rapid optimization of microbes which otherwise could take many years to accomplish.

Synthetic communities can help uncover metabolic forces shaping microbial ecosystems. Yet, in case of the gut microbiota, culturing in undefined media has prevented detection of metabolic dependencies. Here we show, using chemically defined media, how species survival is jointly determined by supplied resources and community metabolism. We used 63 representative gut bacterial strains and varied inoculum compositions to assemble stable communities in 14 defined media. Over 95% of the species showed markedly improved or diminished performance relative to monoculture in at least one condition, including 153 cases (21%) of emergent survival, i.e., species incapable of surviving on their own but thriving in a community, and 252 (35%) community-driven extinctions. Through single species additions and exclusions, metabolomic analysis, and ecological modelling, we demonstrate how inter-species dependencies, especially in poor media, are mediated by biotic nutrient supply. Our results highlight communal metabolic dividend as a key biotic force promoting emergent survival and diversity.

ABSTRACT Adaptive Laboratory Evolution (ALE) of microbes can improve the efficiency of sustainable industrial processes important to the global economy, but chance and genetic background effects often lead to suboptimal outcomes. Here we report an ALE platform to circumvent these flaws through parallelized clonal evolution at an unprecedented scale. Using this platform, we clonally evolved 10 ^4 yeast populations in parallel from many strains for eight desired wine production traits. Expansions of both ALE replicates and lineage numbers broadened the evolutionary search spectrum and increased the chances of evolving improved wine yeasts unencumbered by unwanted side effects. ALE gains often coincided with distinct aneuploidies and the emergence of semi-predictable side effects that were characteristic of each selection niche. Many high performing ALE strains retained their desired traits upon transfer to industrial conditions and produced high quality wine. Overall, our ALE platform brings evolutionary engineering into the realm of high throughput science and opens opportunities for rapidly optimizing microbes for use in many industrial sectors which otherwise could take many years to accomplish.

Summary Natural compounds constitute a rich resource of potential small-molecule therapeutics. While experimental access to this resource is limited due to its vast diversity and difficulties in systematic purification, computational assessment of structural similarity with known therapeutic molecules offers a scalable approach. Here, we assessed functional similarity between natural compounds and approved drugs by combining multiple chemical similarity metrics and physicochemical properties through a random forest model. As a training set, we used pair-wise similarity between 1410 drugs in terms of their shared protein targets. The resulting model featured high performance metrics (matthews correlation coefficient of 0.81, and balanced accuracy of 0.91) suggesting that it well-captured the structure-activity relation. The model was then used to predict protein targets of circa 11k natural compounds by comparing them with the drugs. This revealed therapeutic potential of several natural compounds, including those with support from previously published sources as well as those hitherto unexplored. We experimentally validated one of the predicted link’s activities, viz., Cox-1 inhibition by 5-methoxysalicylic acid, a molecule commonly found in tea, herbs and spices. In contrast, another natural compound, 4-isopropylbenzoic acid, which showed a higher similarity when considering the most weighted similarity metric but was not picked by the random forest model, did not inhibit Cox-1. Our results demonstrate the utility of a machine-learning approach combining multiple chemical features for uncovering protein binding potential of natural compounds.