The Type-IX secretion system (T9SS) is a nanomachinery utilized by bacterial pathogens to facilitate infection. The system is regulated by a signaling cascade serving as its activation switch. A pivotal member in this cascade, the response regulator protein PorX, represents a promising drug target to prevent the secretion of virulence factors. Here, we provide a comprehensive characterization of PorX both

Plastic degradation by biological systems with re-utilization of the by-products can be the future solution to the global threat of plastic waste accumulation. We report that the saliva of Galleria mellonella larvae (wax worms) is capable of oxidizing and depolymerizing polyethylene (PE), one of the most produced and sturdy polyolefin-derived plastics. This effect is achieved after a few hours' exposure at room temperature and physiological conditions (neutral pH). The wax worm saliva can indeed overcome the bottleneck step in PE biodegradation, that is the initial oxidation step. Within the saliva, we identified two enzymes that can reproduce the same effect. This is the first report of enzymes with this capability, opening up the way to new ground-breaking solutions for plastic waste management through bio-recycling/up-cycling.

Modeling microbial interactions as sparse and reproducible networks is a major challenge in microbial ecology. Direct interactions between the microbial species of a biome can help to understand the mechanisms through which microbial communities influence the system. Most state-of-the art methods reconstruct networks from abundance data using Gaussian Graphical Models, for which several statistically grounded and computationnally efficient inference approaches are available. However, the multiplicity of existing methods, when applied to the same dataset, generates very different networks. In this article, we present OneNet, a consensus network inference method that combines seven methods based on stability selection. This resampling procedure is used to tune a regularization parameter by computing how often edges are selected in the networks. We modified the stability selection framework to use edge selection frequencies directly and combine them in the inferred network to ensure that only reproducible edges are included in the consensus. We demonstrated on synthetic data that our method generally led to slightly sparser networks while achieving much higher precision than any single method. We further applied the method to gut microbiome data from liver-cirrothic patients and demonstrated that the resulting network exhibited a microbial guild that was meaningful in terms of human health.