The immune response to Mycobacterium tuberculosis is complex and incompletely characterized, hindering the development of new diagnostics, treatments and vaccines. A systems-biology approach has now been used to compare the transcriptional profiles of expressed genes in patients with active and latent tuberculosis and in healthy controls. Active pulmonary disease is shown to correlate with a neutrophil-driven interferon-inducible gene profile. About 10% of people with latent tuberculosis go on to develop the active disease. In this study, 10% of latent patients displayed a transcriptional signature similar to that in the active disease, suggesting that the biomarker may be useful in both prognosis and diagnosis. Here, the human immune response to infection with Mycobacterium tuberculosis has been characterized by transcriptional profiling. The results show that active tuberculosis correlates with a particular transcriptional signature that is dominated by a neutrophil-driven interferon-inducible gene profile. The study provides a broad range of transcriptional biomarkers with potential as diagnostic and prognostic tools to combat the tuberculosis epidemic. Tuberculosis (TB), caused by infection with Mycobacterium tuberculosis, is a major cause of morbidity and mortality worldwide. Efforts to control it are hampered by difficulties with diagnosis, prevention and treatment1,2. Most people infected with M. tuberculosis remain asymptomatic, termed latent TB, with a 10% lifetime risk of developing active TB disease. Current tests, however, cannot identify which individuals will develop disease3. The immune response to M. tuberculosis is complex and incompletely characterized, hindering development of new diagnostics, therapies and vaccines4,5. Here we identify a whole-blood 393 transcript signature for active TB in intermediate and high-burden settings, correlating with radiological extent of disease and reverting to that of healthy controls after treatment. A subset of patients with latent TB had signatures similar to those in patients with active TB. We also identify a specific 86-transcript signature that discriminates active TB from other inflammatory and infectious diseases. Modular and pathway analysis revealed that the TB signature was dominated by a neutrophil-driven interferon (IFN)-inducible gene profile, consisting of both IFN-γ and type I IFN-αβ signalling. Comparison with transcriptional signatures in purified cells and flow cytometric analysis suggest that this TB signature reflects changes in cellular composition and altered gene expression. Although an IFN-inducible signature was also observed in whole blood of patients with systemic lupus erythematosus (SLE), their complete modular signature differed from TB, with increased abundance of plasma cell transcripts. Our studies demonstrate a hitherto underappreciated role of type I IFN-αβ signalling in the pathogenesis of TB, which has implications for vaccine and therapeutic development. Our study also provides a broad range of transcriptional biomarkers with potential as diagnostic and prognostic tools to combat the TB epidemic.

Summary

 The analysis of patient blood transcriptional profiles offers a means to investigate the immunological mechanisms relevant to human diseases on a genome-wide scale. In addition, such studies provide a basis for the discovery of clinically relevant biomarker signatures. We designed a strategy for microarray analysis that is based on the identification of transcriptional modules formed by genes coordinately expressed in multiple disease data sets. Mapping changes in gene expression at the module level generated disease-specific transcriptional fingerprints that provide a stable framework for the visualization and functional interpretation of microarray data. These transcriptional modules were used as a basis for the selection of biomarkers and the development of a multivariate transcriptional indicator of disease progression in patients with systemic lupus erythematosus. Thus, this work describes the implementation and application of a methodology designed to support systems-scale analysis of the human immune system in translational research settings.

A T cell subset that emerges in blood after seasonal influenza vaccinations correlates with the development of protective antibody responses.

Abstract Each infectious agent represents a unique combination of pathogen-associated molecular patterns that interact with specific pattern-recognition receptors expressed on immune cells. Therefore, we surmised that the blood immune cells of individuals with different infections might bear discriminative transcriptional signatures. Gene expression profiles were obtained for 131 peripheral blood samples from pediatric patients with acute infections caused by influenza A virus, Gram-negative (Escherichia coli) or Gram-positive (Staphylococcus aureus and Streptococcus pneumoniae) bacteria. Thirty-five genes were identified that best discriminate patients with influenza A virus infection from patients with either E coli or S pneumoniae infection. These genes classified with 95% accuracy (35 of 37 samples) an independent set of patients with either influenza A, E coli, or S pneumoniae infection. A different signature discriminated patients with E coli versus S aureus infections with 85% accuracy (34 of 40). Furthermore, distinctive gene expression patterns were observed in patients presenting with respiratory infections of different etiologies. Thus, microarray analyses of patient peripheral blood leukocytes might assist in the differential diagnosis of infectious diseases.

Background: The diagnosis of Kawasaki disease (KD) is often difficult to distinguish from HAdV. Objective: 1) To characterize the specific transcriptional profiles of KD patients versus acute HAdV infection 2) To determine whether the molecular distance to health (MDTH) score (a molecular score that reflects the perturbation derived from whole genome transcriptional analysis) correlates with response to therapy. Methods: Whole blood RNA samples collected in Tempus tubes were analyzed using Illumina chips and GeneSpring software 7.4 from 76 pediatric patients with complete KD, 13 with incomplete KD, and 19 patients with HadV, and 20 age- and sex-matched healthy controls (HC). We used class comparison algorithms (Mann-Whitney p< 0.01, Benjamini-Hochberg, and 1.25- fold change filter) and modular analysis to define the KD profiles; class prediction algorithm was used to identify genes that best differentiate KD and HAdV. Results: Statistical group comparisons identified 7,899 genes differentially expressed in 39 complete KD patients versus HC (KD biosignature). This signature was validated in another 37 patients with complete KD and in 13 patients with incomplete KD. Modular analysis in children with complete KD demonstrated overexpression of inflammation, neutrophils, myeloid cell, coagulation cascade, and cell cycle genes. The class prediction algorithm identified 25-classifier genes that differentiated children with KD vs HAdV infection in two independent cohorts of patients with 92% (95% CI [73%-99%]) sensitivity and 90% [67%-98%] specificity. MDTH scores in KD patients significantly correlated with the baseline c-reactive protein (R=0.29, p=0.008) and was four fold higher than in children with HAdV (p<0.01). In addition, KD patients that remained febrile 36 hours after treatment with IVIG (non-responders) demonstrated higher baseline, pre-treatment MDTH values compared with responders [12,290 vs. 5572 respectively; p=0.009]. Conclusion: Transcriptional signatures can be used as a tool to discriminate between KD and HAdV infection, and may also provide prognostic information.

Infections in infants continue to be an important cause of morbidity and mortality worldwide. Understanding the immune mechanisms that operate in infants is necessary for the development of new approaches to improve the health of infants around the world.

Rationale: Respiratory syncytial virus (RSV) is the leading cause of acute lower respiratory tract infections and hospitalizations in infants worldwide. Known risk factors, however, incompletely explain the variability of RSV disease severity, especially among healthy children. We postulate that the severity of RSV infection is influenced by modulation of the host immune response by the local bacterial ecosystem.Objectives: To assess whether specific nasopharyngeal microbiota (clusters) are associated with distinct host transcriptome profiles and disease severity in children less than 2 years of age with RSV infection.Methods: We characterized the nasopharyngeal microbiota profiles of young children with mild and severe RSV disease and healthy children by 16S-rRNA sequencing. In parallel, using multivariable models, we analyzed whole-blood transcriptome profiles to study the relationship between microbial community composition, the RSV-induced host transcriptional response, and clinical disease severity.Measurements and Main Results: We identified five nasopharyngeal microbiota clusters characterized by enrichment of either Haemophilus influenzae, Streptococcus, Corynebacterium, Moraxella, or Staphylococcus aureus. RSV infection and RSV hospitalization were positively associated with H. influenzae and Streptococcus and negatively associated with S. aureus abundance, independent of age. Children with RSV showed overexpression of IFN-related genes, independent of the microbiota cluster. In addition, transcriptome profiles of children with RSV infection and H. influenzae– and Streptococcus-dominated microbiota were characterized by greater overexpression of genes linked to Toll-like receptor and by neutrophil and macrophage activation and signaling.Conclusions: Our data suggest that interactions between RSV and nasopharyngeal microbiota might modulate the host immune response, potentially affecting clinical disease severity.

Respiratory syncytial virus (RSV) is among the most common causes of lower respiratory tract infection (LRTI) and hospitalization in infants. However, the mechanisms of immune control in infants remain incompletely understood. Antibody profiling against attachment (G) and fusion (F) proteins in children less than 2 years of age, with mild (outpatients) or severe (inpatients) RSV disease, indicated substantial age-dependent differences in RSV-specific immunity. Maternal antibodies were detectable for the first 3 months of life, followed by a long window of immune vulnerability between 3 and 6 months and a rapid evolution of FcγR-recruiting immunity after 6 months of age. Acutely ill hospitalized children exhibited lower G-specific antibodies compared with healthy controls. With disease resolution, RSV-infected infants generated broad functional RSV strain-specific G-responses and evolved cross-reactive F-responses, with minimal maternal imprinting. These data suggest an age-independent RSV G-specific functional humoral correlate of protection, and the evolution of RSV F-specific functional immunity with disease resolution.

Background: While our understanding of the role that the immune system plays in health and disease is growing at a rapid pace, available clinical tools to capture this complexity are lagging. We previously described the construction of a third-generation modular transcriptional repertoire derived from genome-wide transcriptional profiling of blood of 985 subjects across 16 diverse immunologic conditions, which comprises 382 distinct modules. Results: Here we describe the use of this modular repertoire framework for the development of a targeted transcriptome fingerprinting assay (TFA). The first step consisted in down-selection of the number of modules to 32, on the basis of similarities in changes in transcript abundance and functional interpretation. Next down-selection took place at the level of each of the 32 modules, with each one of them being represented by four transcripts in the final 128 gene panel. The assay was implemented on both the Fluidigm high throughput microfluidics PCR platform and the Nanostring platform, with the list of assays target probes being provided for both. Finally, we provide evidence of the versatility of this assay to assess numerous immune functions in vivo by demonstrating applications in the context of disease activity assessment in systemic lupus erythematosus and longitudinal immune monitoring during pregnancy. Conclusions: This work demonstrates the utility of data-driven network analysis applied to large-scale transcriptional profiling to identify key markers of immune responses, which can be downscaled to a rapid, inexpensive, and highly versatile assay of global immune function applicable to diverse investigations of immunopathogenesis and biomarker discovery.

Availability of large collections of public omics data creates a wide range of hands-on training opportunities for biomedical investigators. The organization and outcome of a workshop focusing on implementation of modular repertoire analysis and visualization approaches is described here. This analytic strategy has been developed specifically for mining of blood transcriptome data. Workshop participants conducted modular repertoire analyses of public blood transcriptome datasets generated from patients with acute respiratory syncytial virus infection (RSV). Analyses were conducted using a recently described 382-module repertoire framework. Next, group-level, as well as individual-level modular fingerprint plots, were generated. A meta-analysis encompassing 490 subjects was also conducted at the module-level by combining outputs from analyses of six independent datasets. Clustering was used to identify distinct patient subgroups in this consolidated patient cohort.