Abstract Sunlight drives daily rhythms of photosynthesis, growth, and division of photoautotrophs throughout the surface oceans. However, the cascading impacts of oscillatory light input on diverse microbial communities and community-scale metabolism remains unclear. Here we use an unsupervised machine learning approach to show that a small number of diel archetypes can explain pervasive periodic dynamics amongst more than 65,000 distinct time series, including transcriptional activity, macromolecules, lipids, and metabolites from the North Pacific Subtropical Gyre. Overall, we find evidence for synchronous timing of carbon-cycle gene expression that underlie daily oscillations in the concentrations of particulate organic carbon. In contrast, we find evidence of asynchronous timing in gene transcription related to nitrogen metabolism and related metabolic processes consistent with temporal niche partitioning amongst microorganisms in the bacterial and eukaryotic domains.

Abstract Photosynthesis fuels primary production at the base of marine food webs. Yet, in many surface ocean ecosystems, diel-driven primary production is tightly coupled to daily loss. This tight coupling raises the question: which top-down drivers predominate in maintaining persistently stable picocyanobacterial populations over longer time scales? Motivated by high-frequency surface water measurements taken in the North Pacific Subtropical Gyre (NPSG), we developed multitrophic models to investigate bottom-up and top-down mechanisms underlying the balanced control of Prochlorococcus populations. We find that incorporating photosynthetic growth with viral- and predator-induced mortality is sufficient to recapitulate daily oscillations of Prochlorococcus abundances with baseline community abundances. In doing so, we infer that grazers function as the primary top-down factor despite high standing viral particle densities while identifying the potential for light-dependent viral traits and non-canonical loss factors to shape the structure and function of marine microbial communities.

Mechanistic, constraint-based models of microbial isolates or communities are a staple in the metabolic analysis toolbox, but predictions about microbe-microbe and microbe-environment interactions are only as good as the accuracy of transporter annotations. A number of hurdles stand in the way of comprehensive functional assignments for membrane transporters. These include general or non-specific substrate assignments, ambiguity in the localization, directionality and reversibility of a transporter, and the many-to-many mapping of substrates, transporters and genes. In this perspective, we summarize progress in both experimental and computational approaches used to determine the function of transporters and consider paths forward that integrate both. Investment in accurate, high-throughput functional characterization is needed to train the next-generation of predictive tools toward genome-scale metabolic network reconstructions that better predict phenotypes and interactions. More reliable predictions in this domain will benefit fields ranging from personalized medicine to metabolic engineering to microbial ecology.

Abstract Microbial communities regulate the transformations of carbon in aquatic systems through metabolic interactions and food-web dynamics that can alter the balance of photosynthesis and respiration. Direct competition for resources is thought to drive microbial community assembly in algal systems, but other interaction modes that may shape communities are more challenging to isolate. Through untargeted metabolomics and metabolic modeling, we predicted the degree of resource competition between bacterial pairs when growing on model diatom Phaeodactylum tricornutum- derived substrates. In a subsequent sequential media experiment, we found that pairwise interactions were consistently more cooperative than predicted based on resource competition alone, indicating an unexpected role for cooperation in algal carbon processing. To link this directly to algal carbon fate, we chose a representative cooperative and competitive ‘influencer’ isolate and a model ‘recipient’ and applied single-cell isotope tracing in a custom porous microplate cultivation system. In the presence of live algae, the recipient drew down more algal carbon in the presence of the cooperative influencer compared to the competitive influencer, supporting the sequential experiment results. We also found that total carbon assimilation into bacterial biomass, integrated over influencer and recipient, was significantly higher for the cooperative interaction. Our findings support the notion that non-competitive interactions are critical for predicting algal carbon fate. Significance Statement Microbial interactions have widely been studied in the context of host resources but testing and measuring direct interactions in a lab has been particularly challenging. By combining untargeted metabolomics, sequential/(co-)culture, and metabolic modeling, we demonstrate that the presence of an unexpected interaction mode in a live system and show how it impacts the flow of host-derived resources. This top-down approach can help identify novel bacterial interactions that play a crucial role in microbial community-host ecosystems, which may have an impact in holobiont phenotypes including alga, fungal, or plant systems.

Abstract The rates of cell growth, division, and carbon loss of microbial populations are key parameters for understanding how organisms interact with their environment and how they contribute to the carbon cycle. However, the invasive nature of current analytical methods has hindered efforts to reliably quantify these parameters. In recent years, size-structured matrix population models (MPMs) have gained popularity for estimating rate parameters of microbial populations by mechanistically describing changes in microbial cell size distributions over time. And yet, the construction, analysis, and biological interpretation of these models are underdeveloped, as current implementations do not adequately constrain or assess the biological feasibility of parameter values, leading to inference which may provide a good fit to observed size distributions but does not necessarily reflect realistic physiological dynamics. Here we present a flexible Bayesian extension of size-structured MPMs for testing underlying assumptions describing the dynamics of a marine phytoplankton population over the day-night cycle. Our Bayesian framework takes prior scientific knowledge into account and generates biologically interpretable results. Using data from an exponentially growing laboratory culture of the cyanobacterium Prochlorococcus , we herein demonstrate the performance improvements of our approach over current models and isolate previously ignored biological processes, such as respiratory and exudative carbon losses, as critical parameters for the modeling of microbial population dynamics. The results demonstrate that this modeling framework can provide deeper insights into microbial population dynamics provided by flow-cytometry time-series data. Author summary Identifying the growth and population dynamics of marine microorganisms in their natural habitat is crucial to understanding the flow of carbon in the oceans but remains a grand challenge due to the invasive nature of current measurement methods. As time-series observations of population size structure have become more commonplace in aquatic environments, matrix population models (MPMs), which aim to mechanistically describe the change in size structure of these populations over time, have gained in popularity over the last decade. However, the underlying assumptions and behavior of MPMs have not been adequately scrutinized, and parameter values are difficult to interpret biologically, leading to inference that may not reflect plausible physiological dynamics. Here, we develop a Bayesian extension of the MPM framework to examine biological assumptions, improve interpretability of model output, and account for additional biological processes. We evaluated the performance of our models on a publicly available dataset of laboratory experiment time-series measurements of the cyanobacterium Prochlorococcus , Earth’s most abundant photosynthetic organisms, demonstrated the performance improvements of our approach over current models, and isolated previously ignored respiratory and exudative carbon losses as critical parameters for the modeling of microbial population dynamics.