Molecular networking has become a key method to visualize and annotate the chemical space in non-targeted mass spectrometry data. We present feature-based molecular networking (FBMN) as an analysis method in the Global Natural Products Social Molecular Networking (GNPS) infrastructure that builds on chromatographic feature detection and alignment tools. FBMN enables quantitative analysis and resolution of isomers, including from ion mobility spectrometry. Feature-based molecular networking allows the generation of molecular networks for mass spectrometry data that can recognize isomers, incorporate relative quantification and integrate ion mobility data.

A mosaic of cross-phylum chemical interactions occurs between all metazoans and their microbiomes. A number of molecular families that are known to be produced by the microbiome have a marked effect on the balance between health and disease1–9. Considering the diversity of the human microbiome (which numbers over 40,000 operational taxonomic units10), the effect of the microbiome on the chemistry of an entire animal remains underexplored. Here we use mass spectrometry informatics and data visualization approaches11–13 to provide an assessment of the effects of the microbiome on the chemistry of an entire mammal by comparing metabolomics data from germ-free and specific-pathogen-free mice. We found that the microbiota affects the chemistry of all organs. This included the amino acid conjugations of host bile acids that were used to produce phenylalanocholic acid, tyrosocholic acid and leucocholic acid, which have not previously been characterized despite extensive research on bile-acid chemistry14. These bile-acid conjugates were also found in humans, and were enriched in patients with inflammatory bowel disease or cystic fibrosis. These compounds agonized the farnesoid X receptor in vitro, and mice gavaged with the compounds showed reduced expression of bile-acid synthesis genes in vivo. Further studies are required to confirm whether these compounds have a physiological role in the host, and whether they contribute to gut diseases that are associated with microbiome dysbiosis. Metabolomics data from germ-free and specific-pathogen-free mice reveal effects of the microbiome on host chemistry, identifying conjugations of bile acids that are also enriched in patients with inflammatory bowel disease or cystic fibrosis.

The annotation of small molecules is one of the most challenging and important steps in untargeted mass spectrometry analysis, as most of our biological interpretations rely on structural annotations. Molecular networking has emerged as a structured way to organize and mine data from untargeted tandem mass spectrometry (MS/MS) experiments and has been widely applied to propagate annotations. However, propagation is done through manual inspection of MS/MS spectra connected in the spectral networks and is only possible when a reference library spectrum is available. One of the alternative approaches used to annotate an unknown fragmentation mass spectrum is through the use of in silico predictions. One of the challenges of in silico annotation is the uncertainty around the correct structure among the predicted candidate lists. Here we show how molecular networking can be used to improve the accuracy of in silico predictions through propagation of structural annotations, even when there is no match to a MS/MS spectrum in spectral libraries. This is accomplished through creating a network consensus of re-ranked structural candidates using the molecular network topology and structural similarity to improve in silico annotations. The Network Annotation Propagation (NAP) tool is accessible through the GNPS web-platform https://gnps.ucsd.edu/ProteoSAFe/static/gnps-theoretical.jsp.

It is a common problem in natural product therapeutic lead discovery programs that despite good bioassay results in the initial extract, the active compound(s) may not be isolated during subsequent bioassay-guided purification. Herein, we present the concept of bioactive molecular networking to find candidate active molecules directly from fractionated bioactive extracts. By employing tandem mass spectrometry, it is possible to accelerate the dereplication of molecules using molecular networking prior to subsequent isolation of the compounds, and it is also possible to expose potentially bioactive molecules using bioactivity score prediction. Indeed, bioactivity score prediction can be calculated with the relative abundance of a molecule in fractions and the bioactivity level of each fraction. For that reason, we have developed a bioinformatic workflow able to map bioactivity score in molecular networks and applied it for discovery of antiviral compounds from a previously investigated extract of Euphorbia dendroides where the bioactive candidate molecules were not discovered following a classical bioassay-guided fractionation procedure. It can be expected that this approach will be implemented as a systematic strategy, not only in current and future bioactive lead discovery from natural extract collections but also for the reinvestigation of the untapped reservoir of bioactive analogues in previous bioassay-guided fractionation efforts.

Abstract Microbial specialized metabolites are an important source of and inspiration for many pharmaceutical, biotechnological products and play key roles in ecological processes. However, most bioactivity-guided isolation and identification methods widely employed in metabolite discovery programs do not explore the full biosynthetic potential of an organism. Untargeted metabolomics using liquid chromatography coupled with tandem mass spectrometry is an efficient technique to access metabolites from fractions and even environmental crude extracts. Nevertheless, metabolomics is limited in predicting structures or bioactivities for cryptic metabolites. Linking the biosynthetic potential inferred from (meta)genomics to the specialized metabolome would accelerate drug discovery programs. Here, we present a k -nearest neighbor classifier to systematically connect mass spectrometry fragmentation spectra to their corresponding biosynthetic gene clusters (independent of their chemical compound class). Our pipeline offers an efficient method to link biosynthetic genes to known, analogous, or cryptic metabolites that they encode for, as detected via mass spectrometry from bacterial cultures or environmental microbiomes. Using paired data sets that include validated genes-mass spectral links from the Paired Omics Data Platform, we demonstrate this approach by automatically linking 18 previously known mass spectra to their corresponding previously experimentally validated biosynthetic genes (i.e., via NMR or genetic engineering). Finally, we demonstrated that this new approach is a substantial step towards making in silico (and even de novo ) structure predictions for peptidic metabolites and a glycosylated terpene. Altogether, we conclude that NPOmix minimizes the need for culturing and facilitates specialized metabolite isolation and structure elucidation based on integrative omics mining. Significance The pace of natural product discovery has remained relatively constant over the last two decades. At the same time, there is an urgent need to find new therapeutics to fight antibiotic-resistant bacteria, cancer, tropical parasites, pathogenic viruses, and other severe diseases. Here, we introduce a new machine learning algorithm that can efficiently connect metabolites to their biosynthetic genes. Our Natural Products Mixed Omics (NPOmix) tool provides access to genomic information for bioactivity, class, (partial) structure, and stereochemistry predictions to prioritize relevant metabolite products and facilitate their structural elucidation. Our approach can be applied to biosynthetic genes from bacteria (used in this study), fungi, algae, and plants where (meta)genomes are paired with corresponding mass fragmentation data.

Abstract The demand for robust microbial cell factories that can produce valuable biomaterials while being resistant to stresses imposed by current bioprocesses is rapidly growing. R. toruloides is an emerging host that presents desirable features for bioproduction, since it can grow in a wide range of substrates and tolerate a variety of toxic compounds. In order to explore R. toruloides suitability for application as a cell factory in biorefineries, we sought to understand the transcriptional responses of this yeast when growing under experimental settings that simulated those used in biofuels-related industries. Thus, we performed RNA sequencing of the oleaginous, carotenogenic yeast in different contexts. The first ones were stress-related: two conditions of high temperature (37 °C and 42 °C) and two ethanol concentrations (2% and 4%), while the other was using the inexpensive and abundant sugarcane juice as substrate. Using transcriptomic data, differential expression and functional analysis were implemented to select differentially expressed genes and enriched pathways from each set-up. A reproducible bioinformatics workflow was developed for mining new regulatory elements. We then predicted, for the first time in this yeast, binding motifs for several transcription factors, including HAC1, ARG80, RPN4, ADR1, and DAL81. Most of the putative transcription factors uncovered here were involved in stress responses and found in the yeast genome. Our method for motif discovery provides a new realm of possibilities in the study of gene regulatory networks, not only for the emerging host R. toruloides , but for other organisms of biotechnological importance.

Abstract Several genome scale metabolic reconstruction tools have been developed in the last decades. They have helped to construct many metabolic models, which have contributed to a variety of fields, e.g., genetic engineering, drug discovery, prediction of phenotypes, and other model-driven discoveries. However, the use of these programs requires a higher level of bioinformatic skills, and most of them are not scalable for multiple genomes. Moreover, the functionalities required to build models are generally scattered through multiple tools, requiring knowledge of their utilization. Here, we present ChiMera, which combines the most efficient tools in model reconstruction, prediction, and visualization. ChiMera uses CarveMe top-down approach based on genomic evidence to prune a global model with a high level of curation, generating a draft genome able to produce growth predictions using flux balance analysis for gram-positive and gram-negative bacteria. ChiMera also contains two modules of visualization implemented, predefined and universal. The first generates maps for the most important pathways, e.g., core-metabolism, fatty acid oxidation and biosynthesis, nucleotides and amino acids biosynthesis, glycolysis, and others. The second module produces a genome-wide metabolic map, which can be used to harvest KEGG pathway information for each compound in the model. A module of gene essentiality and knockout is also present. Overall, ChiMera combines model creation, gap-filling, FBA and metabolic visualization to create a simulation ready genome-scale model, helping genetic engineering projects, prediction of phenotypes, and other model-driven discoveries in a friendly manner.

Abstract Surveying antimicrobial resistance (AMR) is essential to track its evolution and spread. Alignment-based annotation tools use strict identity (>80%) cutoffs to distinguish between non-resistant (NRP) and resistant proteins (ARP) only annotating proteins similar to those in their databases. Deep learning and Hidden Markov Models (HMM) based tools also depend on protein alignment at some level. DeepARG filters input data to select the um SNP ARG-like proteins and HMMs are built on multi-sequence alignment (MSA) specific for the protein in a given family or group. Therefore, there is a need to remove the alignment dependency of AMR annotation tools to identify proteins with remote homology Here we present DeepSEA, an alignment-free tool fitted on antimicrobial-resistant sets of aligned and unaligned ARPs and NRP. DeepSEA outperforms the current multi-class AMR classifiers DeepARG, RGI and AMRfinder. Furthermore, DeepSEA trained weights cluster AMR by resistant mechanisms, indicating that the model’s latent variables successfully captured distinguishing features of antibiotic resistance. Our tool annotated functionally validated tetracycline destructases (TDases) and confirmed the identification of a novel TDase found by HMM.

A mosaic of cross-phyla chemical interactions occurs between all metazoans and their microbiomes. In humans, the gut harbors the heaviest microbial load, but many organs, particularly those with a mucosal surface, associate with highly adapted and evolved microbial consortia. The microbial residents within these organ systems are increasingly well characterized, yielding a good understanding of human microbiome composition, but we have yet to elucidate the full chemical impact the microbiome exerts on an animal and the breadth of the chemical diversity it contributes. A number of molecular families are known to be shaped by the microbiome including short-chain fatty acids, indoles, aromatic amino acid metabolites, complex polysaccharides, and host lipids; such as sphingolipids and bile acids. These metabolites profoundly affect host physiology and are being explored for their roles in both health and disease. Considering the diversity of the human microbiome, numbering over 40,000 operational taxonomic units, a plethora of molecular diversity remains to be discovered. Here, we use unique mass spectrometry informatics approaches and data mapping onto a murine 3D-model to provide an untargeted assessment of the chemical diversity between germ-free (GF) and colonized mice (specific-pathogen free, SPF), and report the finding of novel bile acids produced by the microbiome in both mice and humans that have evaded characterization despite 170 years of research on bile acid chemistry.