Synopsis Background Pyrazinamide is one of four first-line antibiotics used to treat tuberculosis, however antibiotic susceptibility testing for pyrazinamide is challenging. Resistance to pyrazinamide is primarily driven by genetic variation in pncA, an enzyme that converts pyrazinamide into its active form. Methods We curated a dataset of 664 non-redundant, missense amino acid mutations in pncA with associated high-confidence phenotypes from published studies and then trained three different machine learning models to predict pyrazinamide resistance. All models had access to a range of protein structural-, chemical- and sequence-based features. Results The best model, a gradient-boosted decision tree, achieved a sensitivity of 80.2% and a specificity of 76.9% on the hold-out Test dataset. The clinical performance of the models was then estimated by predicting the binary pyrazinamide resistance phenotype of 4,027 samples harboring 367 unique missense mutations in pncA derived from 24,231 clinical isolates. Conclusions This work demonstrates how machine learning can enhance the sensitivity/specificity of pyrazinamide resistance prediction in genetics-based clinical microbiology workflows, highlights novel mutations for future biochemical investigation, and is a proof of concept for using this approach in other drugs.

ABSTRACT Carbapenem resistance in Enterobacterales is a public health threat. Klebsiella pneumoniae carbapenemase (encoded by alleles of the bla KPC family) is one of the commonest transmissible carbapenem resistance mechanisms worldwide. The dissemination of bla KPC has historically been associated with distinct K. pneumoniae lineages (clonal group 258 [CG258]), a particular plasmid family (pKpQIL), and a composite transposon (Tn 4401) . In the UK, bla KPC has caused a large-scale, persistent outbreak focused on hospitals in North-West England. This outbreak has evolved to be polyclonal and poly-species, but the genetic mechanisms underpinning this evolution have not been elucidated in detail; this study used short-read whole genome sequencing of 604 bla KPC -positive isolates (Illumina) and long-read assembly (PacBio)/polishing (Illumina) of 21 isolates for characterisation. We observed the dissemination of bla KPC (predominantly bla KPC-2 ; 573/604 [95%] isolates) across eight species and more than 100 known sequence types. Although there was some variation at the transposon level (mostly Tn 4401 a, 584/604 (97%) isolates; predominantly with ATTGA-ATTGA target site duplications, 465/604 [77%] isolates), bla KPC spread appears to have been supported by highly fluid, modular exchange of larger genetic segments amongst plasmid populations dominated by IncFIB (580/604 isolates), IncFII (545/604 isolates) and IncR replicons (252/604 isolates). The subset of reconstructed plasmid sequences also highlighted modular exchange amongst non- bla KPC and bla KPC plasmids, and the common presence of multiple replicons within bla KPC plasmid structures (>60%). The substantial genomic plasticity observed has important implications for our understanding of the epidemiology of transmissible carbapenem resistance in Enterobacterales, for the implementation of adequate surveillance approaches, and for control. IMPORTANCE Antimicrobial resistance is a major threat to the management of infections, and resistance to carbapenems, one of the “last line” antibiotics available for managing drug-resistant infections, is a significant problem. This study used large-scale whole genome sequencing over a five-year period in the UK to highlight the complexity of genetic structures facilitating the spread of an important carbapenem resistance gene ( bla KPC ) amongst a number of bacterial species that cause disease in humans. In contrast to a recent pan-European study from 2012-2013(1), which demonstrated the major role of spread of clonal bla KPC - Klebsiella pneumoniae lineages in continental Europe, our study highlights the substantial plasticity in genetic mechanisms underpinning the dissemination of bla KPC . This genetic flux has important implications for: the surveillance of drug resistance (i.e. making surveillance more difficult); detection of outbreaks and tracking hospital transmission; generalizability of surveillance findings over time and for different regions; and for the implementation and evaluation of control interventions.

Escherichia coli and other Enterobacteriaceae are highly diverse species with ‘open’ pangenomes 1,2 , where genes move intra- and inter-species via horizontal gene transfer 3 . These species can cause clinical infections 4,5 as well as persist environmentally 6,7 . Environmental populations have been suggested as important reservoirs of antimicrobial resistance (AMR) genes. However, as most analyses focus on clinical isolates 8,9 , the pangenome dynamics of natural populations remain understudied, particularly the role of plasmids. Here, we reconstructed near-complete genomes for 828 Enterobacteriaceae , including 553 Escherichia spp. and 275 non- Escherichia species with 2,293 circularised plasmids in total, collected from nineteen locations (livestock farms and wastewater treatment works in the United Kingdom) within a 30km radius at three timepoints over the course of a year. We find different dynamics for the chromosomal and plasmid-borne components of the pangenome, showing that plasmids have a higher burden of both AMR genes and insertion sequences, and AMR plasmids show evidence of being under stronger selective pressure. Focusing on E. coli , we observe that plasmid dynamics are more strongly dominated by niche and local geography, rather than phylogeny or season. Our results highlight the diversity of the AMR reservoir in these species and niches, and the importance of local strategies for controlling the emergence and spread of AMR.

Abstract Tuberculosis is a respiratory disease that is treatable with antibiotics. An increasing prevalence of resistance means that to ensure a good treatment outcome it is desirable to test the susceptibility of each infection to different antibiotics. Conventionally this is done by culturing a clinical sample and then exposing aliquots to a panel of antibiotics, thereby determining the minimum inhibitory concentration (MIC) of each drug. Using 96-well broth micro dilution plates with each well containing a lyophilised pre-determined amount of an antibiotic is a convenient and cost-effective way to measure the MICs of several drugs at once for a clinical sample. Although accurate, this is an expensive and slow process that requires highly-skilled and experienced laboratory scientists. Here we show that, through the BashTheBug project hosted on the Zooniverse citizen science platform, a crowd of volunteers can reproducibly and accurately determine the MICs for 13 drugs and that simply taking the median or mode of 11-17 independent classifications is sufficient. There is therefore a potential role for crowds to support (but not supplant) the role of experts in antibiotic susceptibility testing.

Antimicrobial resistance (AMR) is a global health hazard. Although clinical and agricultural environments are well-established contributors to the evolution and dissemination of AMR, research on wastewater treatment works (WwTWs) has highlighted their potential role as disseminators of AMR in freshwater environments. Using metagenomic sequencing and analysis, we investigated the changes in resistomes and associated mobile genetic elements within untreated wastewater influents and treated effluents of five WwTWs, and sediments collected from corresponding river environments in Oxfordshire, UK, across three seasonal periods within a year. Our analysis demonstrated a high diversity and abundance of antimicrobial resistance genes (ARGs) in untreated wastewater influents, reflecting the varied anthropogenic and environmental origins of wastewater. WwTWs effectively reduced AMR in the final effluent, with an average 87 % reduction in normalised ARG abundance and an average 63 % reduction in richness. However, wastewater effluents significantly impacted the antimicrobial resistome of the receiving rivers, with an average 543 % increase in ARG abundance and a 164 % increase in richness from upstream sediments to downstream sediments. The normalised abundance of the human gut-associated bacteriophage crAssphage was highly associated with both ARG abundance and richness. We observed seasonal variation in the resistome of raw influent which was not found in the effluent-receiving sediments. We illustrate the potential of WwTWs as focal points for disseminating ARGs and resistance-selecting chemicals, contributing to the elevation of environmental AMR. Our study emphasises the need for a comprehensive understanding of the anthropogenic impacts on AMR evolution and dissemination in wastewater and river environments, informing efforts to mitigate this growing public health crisis.

2. Abstract Several bioinformatics genotyping algorithms are now commonly used to characterise antimicrobial resistance (AMR) gene profiles in whole genome sequencing (WGS) data, with a view to understanding AMR epidemiology and developing resistance prediction workflows using WGS in clinical settings. Accurately evaluating AMR in Enterobacterales, particularly Escherichia coli , is of major importance, because this is a common pathogen. However, robust comparisons of different genotyping approaches on relevant simulated and large real-life WGS datasets are lacking. Here, we used both simulated datasets and a large set of real E. coli WGS data (n=1818 isolates) to systematically investigate genotyping methods in greater detail. Simulated constructs and real sequences were processed using four different bioinformatic programs (ABRicate, ARIBA, KmerResistance, and SRST2, run with the ResFinder database) and their outputs compared. For simulations tests where 3,079 AMR gene variants were inserted into random sequence constructs, KmerResistance was correct for 3,076 (99.9%) simulations, ABRicate for 3,054 (99.2%), ARIBA for 2,783 (90.4%) and SRST2 for 2,108 (68.5%). For simulations tests where two closely related gene variants were inserted into random sequence constructs, KmerResistance the correct alleles in 35,338/46,318 (76.3%) ABRicate identified in 11,842/46,318 (25.6%) of simulations, ARIBA in 1679/46,318 (3.6%), and SRST2 in 2000/46,318 (4.3%). In real data, across all methods, 1392/1818 (76%) isolates had discrepant allele calls for at least one gene. Our evaluations revealed poor performance in scenarios that would be expected to be challenging (e.g. identification of AMR genes at <10x coverage, discriminating between closely related AMR gene sequences), but also identified systematic sequence classification (i.e. naming) errors even in straightforward circumstances, which contributed to 1081/3092 (35%) errors in our most simple simulations and at least 2530/4321 (59%) discrepancies in real data. Further, many of the remaining discrepancies were likely “artefactual” with reporting cut-off differences accounting for at least 1430/4321 (33%) discrepants. Comparing outputs generated by running multiple algorithms on the same dataset can help identify and resolve these artefacts, but ideally new and more robust genotyping algorithms are needed. 3. Impact statement Whole-genome sequencing is widely used for studying the epidemiology of antimicrobial resistance (AMR) genes in bacteria; however, there is some concern that outputs are highly dependent on the bioinformatics methods used. This work evaluates these concerns in detail by comparing four different, commonly used AMR gene typing methods using large simulated and real datasets. The results highlight performance issues for most methods in at least one of several simulated and real-life scenarios. However most discrepancies between methods were due to differential labelling of the same sequences related to the assumptions made regarding the underlying structure of the reference resistance gene database used (i.e. that resistance genes can be easily classified in well-defined groups). This study represents a major advance in quantifying and evaluating the nature of discrepancies between outputs of different AMR typing algorithms, with relevance for historic and future work using these algorithms. Some of the discrepancies can be resolved by choosing methods with fewer assumptions about the reference AMR gene database and manually resolving outputs generated using multiple programs. However, ideally new and better methods are needed.

ABSTRACT Metagenomic sequencing of faecal DNA can usefully characterise an individual’s intestinal resistome but is limited by its inability to detect important pathogens that may be present at low abundance, such as carbapenemase or extended-spectrum beta-lactamase producing Enterobacteriaceae . Here we aimed to develop a hybrid protocol to improve detection of resistance genes in Enterobacteriaceae by using a short period of culture enrichment prior to sequencing of DNA extracted directly from the enriched sample. Volunteer faeces were spiked with carbapenemase-producing Enterobacteriaceae and incubated in selective broth culture for 6 hours before sequencing. Different DNA extraction methods were compared, including a plasmid extraction protocol to increase the detection of plasmid-associated resistance genes. Although enrichment prior to sequencing increased the detection of carbapenemase genes, the differing growth characteristics of the spike organisms precluded accurate quantification of their concentration prior to culture. Plasmid extraction protocols increased detection of resistance genes present on plasmids, but the effects were heterogeneous and dependent on plasmid size. Our results demonstrate methods of improving the limit of detection of selected resistance mechanisms in a faecal resistome assay, but they also highlight the difficulties in using these techniques for accurate quantification and should inform future efforts to achieve this goal.

Abstract Analysing the flanking sequences surrounding genes of interest is often highly relevant to understanding the role of mobile genetic elements (MGEs) in horizontal gene transfer, particular for antimicrobial resistance genes. Here, we present Flanker, a Python package which performs alignment-free clustering of gene flanking sequences in a consistent format, allowing investigation of MGEs without prior knowledge of their structure. These clusters, known as ‘flank patterns’, are based on Mash distances, allowing for easy comparison of similarity across sequences. Additionally, Flanker can be flexibly parameterised to finetune outputs by characterising upstream and downstream regions separately and investigating variable lengths of flanking sequence. We apply Flanker to two recent datasets describing plasmid-associated carriage of important carbapenemase genes (blaOXA-48 and blaKPC-2/3) and show that it successfully identifies distinct clusters of flank patterns, including both known and previously uncharacterised structural variants. For example, Flanker identified four Tn4401 profiles that could not be sufficiently characterised using TETyper or MobileElementFinder, demonstrating the utility of Flanker for flanking gene characterisation. Similarly, using a large (n=226) European isolate dataset, we confirm findings from a previous smaller study demonstrating association between Tn1999.2 and bla OXA-48 upregulation and demonstrate 17 flank patterns (compared to the 5 previously identified). More generally the demonstration in this study that flank patterns are associated with to geographical regions and antibiotic susceptibility phenotypes suggests that they may be useful as epidemiological markers. Flanker is freely available under an MIT license at https://github.com/wtmatlock/flanker . Data Summary NCBI accession numbers for all sequencing data used in this study is provided in Supplementary Table 1. The analysis performed in this manuscript can be reproduced in a binder environment provided on the Flanker Github page ( https://github.com/wtmatlock/flanker ).

Structured summary Background Hospital sinks are environmental reservoirs that harbour healthcare-associated (HCA) pathogens. Selective pressures in sink environments, such as antibiotic residues, nutrient waste and hardness ions, may promote antibiotic resistance gene (ARG) exchange between bacteria. However, cheap and accurate sampling methods to characterise these factors are lacking. Aim To validate a workflow to detect antibiotic residues and evaluate water chemistry using dipsticks. Secondarily, to validate boric acid to preserve the taxonomic and ARG (″resistome″) composition of sink trap samples for metagenomic sequencing. Methods Antibiotic residue dipsticks were validated against serial dilutions of ampicillin, doxycycline, sulfamethoxazole and ciprofloxacin, and water chemistry dipsticks against serial dilutions of chemical calibration standards. Sink trap aspirates were used for a ″real-world″ pilot evaluation of dipsticks. To assess boric acid as a preservative of microbial diversity, the impact of incubation with and without boric acid at ~22°C on metagenomic sequencing outputs was evaluated at Day 2 and Day 5 compared with baseline (Day 0). Findings The limits of detection for each antibiotic were: 3μg/L (ampicillin), 10μg/L (doxycycline), 20μg/L (sulfamethoxazole) and 8μg/L (ciprofloxacin). The best performing water chemistry dipstick correctly characterised 34/40 (85%) standards in a concentration-dependent manner. One trap sample tested positive for the presence of tetracyclines and sulfonamides. Taxonomic and resistome composition were largely maintained after storage with boric acid at ~22°C for up to five days. Conclusions Dipsticks can be used to detect antibiotic residues and characterise water chemistry in sink trap samples. Boric acid was an effective preservative of trap sample composition, representing a low-cost alternative to cold-chain transport.

Resistance to amoxicillin-clavulanate, a widely used beta-lactam/beta-lactamase inhibitor combination antibiotic, is rising globally, yet susceptibility testing remains challenging. To test whether whole-genome sequencing (WGS) could provide a more reliable assessment of susceptibility than traditional methods, we predicted resistance from WGS for 976 E. coli bloodstream infection isolates from Oxfordshire, UK, comparing against phenotypes from the BD Phoenix (calibrated against EUCAST guidelines). 339/976 (35%) isolates were amoxicillin-clavulanate resistant. Predictions based solely on beta-lactamase presence/absence performed poorly (sensitivity 23% (78/339)) but improved when genetic features associated with penicillinase hyper-production (e.g. promoter mutations, copy number estimates) were considered (sensitivity 82% (277/339); p<0.0001). Most discrepancies occurred in isolates with peri-breakpoint MICs. We investigated two potential causes; the phenotypic reference and the binary resistant/susceptible classification. We performed reference standard, replicated phenotyping in a random stratified subsample of 261/976 (27%) isolates using agar dilution, following both EUCAST and CLSI guidelines, which use different clavulanate concentrations. As well as disagreeing with each other, neither agar dilution phenotype aligned perfectly with genetic features. A random-effects model investigating associations between genetic features and MICs showed that some genetic features had small, variable and additive effects, resulting in variable resistance classification. Using model fixed-effects to predict MICs for the non-agar dilution isolates, predicted MICs were in essential agreement (±1 doubling dilution) with observed (BD Phoenix) MICs for 691/715 (97%) isolates. This suggests amoxicillin-clavulanate resistance in E. coli is quantitative, rather than qualitative, explaining the poorly reproducible binary (resistant/susceptible) phenotypes and suboptimal concordance between different phenotypic methods and with WGS-based predictions.