We present a new update to MetaboAnalyst (version 4.0) for comprehensive metabolomic data analysis, interpretation, and integration with other omics data. Since the last major update in 2015, MetaboAnalyst has continued to evolve based on user feedback and technological advancements in the field. For this year's update, four new key features have been added to MetaboAnalyst 4.0, including: (1) real-time R command tracking and display coupled with the release of a companion MetaboAnalystR package; (2) a MS Peaks to Pathways module for prediction of pathway activity from untargeted mass spectral data using the mummichog algorithm; (3) a Biomarker Meta-analysis module for robust biomarker identification through the combination of multiple metabolomic datasets and (4) a Network Explorer module for integrative analysis of metabolomics, metagenomics, and/or transcriptomics data. The user interface of MetaboAnalyst 4.0 has been reengineered to provide a more modern look and feel, as well as to give more space and flexibility to introduce new functions. The underlying knowledgebases (compound libraries, metabolite sets, and metabolic pathways) have also been updated based on the latest data from the Human Metabolome Database (HMDB). A Docker image of MetaboAnalyst is also available to facilitate download and local installation of MetaboAnalyst. MetaboAnalyst 4.0 is freely available at http://metaboanalyst.ca.

Since its first release over a decade ago, the MetaboAnalyst web-based platform has become widely used for comprehensive metabolomics data analysis and interpretation. Here we introduce MetaboAnalyst version 5.0, aiming to narrow the gap from raw data to functional insights for global metabolomics based on high-resolution mass spectrometry (HRMS). Three modules have been developed to help achieve this goal, including: (i) a LC-MS Spectra Processing module which offers an easy-to-use pipeline that can perform automated parameter optimization and resumable analysis to significantly lower the barriers to LC-MS1 spectra processing; (ii) a Functional Analysis module which expands the previous MS Peaks to Pathways module to allow users to intuitively select any peak groups of interest and evaluate their enrichment of potential functions as defined by metabolic pathways and metabolite sets; (iii) a Functional Meta-Analysis module to combine multiple global metabolomics datasets obtained under complementary conditions or from similar studies to arrive at comprehensive functional insights. There are many other new functions including weighted joint-pathway analysis, data-driven network analysis, batch effect correction, merging technical replicates, improved compound name matching, etc. The web interface, graphics and underlying codebase have also been refactored to improve performance and user experience. At the end of an analysis session, users can now easily switch to other compatible modules for a more streamlined data analysis. MetaboAnalyst 5.0 is freely available at https://www.metaboanalyst.ca.

Here we have used a systems biology approach to study innate and adaptive responses to vaccination against influenza in humans during three consecutive influenza seasons. We studied healthy adults vaccinated with trivalent inactivated influenza vaccine (TIV) or live attenuated influenza vaccine (LAIV). TIV induced higher antibody titers and more plasmablasts than LAIV did. In subjects vaccinated with TIV, early molecular signatures correlated with and could be used to accurately predict later antibody titers in two independent trials. Notably, expression of the kinase CaMKIV at day 3 was inversely correlated with later antibody titers. Vaccination of CaMKIV-deficient mice with TIV induced enhanced antigen-specific antibody titers, which demonstrated an unappreciated role for CaMKIV in the regulation of antibody responses. Thus, systems approaches can be used to predict immunogenicity and provide new mechanistic insights about vaccines.

The functional interpretation of high throughput metabolomics by mass spectrometry is hindered by the identification of metabolites, a tedious and challenging task. We present a set of computational algorithms which, by leveraging the collective power of metabolic pathways and networks, predict functional activity directly from spectral feature tables without a priori identification of metabolites. The algorithms were experimentally validated on the activation of innate immune cells.

Pulendran and colleagues use a systems biology analysis to reveal distinct transcriptional signatures of antibody responses to different classes of human vaccines. Many vaccines induce protective immunity via antibodies. Systems biology approaches have been used to determine signatures that can be used to predict vaccine-induced immunity in humans, but whether there is a 'universal signature' that can be used to predict antibody responses to any vaccine is unknown. Here we did systems analyses of immune responses to the polysaccharide and conjugate vaccines against meningococcus in healthy adults, in the broader context of published studies of vaccines against yellow fever virus and influenza virus. To achieve this, we did a large-scale network integration of publicly available human blood transcriptomes and systems-scale databases in specific biological contexts and deduced a set of transcription modules in blood. Those modules revealed distinct transcriptional signatures of antibody responses to different classes of vaccines, which provided key insights into primary viral, protein recall and anti-polysaccharide responses. Our results elucidate the early transcriptional programs that orchestrate vaccine immunity in humans and demonstrate the power of integrative network modeling.

Emerging evidence indicates a central role for the microbiome in immunity. However, causal evidence in humans is sparse. Here, we administered broad-spectrum antibiotics to healthy adults prior and subsequent to seasonal influenza vaccination. Despite a 10,000-fold reduction in gut bacterial load and long-lasting diminution in bacterial diversity, antibody responses were not significantly affected. However, in a second trial of subjects with low pre-existing antibody titers, there was significant impairment in H1N1-specific neutralization and binding IgG1 and IgA responses. In addition, in both studies antibiotics treatment resulted in (1) enhanced inflammatory signatures (including AP-1/NR4A expression), observed previously in the elderly, and increased dendritic cell activation; (2) divergent metabolic trajectories, with a 1,000-fold reduction in serum secondary bile acids, which was highly correlated with AP-1/NR4A signaling and inflammasome activation. Multi-omics integration revealed significant associations between bacterial species and metabolic phenotypes, highlighting a key role for the microbiome in modulating human immunity.

Liquid chromatography coupled to high-resolution mass spectrometry platforms are increasingly employed to comprehensively measure metabolome changes in systems biology and complex diseases. Over the past decade, several powerful computational pipelines have been developed for spectral processing, annotation, and analysis. However, significant obstacles remain with regard to parameter settings, computational efficiencies, batch effects, and functional interpretations. Here, we introduce MetaboAnalystR 3.0, a significantly improved pipeline with three key new features: (1) efficient parameter optimization for peak picking; (2) automated batch effect correction; and (3) more accurate pathway activity prediction. Our benchmark studies showed that this workflow was 20~100× faster compared to other well-established workflows and produced more biologically meaningful results. In summary, MetaboAnalystR 3.0 offers an efficient pipeline to support high-throughput global metabolomics in the open-source R environment.

Autophagy has essential roles in cellular energy mobilization and homeostasis, but its role in T cell memory formation is remains poorly understood. Ahmed and colleagues demonstrate that autophagy is critical for the survival of cytotoxic memory cells. The importance of autophagy in the generation of memory CD8+ T cells in vivo is not well defined. We report here that autophagy was dynamically regulated in virus-specific CD8+ T cells during acute infection of mice with lymphocytic choriomeningitis virus. In contrast to the current paradigm, autophagy decreased in activated proliferating effector CD8+ T cells and was then upregulated when the cells stopped dividing just before the contraction phase. Consistent with those findings, deletion of the gene encoding either of the autophagy-related molecules Atg5 or Atg7 had little to no effect on the proliferation and function of effector cells, but these autophagy-deficient effector cells had survival defects that resulted in compromised formation of memory T cells. Our studies define when autophagy is needed during effector and memory differentiation and warrant reexamination of the relationship between T cell activation and autophagy.

False positive and false negative peaks detected from extracted ion chromatograms (EIC) are an urgent problem with existing software packages that preprocess untargeted liquid or gas chromatography-mass spectrometry metabolomics data because they can translate downstream into spurious or missing compound identifications. We have developed new algorithms that carry out the sequential construction of EICs and detection of EIC peaks. We compare the new algorithms to two popular software packages XCMS and MZmine 2 and present evidence that these new algorithms detect significantly fewer false positives. Regarding the detection of compounds known to be present in the data, the new algorithms perform at least as well as XCMS and MZmine 2. Furthermore, we present evidence that mass tolerance in m/z should be favored rather than mass tolerance in ppm in the process of constructing EICs. The mass tolerance parameter plays a critical role in the EIC construction process and can have immense impact on the detection of EIC peaks.

Significant challenges still exist in the computational processing of data from LC-MS metabolomic experiments into metabolite features. In this study, we examine the issues of provenance and reproducibility in the current software tools. The inconsistency among these tools is attributed to the deficiencies of mass alignment and controls of feature quality. To address these issues, we have developed a new open-source software tool, asari, for LC-MS metabolomics data processing. Asari is designed with a set of new algorithmic framework and data structures, and all steps are explicitly trackable. Asari compares favorably to other tools in feature detection and quantification. It offers substantial improvement of computational performance over current tools, and is highly scalable.