Since the emergence of Severe Acute Respiratory Syndrome Coronavirus (SARS-CoV) and Middle East Respiratory Syndrom Coronavirus (MERS-CoV) it has become increasingly clear that bats are important reservoirs of CoVs. Despite this, only 6% of all CoV sequences in GenBank are from bats. The remaining 94% largely consist of known pathogens of public health or agricultural significance, indicating that current research effort is heavily biased towards describing known diseases rather than the 'pre-emergent' diversity in bats. Our study addresses this critical gap, and focuses on resource poor countries where the risk of zoonotic emergence is believed to be highest. We surveyed the diversity of CoVs in multiple host taxa from twenty countries to explore the factors driving viral diversity at a global scale. We identified sequences representing 100 discrete phylogenetic clusters, ninety-one of which were found in bats, and used ecological and epidemiologic analyses to show that patterns of CoV diversity correlate with those of bat diversity. This cements bats as the major evolutionary reservoirs and ecological drivers of CoV diversity. Co-phylogenetic reconciliation analysis was also used to show that host switching has contributed to CoV evolution, and a preliminary analysis suggests that regional variation exists in the dynamics of this process. Overall our study represents a model for exploring global viral diversity and advances our fundamental understanding of CoV biodiversity and the potential risk factors associated with zoonotic emergence.

ABSTRACT The evolutionary origins of Middle East respiratory syndrome (MERS) coronavirus (MERS-CoV) are unknown. Current evidence suggests that insectivorous bats are likely to be the original source, as several 2c CoVs have been described from various species in the family Vespertilionidae . Here, we describe a MERS-like CoV identified from a Pipistrellus cf. hesperidus bat sampled in Uganda (strain PREDICT/PDF-2180), further supporting the hypothesis that bats are the evolutionary source of MERS-CoV. Phylogenetic analysis showed that PREDICT/PDF-2180 is closely related to MERS-CoV across much of its genome, consistent with a common ancestry; however, the spike protein was highly divergent (46% amino acid identity), suggesting that the two viruses may have different receptor binding properties. Indeed, several amino acid substitutions were identified in key binding residues that were predicted to block PREDICT/PDF-2180 from attaching to the MERS-CoV DPP4 receptor. To experimentally test this hypothesis, an infectious MERS-CoV clone expressing the PREDICT/PDF-2180 spike protein was generated. Recombinant viruses derived from the clone were replication competent but unable to spread and establish new infections in Vero cells or primary human airway epithelial cells. Our findings suggest that PREDICT/PDF-2180 is unlikely to pose a zoonotic threat. Recombination in the S1 subunit of the spike gene was identified as the primary mechanism driving variation in the spike phenotype and was likely one of the critical steps in the evolution and emergence of MERS-CoV in humans. IMPORTANCE Global surveillance efforts for undiscovered viruses are an important component of pandemic prevention initiatives. These surveys can be useful for finding novel viruses and for gaining insights into the ecological and evolutionary factors driving viral diversity; however, finding a viral sequence is not sufficient to determine whether it can infect people (i.e., poses a zoonotic threat). Here, we investigated the specific zoonotic risk of a MERS-like coronavirus (PREDICT/PDF-2180) identified in a bat from Uganda and showed that, despite being closely related to MERS-CoV, it is unlikely to pose a threat to humans. We suggest that this approach constitutes an appropriate strategy for beginning to determine the zoonotic potential of wildlife viruses. By showing that PREDICT/PDF-2180 does not infect cells that express the functional receptor for MERS-CoV, we further show that recombination was likely to be the critical step that allowed MERS to emerge in humans.

ABSTRACT Pathogens with persistent environmental stages can have devastating effects on wildlife communities. White-nose syndrome (WNS), caused by the fungus Pseudogymnoascus destructans , has caused widespread declines in bat populations of North America. In 2009, during the early stages of the WNS investigation and before molecular techniques had been developed to readily detect P. destructans in environmental samples, we initiated this study to assess whether P. destructans can persist in the hibernaculum environment in the absence of its conclusive bat host and cause infections in naive bats. We transferred little brown bats ( Myotis lucifugus ) from an unaffected winter colony in northwest Wisconsin to two P. destructans contaminated hibernacula in Vermont where native bats had been excluded. Infection with P. destructans was apparent on some bats within 8 weeks following the introduction of unexposed bats to these environments, and mortality from WNS was confirmed by histopathology at both sites 14 weeks following introduction. These results indicate that environmental exposure to P. destructans is sufficient to cause the infection and mortality associated with WNS in naive bats, which increases the probability of winter colony extirpation and complicates conservation efforts.

Abstract Mycobacterium abscessus (Mab) clinical isolates have large accessory genomes that are comprised of plasmids, prophages, and genomic islands acquired by horizontal gene transfer. Due to their large accessory genomes , Mab clinical isolates are highly genetically diverse. The functional consequence of this diversity remains largely unknown because to date, functional genomic studies in Mab have largely been performed on reference strains. Given the growing public health threat of Mab infections, understanding the functional genomic differences among Mab clinical isolates can provide more insight into how its genetic diversity influences gene essentiality and clinically relevantly phenotypes. To determine the functional genomic diversity among Mab strains, we conducted transposon-sequencing (TnSeq) on 22 genetically diverse clinical isolates. We generated triplicate libraries for 16 M. abscessus subspecies abscessus isolates and single libraries for 6 M. abscessus subspecies massiliense isolates, cataloguing all the essential and non-essential genes in each strain. We identified 562 genes that were differentially required across the 22 clinical isolates, representing ∼15% of the Mab core genome. We also identified genes whose requirements were sub-species, lineage, and isolate specific. Finally, we identified 10,198 pairs of genes whose genetic requirements were significantly correlated and ultimately identified 19 previously uncharacterized genetic networks in Mab . Altogether, this study is the first to unveil differences in genetic requirement across Mab clinical isolates and establishes that Mab strains are not only genetically diverse, but also functionally diverse as well.

Genotype-based diagnostics for antibiotic resistance represent a promising alternative to empiric therapy, reducing inappropriate and ineffective antibiotic use. However, because such assays infer resistance phenotypes based on the presence or absence of known genetic markers, their utility will wane in response to the emergence of novel resistance. Maintenance of these diagnostics will therefore require surveillance designed to ensure early detection of novel resistance variants, but efficient strategies to do so remain to be defined. Here, we evaluate the efficiency of targeted sampling approaches informed by patient and pathogen characteristics in detecting genetic variants associated with antibiotic resistance or diagnostic escape in Neisseria gonorrhoeae, focusing on this pathogen because of its high burden of disease, the imminent threat of treatment resistance, and the use and ongoing development of genotype-based diagnostics. We show that incorporating patient characteristics, such as demographics, geographic regions, or anatomical sites of isolate collection, into sampling approaches is not a reliable strategy for increasing variant detection efficiency. In contrast, sampling approaches informed by pathogen characteristics, such as genomic diversity and genomic background, are significantly more efficient than random sampling in identifying genetic variants associated with antibiotic resistance and diagnostic escape.

Diagnostics that minimize the time to selection of an appropriate antibiotic treatment represent an important strategy in addressing the challenge of antimicrobial resistance (AMR). Among this class of diagnostics, the use of pathogen genotype to predict AMR phenotype has been facilitated by advances in rapid sequencing platforms. A longstanding objection to this approach, however, is that the emergence of novel resistance mechanisms will inevitably lead to a decline in the sensitivity of these diagnostics. Here, we show that while the sensitivities of some genetic markers of resistance remain stably high, sensitivities of other markers rapidly decline, as expected, due to the emergence of novel resistance variants. We then present a simple mathematical framework that defines the sampling and phenotypic testing rates needed for early detection of novel resistance variants and thus demonstrate how surveillance can help maintain the sensitivity and utility of sequence-based AMR diagnostics.

The emergence of resistance to azithromycin complicates treatment of N. gonorrhoeae , the etiologic agent of gonorrhea. Population genomic analyses of clinical isolates have demonstrated that some azithromycin resistance remains unexplained after accounting for the contributions of known resistance mutations in the 23S rRNA and the MtrCDE efflux pump. Bacterial genome-wide association studies (GWAS) offer a promising approach for identifying novel resistance genes but must adequately address the challenge of controlling for genetic confounders while maintaining power to detect variants with lower effect sizes. Compared to a standard univariate GWAS, conducting GWAS conditioned on known resistance mutations with high effect sizes substantially reduced the number of variants that reached genome-wide significance and identified a G70D mutation in the 50S ribosomal protein L4 (encoded by the gene rplD ) as significantly associated with increased azithromycin minimum inhibitory concentrations (β = 1.03, 95% CI [0.76, 1.30]). The role and prevalence of these rplD mutations in conferring macrolide resistance in N. gonorrhoeae had been unclear. Here, we experimentally confirmed our GWAS results, identified other resistance-associated mutations in RplD, and showed that in total these RplD binding site mutations are prevalent (present in 5.42% of 4850 isolates) and geographically and temporally widespread (identified in 21/65 countries across two decades). Overall, our findings demonstrate the utility of conditional associations for improving the performance of microbial GWAS and advance our understanding of the genetic basis of macrolide resistance in a prevalent multidrug-resistant pathogen.

Prediction of antibiotic resistance phenotypes from whole genome sequencing data by machine learning methods has been proposed as a promising platform for the development of sequence-based diagnostics. However, there has been no systematic evaluation of factors that may influence performance of such models, how they might apply to and vary across clinical populations, and what the implications might be in the clinical setting. Here, we performed a meta-analysis of seven large Neisseria gonorrhoeae datasets, as well as Klebsiella pneumoniae and Acinetobacter baumannii datasets, with whole genome sequence data and antibiotic susceptibility phenotypes using set covering machine classification, random forest classification, and random forest regression models to predict resistance phenotypes from genotype. We demonstrate how model performance varies by drug, dataset, resistance metric, and species, reflecting the complexities of generating clinically relevant conclusions from machine learning-derived models. Our findings underscore the importance of incorporating relevant biological and epidemiological knowledge into model design and assessment and suggest that doing so can inform tailored modeling for individual drugs, pathogens, and clinical populations. We further suggest that continued comprehensive sampling and incorporation of up-to-date whole genome sequence data, resistance phenotypes, and treatment outcome data into model training will be crucial to the clinical utility and sustainability of machine learning-based molecular diagnostics.Author Summary Machine learning-based prediction of antibiotic resistance from bacterial genome sequences represents a promising tool to rapidly determine the antibiotic susceptibility profile of clinical isolates and reduce the morbidity and mortality resulting from inappropriate and ineffective treatment. However, while there has been much focus on demonstrating the diagnostic potential of these modeling approaches, there has been little assessment of potential caveats and prerequisites associated with implementing predictive models of drug resistance in the clinical setting. Our results highlight significant biological and technical challenges facing the application of machine learning-based prediction of antibiotic resistance as a diagnostic tool. By outlining specific factors affecting model performance, our findings provide a framework for future work on modeling drug resistance and underscore the necessity of continued comprehensive sampling and reporting of treatment outcome data for building reliable and sustainable diagnostics.

Neisseria gonorrhoeae is an urgent public health threat due to rapidly increasing incidence and antibiotic resistance. In contrast with the trend of increasing resistance, clinical isolates that have reverted to susceptibility regularly appear, prompting questions about which pressures compete with antibiotics to shape gonococcal evolution. Here, we used genome-wide association on the largest collection of N. gonorrhoeae isolates to date (n=4882) to identify loss-of-function (LOF) mutations in the efflux pump mtrCDE operon as a mechanism of increased antibiotic susceptibility and demonstrate that these mutations are overrepresented in cervical isolates relative to urethral isolates (odds ratio (OR) = 3.74, 95% CI [1.98-6.70]). In support of a model in which pump expression incurs a fitness cost in this niche, cervical isolates were also enriched relative to urethral isolates in LOF mutations in the mtrCDE activator mtrA (OR = 8.60, 95% CI [4.96-14.57]) and in farA , a subunit of the FarAB efflux pump (OR = 6.25, 95% CI [3.90-9.83]). In total, approximately 1 in 3 cervical isolates (36.4%) contained a LOF mutation in either the efflux pump components mtrC or farA or the activator mtrA . Our findings extend beyond N. gonorrhoeae to other Neisseria : mtrC LOF mutations are rare (<1%) in the primarily nasopharyngeal-colonizing N. meningitidis in a collection of 14,798 genomes but enriched in a heterosexual urethritis-associated lineage (8.6%, p = 9.90x10-5), indicating that efflux pump downregulation contributes broadly to the adaptation of pathogenic Neisseria to the female urogenital tract. Overall, our findings highlight the impact of integrating microbial population genomics with host metadata and demonstrate how host environmental pressures can lead to increased antibiotic susceptibility.