Abstract Antimicrobial resistance is one of the greatest current threats to human and animal health. There is an urgent need to ensure that antimicrobials are used appropriately to limit the emergence and impact of resistance. In the human and veterinary healthcare setting, traditional culture and antimicrobial sensitivity testing is typically conducted, requiring 48-72 h to identify appropriate antibiotics for treatment. In the meantime, broad-spectrum antimicrobials are often used, which may be ineffective or impact non-target commensal bacteria. Here, we present a rapid diagnostics pipeline, involving metagenomic Nanopore sequencing directly from clinical urine and skin samples of dogs. We have optimised this pipeline to be versatile and easily implementable in a clinical setting, with the potential for future adaptation to different sample types and animals. Using our approach, we can identify the bacterial pathogen present in a sample with 100% sensitivity within 5 hours. For urine samples, we can predict antibiotic sensitivity with up to 95% accuracy. However, skin swabs which exhibited lower bacterial abundance and higher host DNA, were less amenable and an additional host depletion step may be required prior to DNA extraction. In summary, our pipeline represents an important step towards the design of individually tailored veterinary treatment plans on the same day as presentation, facilitating effective use of antibiotics and promoting antimicrobial stewardship. Impact statement Antimicrobial resistance (AMR) is a major threat to veterinary and human healthcare. It is a one-health problem, as humans and dogs are in close contact, require similar antibiotics, and share bacterial pathogens and AMR genes. Limited treatments options due to AMR would have a catastrophic effect. The risk of infection would render much of modern healthcare (including critical care, orthopaedic and complex surgeries, implants and oncology) impossible. In addition, routine infections could become life threatening. It is therefore critical to preserve the efficacy of these drugs for the future. Inappropriate antimicrobial use is the single biggest factor driving AMR. Antimicrobial stewardship involves reducing antimicrobial use, using first-line narrow-spectrum drugs, and avoiding overly long treatment. Delays in culture-based diagnosis lead clinicians to speculatively use broad-spectrum antibiotics and prolong courses of treatment beyond clinical cure. Our rapid diagnostic approach will have a major impact in reducing, refining and replacing antibiotic use. This will advance antimicrobial stewardship in veterinary and human healthcare. Data summary All sequencing data mentioned in this work is available from NCBI, BioProject PRJNA925092, Biosamples SAMN32880396 to SAMN32880438, run accessions SRR23195371 to SRR23195413. The authors confirm all supporting data, code and protocols have been provided within the article or through supplementary data files .

This study supports the development of predictive bacteriophage (phage) therapy: the concept of phage cocktail selection to treat a bacterial infection based on machine learning models (MLM). For this purpose, MLM were trained on thousands of measured interactions between a panel of phage and sequenced bacterial isolates. The concept was applied to Escherichia coli (E. coli) associated with urinary tract infections. This is an important common infection in humans and companion animals from which multi-drug resistant (MDR) bloodstream infections can originate. The global threat of MDR infection has reinvigorated international efforts into alternatives to antibiotics including phage therapy. E. coli exhibit extensive genome-level variation due to horizontal gene transfer via phage and plasmids. Associated with this, phage selection for E. coli is difficult as individual isolates can exhibit considerable variation in phage susceptibility due to differences in factors important to phage infection including phage receptor profiles and resistance mechanisms. The activity of 31 phage were measured on 314 isolates with growth curves in artificial urine. Random Forest models were built for each phage from bacterial genome features and the more generalist phage, acting on over 20% of the bacterial population, exhibited F1 scores of >0.6 and could be used to predict phage cocktails effective against previously untested strains. The study demonstrates the potential of predictive models which integrate bacterial genomics with phage activity datasets allowing their use on data derived from direct sequencing of clinical samples to inform rapid and effective phage therapy.