ABSTRACT Plants are in constant contact with a community of soil biota that contains fungi ranging from pathogenic to symbiotic. A few studies have demonstrated a critical role of chemical communication in establishing highly specialized relationships, but the general role for root exudates in structuring the soil fungal community is poorly described. This study demonstrates that two model plant species ( Arabidopsis thaliana and Medicago truncatula ) are able to maintain resident soil fungal populations but unable to maintain nonresident soil fungal populations. This is mediated largely through root exudates: the effects of adding in vitro-generated root exudates to the soil fungal community were qualitatively and quantitatively similar to the results observed for plants grown in those same soils. This effect is observed for total fungal biomass, phylotype diversity, and overall community similarity to the starting community. Nonresident plants and root exudates influenced the fungal community by both positively and negatively impacting the relative abundance of individual phylotypes. A net increase in fungal biomass was observed when nonresident root exudates were added to resident plant treatments, suggesting that increases in specific carbon substrates and/or signaling compounds support an increased soil fungal population load. This study establishes root exudates as a mechanism through which a plant is able to regulate soil fungal community composition.

Summary The identification of leaf wax genes involved in stress tolerance is expected to have great potential for crop improvement. Here we report the characterization of a novel AP2 domain‐containing putative transcription factor gene from the model legume Medicago truncatula. The gene, designated WXP1 , is able to activate w a x p roduction and confer drought tolerance in alfalfa ( Medicago sativa ), the most important forage legume species in the world and a close relative of M. truncatula . The predicted protein of WXP1 has 371 aa; it is one of the longest peptides of all the single AP2 domain proteins in M. truncatula . WXP1 is distinctly different from the most studied genes in the AP2/ERF transcription factor family such as AP2s , CBF / DREB1s , DREB2s , WIN1 / SHN1 and GL15 . Transcript level of WXP1 is inducible by cold, abscisic acid and drought treatment mainly in shoot tissues in M. truncatula . Overexpression of WXP1 under the control of the CaMV35S promoter led to a significant increase in cuticular wax loading on leaves of transgenic alfalfa. Scanning electron microscopy revealed earlier accumulation of wax crystals on the adaxial surface of newly expanded leaves and higher densities of wax crystalline structures on both adaxial and abaxial surfaces of mature leaves. Gas chromatography–mass spectrometry analysis revealed that total leaf wax accumulation per surface area increased 29.6–37.7% in the transgenic lines, and the increase was mainly contributed by C30 primary alcohol. WXP1 overexpression induced a number of wax‐related genes. Transgenic leaves showed reduced water loss and chlorophyll leaching. Transgenic alfalfa plants with increased cuticular waxes showed enhanced drought tolerance demonstrated by delayed wilting after watering was ceased and quicker and better recovery when the dehydrated plants were re‐watered.

GC-MS-based metabolite profiling was used to analyse the response of Medicago truncatula cell cultures to elicitation with methyl jasmonate (MeJa), yeast elicitor (YE), or ultraviolet light (UV). Marked changes in the levels of primary metabolites, including several amino acids, organic acids, and carbohydrates, were observed following elicitation with MeJa. A similar, but attenuated response was observed following YE elicitation, whereas little response was observed following UV elicitation. MeJa induced the accumulation of the triterpene beta-amyrin, a precursor to the triterpene saponins, and LC-MS analysis confirmed the accumulation of triterpene saponins in MeJa-elicited samples. In addition, YE induced a slight, but significant accumulation of shikimic acid, an early precursor to the phenylpropanoid pathway, which was also demonstrated to be YE-inducible by LC-MS analyses. Correlation analyses of metabolite relationships revealed perturbation of the glycine, serine, and threonine biosynthetic pathway, and suggested the induction of threonine aldolase activity, an enzyme as yet uncharacterized from plants. Members of the branched chain amino acid pathway accumulated in a concerted fashion, with the strongest correlation being that between leucine and isoleucine (r2=0.941). While UV exposure itself had little effect on primary metabolites, the experimental procedure, as revealed by control treatments, induced changes in several metabolites which were similar to those following MeJa elicitation. Sucrose levels were lower in MJ- and YE-elicited samples compared with control samples, suggesting that a portion of the effects observed on the primary metabolic pool are a consequence of fundamental metabolic repartitioning of carbon resources rather than elicitor-specific induction. In addition, beta-alanine levels were elevated in all elicited samples, which, when viewed in the context of other elicitation responses, suggests the altered metabolism of coenzyme A and its esters, which are essential in secondary metabolism.

Metabolomic data are frequently acquired using chromatographically coupled mass spectrometry (MS) platforms. For such datasets, the first step in data analysis relies on feature detection, where a feature is defined by a mass and retention time. While a feature typically is derived from a single compound, a spectrum of mass signals is more a more-accurate representation of the mass spectrometric signal for a given metabolite. Here, we report a novel feature grouping method that operates in an unsupervised manner to group signals from MS data into spectra without relying on predictability of the in-source phenomenon. We additionally address a fundamental bottleneck in metabolomics, annotation of MS level signals, by incorporating indiscriminant MS/MS (idMS/MS) data implicitly: feature detection is performed on both MS and idMS/MS data, and feature–feature relationships are determined simultaneously from the MS and idMS/MS data. This approach facilitates identification of metabolites using in-source MS and/or idMS/MS spectra from a single experiment, reduces quantitative analytical variation compared to single-feature measures, and decreases false positive annotations of unpredictable phenomenon as novel compounds. This tool is released as a freely available R package, called RAMClustR, and is sufficiently versatile to group features from any chromatographic-spectrometric platform or feature-finding software.

Analyses of circulating metabolites in large prospective epidemiological studies could lead to improved prediction and better biological understanding of coronary heart disease (CHD). We performed a mass spectrometry-based non-targeted metabolomics study for association with incident CHD events in 1,028 individuals (131 events; 10 y. median follow-up) with validation in 1,670 individuals (282 events; 3.9 y. median follow-up). Four metabolites were replicated and independent of main cardiovascular risk factors [lysophosphatidylcholine 18∶1 (hazard ratio [HR] per standard deviation [SD] increment = 0.77, P-value<0.001), lysophosphatidylcholine 18∶2 (HR = 0.81, P-value<0.001), monoglyceride 18∶2 (MG 18∶2; HR = 1.18, P-value = 0.011) and sphingomyelin 28∶1 (HR = 0.85, P-value = 0.015)]. Together they contributed to moderate improvements in discrimination and re-classification in addition to traditional risk factors (C-statistic: 0.76 vs. 0.75; NRI: 9.2%). MG 18∶2 was associated with CHD independently of triglycerides. Lysophosphatidylcholines were negatively associated with body mass index, C-reactive protein and with less evidence of subclinical cardiovascular disease in additional 970 participants; a reverse pattern was observed for MG 18∶2. MG 18∶2 showed an enrichment (P-value = 0.002) of significant associations with CHD-associated SNPs (P-value = 1.2×10−7 for association with rs964184 in the ZNF259/APOA5 region) and a weak, but positive causal effect (odds ratio = 1.05 per SD increment in MG 18∶2, P-value = 0.05) on CHD, as suggested by Mendelian randomization analysis. In conclusion, we identified four lipid-related metabolites with evidence for clinical utility, as well as a causal role in CHD development.

ABSTRACT Multi-omics prediction has been shown to be superior to genomic prediction with genome-wide DNA-based genetic markers (G) for predicting phenotypes. However, most of the existing studies were based on historical datasets from one environment; therefore, they were unable to evaluate the efficiency of multi-omics prediction in multi-environment trials and distantly-related populations. To fill those gaps, we designed a systematic experiment to collect omics data and evaluate 17 traits in two oat breeding populations planted in single and multiple environments. In the single-environment trial, transcriptomic BLUP (T), metabolomic BLUP (M), G+T, G+M and G+T+M models showed greater prediction accuracy than GBLUP for 5, 10, 11, 17 and 17 traits, respectively, and metabolites generally performed better than transcripts when combined with SNPs. In the multi-environment trial, multi-trait models with omics data outperformed both counterpart multi-trait GBLUP models and single-environment omics models, and the highest prediction accuracy was achieved when modeling genetic covariance as an unstructured covariance model. We also demonstrated that omics data can be used to prioritize loci from one population with omics data to improve genomic prediction in a distantly-related population using a two-kernel linear model that accommodated both likely casual loci with large-effect and loci that explain little or no phenotypic variance. We propose that the two-kernel linear model is superior to most genomic prediction models that assume each variant is equally likely to affect the trait and can be used to improve prediction accuracy for any trait with prior knowledge of genetic architecture.

Summary Plant breeding strategies to optimize metabolite profiles are necessary to develop health-promoting food crops. In oats ( Avena sativa L.), seed metabolites are of interest for their antioxidant properties and their agronomic role in mitigating disease severity, yet have not been a direct target of selection in breeding. In a diverse oat germplasm panel spanning a century of breeding, we investigated the degree of variation of these specialized metabolites and how it has been molded by selection for other traits, like yield components. We also ask if these patterns of variation persist in modern breeding pools. Integrating genomic, transcriptomic, metabolomic and phenotypic analyses for three types of seed specialized metabolites – avenanthramides, avenacins, and avenacosides – we found reduced genetic variation in modern germplasm compared to diverse germplasm, in part due to increased seed size associated with more intensive breeding. Specifically, we found that abundance of avenanthramides increases with seed size, but additional variation is attributable to expression of biosynthetic enzymes, but avenacoside abundance decreases with seed size and plant breeding intensity. Overall, we show that increased seed size associated with plant breeding has uneven effects on the seed metabolome, and broadly contributes to understanding how selection shapes plant specialized metabolism.

Honey bees are important insect pollinators that provide critical pollination services to fruit and nut crops in the US. They face challenges likely due to pressures associated with agricultural intensification related habitat loss. To better understand this, pollen preferences of foraging bees and the nutritional profile of pollen brought into hives by foraging bees in crop fields and nut orchards can provide valuable information. We trained bees to forage on bee-collected pollen from hives placed for pollination services in almond orchards, sunflower fields, or mixed species from inter-row plantings. Using bees trained to a certain kind of hive pollen, we applied a binary scoring system, to test preferences of these preconditioned foragers. We also performed metabolomic analyses of the hive pollen used for training and testing to elucidate their nutritional content. Irrespective of preconditioning, bees collected all the available choice pollen types, predominantly choosing hive-collected mixed species pollen (MSP), followed by almond orchard pollen. The hive-collected MSP was chemically diverse, richest in cholesterol, vitamins, and phytochemicals quercetin, kaempferol, coumarin, and quinine, but was not consistently high for essential amino acids and polyunsaturated fatty acids. Although diversity in chemical profiles may not directly relate to plant species diversity, our results suggest that foragers collect a variety of pollen types when available reiterating the importance of diverse floral resources.

Orthogonal separations of data from high-resolution mass spectrometry can provide insight into sample composition and help address the challenge of complete annotation of molecules in untargeted metabolomics. Molecular networks (MNs), as used, for example, in the Global Natural Products Social Molecular Networking platform, are an increasingly popular computational strategy for exploring and visualizing molecular relationships and improving annotation. MNs use graph representations to show the relationships between measured multidimensional data features. MNs also show promise for using network science algorithms to automatically identify targets for annotation candidates and to dereplicate features associated to a single molecular identity. However, more advanced methods may better represent the complexity present in samples. Our work aims to increase confidence in annotation propagation by extending molecular network methods to include molecular hypernetworks (MHNs), able to natively represent multiway relationships among observations supporting both human and analytical processing. In this paper we first introduce MHNs illustrated with simple examples, and demonstrate how to build them from liquid chromatography- and ion mobility spectrometry- separated MS data. We then describe a method to construct MHNs directly from existing MNs as their clique reconstructions, demonstrating their utility by comparing examples of previously published graph-based MNs to their respective MHNs.

Microbial diversity is strongly affected by the bottom-up effects of resource availability. However, because resource pools often exist as heterogeneous mixtures of distinct molecules, resource heterogeneity may also affect community diversity. To test this hypothesis, we surveyed bacterial communities in lakes that varied in resource concentration. In addition, we characterized resource heterogeneity in these lakes using an ecosystem metabolomics approach. Overall, resource concentration and resource heterogeneity affected bacterial resource-diversity relationships. We found strong relationships between bacterial alpha-diversity (richness and evenness) and resource concentration and richness, but richness and evenness responded in different ways. Likewise, we found associations between the composition of the bacterial community and both resource concentration and composition, but the relationship with resource composition was stronger. Last, in the surveyed communities the presence of resource generalists may have reduced the effect of resource heterogeneity on community composition. These results have implications for understanding the interactions between bacteria and organic matter and suggest that changes in organic matter composition may alter the structure and function of bacterial communities.