Abstract Bacteria genetically engineered to execute defined therapeutic and diagnostic functions in physiological settings can be applied to colonize the human microbiome, providing in situ surveillance and conditional disease modulation. However, many engineered microbes can only respond to single-input environmental factors, limiting their tunability, precision, and effectiveness as living diagnostic and therapeutic systems. For engineering microbes to improve complex chronic disorders such as inflammatory bowel disease, the bacteria must respond to combinations of stimuli in the proper context and time. This work implements a previously characterized split activator AND logic gate in the probiotic Escherichia coli strain Nissle 1917. Our system can respond to two input signals: the inflammatory biomarker tetrathionate and a second input signal, anhydrotetracycline (aTc), for manual control. We report 4-6 fold induction with a minimal leak when the two chemical signals are present. We model the AND gate dynamics using chemical reaction networks and tune parameters in silico to identify critical perturbations that affect our circuit’s selectivity. Finally, we engineer the optimized AND gate to secrete a therapeutic anti-inflammatory cytokine IL-22 using the hemolysin secretion pathway in the probiotic E. coli strain. We used a germ-free transwell model of the human gut epithelium to show that our engineering bacteria produce similar host cytokine responses compared to pure cytokine. Our study presents a scalable workflow to engineer cytokine-secreting microbes. It demonstrates the feasibility of IL-22 derived from probiotic E. coli Nissle with minimal off-target effects in a gut epithelial context.

Abstract Type 2 diabetes (T2D) is implicated as a risk factor for Alzheimer’s disease (AD), the most common form of dementia. In this work, we investigated neuroinflammatory responses of primary neurons to potentially circulating, blood–brain barrier (BBB) permeable metabolites associated with AD, T2D, or both. We identified nine metabolites associated with protective or detrimental properties of AD and T2D in literature (lauric acid, asparagine, fructose, arachidonic acid, aminoadipic acid, sorbitol, retinol, tryptophan, niacinamide) and stimulated primary mouse neuron cultures with each metabolite before quantifying cytokine secretion via Luminex. We employed unsupervised clustering, inferential statistics, and partial least squares discriminant analysis to identify relationships between cytokine concentration and disease-associations of metabolites. We identified MCP-1, a cytokine associated with monocyte recruitment, as differentially abundant between neurons stimulated by metabolites associated with protective and detrimental properties of AD and T2D. We also identified IL-9, a cytokine that promotes mast cell growth, to be differentially associated with T2D. Indeed, cytokines, such as MCP-1 and IL-9, released from neurons in response to BBB-permeable metabolites associated with T2D may contribute to AD development by downstream effects of neuroinflammation.

Type 2 diabetes (T2D) is implicated as a risk factor for Alzheimer's disease (AD), the most common form of dementia. In this work, we investigated neuroinflammatory responses of primary neurons to potentially circulating, blood-brain barrier (BBB) permeable metabolites associated with AD, T2D, or both. We identified nine metabolites associated with protective or detrimental properties of AD and T2D in literature (lauric acid, asparagine, fructose, arachidonic acid, aminoadipic acid, sorbitol, retinol, tryptophan, niacinamide) and stimulated primary mouse neuron cultures with each metabolite before quantifying cytokine secretion via Luminex. We employed unsupervised clustering, inferential statistics, and partial least squares discriminant analysis to identify relationships between cytokine concentration and disease-associations of metabolites. We identified MCP-1, a cytokine associated with monocyte recruitment, as differentially abundant between neurons stimulated by metabolites associated with protective and detrimental properties of AD and T2D. We also identified IL-9, a cytokine that promotes mast cell growth, to be differentially associated with T2D. Indeed, cytokines, such as MCP-1 and IL-9, released from neurons in response to BBB-permeable metabolites associated with T2D may contribute to AD development by downstream effects of neuroinflammation.

Abstract Synovial fluid is composed of hyaluronan and proteoglycan-4 (PRG4 or lubricin), which work synergistically to maintain joint lubrication. In diseases like osteoarthritis, hyaluronan and PRG4 concentrations can be altered, resulting in lowered synovial fluid viscosity, and pro-inflammatory cytokine concentrations within the synovial fluid increase. Synovial fibroblasts within the synovium are responsible for contributing to synovial fluid and can be targeted to improve endogenous production of hyaluronan and PRG4 and to alter the cytokine profile. We cyclically loaded SW982 synoviocytes to 0%, 5%, 10%, or 20% strain for three hours at 1 Hz. To assess the impact of substrate stiffness, we compared the 0% strain group to cells grown on tissue culture plastic. We measured the expression of hyaluronan turnover genes, hyaluronan localization within the cell layer, hyaluronan concentration, PRG4 concentration, and the cytokine profile within the media. Our results show that the addition of cyclic loading increased HAS3 expression, but not in a magnitude-dependent response. Hyaluronidase expression was impacted by strain magnitude, which is exemplified by the decrease in hyaluronan concentration due to cyclic loading. We also show that PRG4 concentration is increased at 5% strain, while higher strain magnitude decreases overall PRG4 concentration. Finally, 10% and 20% strain show a distinct, more pro-inflammatory cytokine profile when compared to the unloaded group. Multivariate analysis showed distinct separation between certain strain groups in being able to predict strain group, hyaluronan concentration, and PRG4 concentration from gene expression or cytokine concentration data, highlighting the complexity of the system. Overall, this study shows that cyclic loading can be used tool to modulate the endogenous production of hyaluronan, PRG4, and cytokines from synovial fibroblasts.

Anti-TNF therapy resistance is a major clinical challenge in Crohns Disease (CD), partly due to insufficient understanding of disease-site, protein-level mechanisms of CD and anti-TNF treatment resistance. Although some proteomics data from CD mouse models exists, data type and phenotype discrepancies contribute to confounding attempts to translate between preclinical animal models of disease and human clinical cohorts. To meet this important challenge, we develop and demonstrate here an approach called Translatable Components Regression (TransComp-R) to overcome inter-species and trans-omic discrepancies between CD mouse models and human subjects. TransComp-R combines CD mouse model proteomic data with patient pre-treatment transcriptomic data to identify molecular features discernable in the mouse data predictive of patient response to anti-TNF therapy. Interrogating the TransComp-R models predominantly revealed upregulated integrin pathway signaling via collagen-binding integrin ITGA1 in anti-TNF resistant colonic CD (cCD) patients. Toward validation, we performed single-cell RNA sequencing on biopsies from a cCD patient and analyzed publicly available immune cell proteomics data to characterize the immune and intestinal cell types contributing to anti-TNF resistance. We found that ITGA1 is indeed expressed in colonic T-cell populations and that interactions between collagen-binding integrins on T-cells and colonic cell types expressing secreted collagens are associated with anti-TNF therapy resistance. Biologically, TransComp-R linked previously disparate observations about collagen and ITGA1 signaling to a potential therapeutic avenue for overcoming anti-TNF therapy resistance in cCD. Methodologically, TransComp-R provides a flexible, generalizable framework for addressing inter-species, inter-omic, and inter-phenotypic discrepancies between animal models and patients to deliver translationally relevant biological insights.

Abstract Gamma delta (γδ) T cells play a crucial role in anti-tumor immunity due to their cytotoxic properties. However, the role and extent of γδ T cells in production of pro-tumorigenic interleukin-17 (IL-17) within the tumor microenvironment (TME) of colorectal cancer (CRC) remains controversial. In this study, we re-analyzed nine published human CRC whole-tissue single-cell RNA sequencing (scRNA-seq) datasets, identifying 18,483 γδ T cells out of 951,785 total cells, in the neoplastic or adjacent normal tissue of 165 human CRC patients. Our results confirm that tumor-infiltrating γδ T cells exhibit high cytotoxicity-related transcription in both tumor and adjacent normal tissues, but critically, none of the γδ T cell clusters showed IL-17 production potential. We also identified various γδ T cell subsets, including Teff, TRM, Tpex, and Tex, and noted an increased expression of cytotoxic molecules in tumor-infiltrating γδ T cells compared to their normal area counterparts. Our work demonstrates that γδ T cells in CRC primarily function as cytotoxic effector cells rather than IL-17 producers, mitigating the concerns about their potential pro-tumorigenic roles in CRC, highlighting the importance of accurately characterizing these cells for cancer immunotherapy research and the unneglectable cross-species discrepancy between the mouse and human immune system in the study of cancer immunology.

ABSTRACT Latent Interacting Variable Effects (LIVE) modeling is a framework to integrate different types of microbiome multi-omics data by combining latent variables from single-omic models into a structured meta-model to determine discriminative, interacting multi-omics features driving disease status. We implemented and tested LIVE modeling in publicly available metagenomics and metabolomics datasets from Crohn’s Disease and Ulcerative Colitis patients. Here, LIVE modeling reduced the number of feature correlations from the original data set for CD and UC to tractable numbers and facilitated prioritization of biological associations between microbes, metabolites, enzymes and IBD status through the application of stringent thresholds on generated inferential statistics. We determined LIVE modeling confirmed previously reported IBD biomarkers and uncovered potentially novel disease mechanisms in IBD. LIVE modeling makes a distinct and complementary contribution to the current methods to integrate microbiome data to predict IBD status because of its flexibility to adapt to different types of microbiome multi-omics data, scalability for large and small cohort studies via reliance on latent variables and dimensionality reduction, and the intuitive interpretability of the linear meta-model integrating -omic data types. The results of LIVE modeling and the biological relationships can be represented in networks that connect local correlation structure of single omic data types with global community and omic structure in the latent variable VIP scores. This model arises as novel tool that allows researchers to be more selective about omic feature interaction without disrupting the structural correlation framework provided by sPLS-DA interaction effects modeling. It will lead to form testable hypothesis by identifying potential and unique interactions between metabolome and microbiome that must be considered for future studies. AUTHOR SUMMARY Latent Interacting Variable Effects (LIVE) modeling integrates microbiome multiomics features by encoding them in a set of latent variables (LVs) from single-omic sparse Partial Lease Squares models, and then combine these LVs into structured metamodel to determine the most discriminative features driving IBD. We used publicly available metagenomic and metabolomics data from Crohn’s Disease and Ulcerative Colitis patients to develop LIVE modeling. LIVE modeling reduced data dimensionality efficiently and identified statistical interactions among microbiome multi-omics data, which can be visualized as a mineable network data structure. LIVE modeling confirmed features previously reported and revealed novel microbiome interactions in IBD. LIVE offers a flexible framework for multi-omic modeling that may aid in interpretation of complex microbiome datasets.

Abstract The gut plays a critical role in maintaining human health by facilitating the absorption of nutrients, regulating metabolism, and interacting with the immune system and gut microbiota. The co-culture of two human colorectal cancer cell lines, Caco-2 and HT29, on Transwell is commonly used as an in vitro gut mimic in studies of intestinal absorption pharmacokinetics, gut mechanics, and gut-microbe interplay given the similar morphology, expression of transporters and enzymes, and barrier function. However, to sufficiently evaluate the translatability of insights from such a system to human physiological contexts, a detailed survey of cell type heterogeneity in the system and a holistic comparison with human physiology are needed to be conducted rather than by the presence of a few well-studied proteins. Single-cell RNA sequencing provides high-resolution expression profiles of cells in the co-culture, enabling the heterogeneity to be characterized and the similarity to human epithelial cells to be evaluated. Transcriptional profiles of 16019 genes in 13784 cells were acquired and compared to human epithelial cells (GSE185224). We identified the intestinal stem cell-, transit amplifying-, enterocyte-, goblet cell-, and enteroendocrine-like cells together with differentiating HT29 cells in the system based on the expression of canonical markers in healthy adult human epithelial cells. The epithelium-like co-culture was fetal intestine-like, with less variety of gene expression compared to the human gut. Transporters for major types of substance (lipid, amino acid, ion, water, etc.) were found transcribed in the majority of the enterocytes-like cells in the system. However, some of the well-studied transporters such as FATP4 and GLUT2 were absent. Toll-like receptors were not highly expressed in the sample, yet the treatment of lipopolysaccharide still caused a mild change in trans-epithelial electrical resistance and gene expression, possibly by the interaction with CD14, the co-receptor for TLRs. Overall, the Caco-2/HT29 co-culture is a cost-effective epithelium model for drug permeability testing or mechanical simulation, but its phenotypic discrepancy with the real epithelium is not negligible. As a result, its response to biological factors might not provide transferrable knowledge to the study of human gut physiology, especially the innate immune aspect.

Abstract T cell heterogeneity presents a challenge for accurate cell identification, understanding their inherent plasticity, and characterizing their critical role in adaptive immunity. Immunologists have traditionally employed techniques such as flow cytometry to identify T cell subtypes based on a well-established set of surface protein markers. With the advent of single-cell RNA sequencing (scRNA-seq), researchers can now investigate the gene expression profiles of these surface proteins at the single-cell level. The insights gleaned from these profiles offer valuable clues and a deeper understanding of cell identity. However, CD45RA, the isoform of CD45 which distinguish between naïve/central memory T cells and effector memory/effector memory cells re-expressing CD45RA T cells, cannot be well profiled by scRNA-seq due to the difficulty in mapping short reads to genes. In order to facilitate cell type annotation in T cell scRNA-seq analysis, we employed machine learning and trained a CD45RA +/- classifier on single-cell mRNA count data annotated with known CD45RA antibody levels provided by cellular indexing of transcriptomes and epitopes sequencing (CITE-seq) data. Among all algorithms we tested, the trained support vector machine (SVM) with a radial basis function (RBF) kernel with optimized hyperparameters achieved a 99.96% accuracy on an unseen dataset. The multilayer Perceptron (MLP) classifier, the second most predictive method overall, also achieved a decent accuracy of 99.74%. Our simple yet robust machine learning approach provides a valid inference on the CD45RA level, assisting the cell identity annotation and further exploring the heterogeneity within human T cells.

Heat stroke is a life-threatening condition characterized by loss of thermoregulation and severe elevation of core body temperature, which can cause organ failure and damage to the central nervous system. While no definitive test exists to measure heat stroke severity, immune challenge is known to increase heat stroke risk, although the mechanism of this increased risk is unclear. In this study, we used a mouse model of classic heat stroke to test the effect of immune challenge on pathology. Employing multivariate supervised machine learning to identify patterns of molecular and cellular markers associated with heat stroke, we found that prior viral infection simulated with poly I:C injection resulted in heat stroke presenting with high levels of factors indicating coagulopathy. Despite a decreased number of platelets in the blood, platelets are large and non-uniform in size, suggesting younger, more active platelets. Levels of D-dimer and soluble thrombomodulin were increased in more severe heat stroke, and in cases presenting with the highest level of organ damage markers D-dimer levels dropped, indicating potential fibrinolysis-resistant thrombosis. Genes corresponding to immune response, coagulation, hypoxia, and vessel repair were up-regulated in kidneys of heat-challenged animals, and these increases correlated with both viral treatment and distal organ damage while appearing before discernible tissue damage to the kidney itself. We conclude that heat stroke-induced coagulopathy may be a driving mechanistic force in heat stroke pathology, especially when exacerbated by prior infection, and that coagulation markers may serve as an accessible biomarker for heat stroke severity and therapeutic strategies.