Abstract Escherichia coli is a common bacterial species in the gastrointestinal tracts of warm-blooded animals and humans. Pathogenic and antimicrobial resistance in E. coli may emerge via host switching from animal reservoirs. Despite its potential clinical importance, knowledge of the population structure of commensal E. coli within wild hosts and the epidemiological links between E. coli in non-human hosts and E. coli in humans is still scarce. In this study, we analysed the whole genome sequencing data of a collection of 119 commensal E. coli recovered from the guts of 68 mammal and bird species in Mexico and Venezuela in the 1990s. We observed low concordance between the population structures of E. coli colonizing wild animals and the phylogeny, taxonomy and ecological and physiological attributes of the host species, with distantly related E. coli often colonizing the same or similar host species and distantly related host species often hosting closely related E. coli . We found no evidence for recent transmission of E. coli genomes from wild animals to either domesticated animals or humans. However, multiple livestock- and human-related virulence factor genes were present in E. coli of wild animals, including virulence factors characteristic for Shiga toxin-producing E. coli (STEC) and atypical enteropathogenic E. coli (aEPEC), where several isolates from wild hosts harboured the locus of enterocyte effacement (LEE) pathogenicity island. Moreover, E. coli in wild animal hosts often harboured known antibiotic resistance determinants, including against ciprofloxacin, aminoglycosides, tetracyclines and beta-lactams, with some determinants present in multiple, distantly related E. coli lineages colonizing very different host animals. We conclude that although the genome pools of E. coli colonizing wild animal and human gut are well separated, they share virulence and antibiotic resistance genes and E. coli underscoring that wild animals could serve as reservoirs for E. coli pathogenicity in human and livestock infections. Importance Escherichia coli is a clinically importance bacterial species implicated in human and livestock associated infections worldwide. The bacterium is known to reside in the guts of humans, livestock and wild animals. Although wild animals are recognized to serve as potential reservoirs for pathogenic E. coli strains, the knowledge of the population structure of E. coli in wild hosts is still scarce. In this study we used the fine resolution of whole genome sequencing to provide novel insights into the evolution of E. coli genomes within a broad range of wild animal species (including mammals and birds), the co-evolution of E. coli strains with their hosts and the genetics of pathogenicity of E. coli strains in wild hosts. Our results provide evidence for the clinical importance of wild animals as reservoirs for pathogenic strains and necessitate the inclusion of non-human hosts in the surveillance programs for E. coli infections.

Abstract Wastewater Treatment Plants (WWTPs) contain a diverse microbial community with high cell density. They constantly receive antimicrobial residues and resistant strains and, therefore, may offer conditions for the Horizontal Gene Transfer (HGT) of antimicrobial resistance determinants, transmitting clinically important genes between, e.g., enteric and environmental bacteria and vice versa . Despite the clinical importance, tools for predicting HGT are still under-developed. In this study, we examined to which extent microbial community composition, as inferred by partial 16S rRNA gene sequences, can predict plasmid permissiveness, i.e., the ability of cells to receive a plasmid through conjugation, for microbial communities in the water cycle, using data from standardized filter mating assays using fluorescent bio-reporter plasmids. We leveraged a range of machine learning models for predicting the permissiveness for each taxon in the community, translating to the range of hosts a plasmid is able to transfer to, for three broad host-range resistance plasmids (pKJK5, pB10, and RP4). Our results indicate that the predicted permissiveness from the best performing model (random forest) showed a moderate-to-strong average correlation of 0.45 for pB10 (95% CI: 0.42-0.52), 0.42 for pKJK5 (0.95% CI: 0.38-0.45) and 0.52 for RP4 (0.95% CI:0.45-0.55) with the experimental permissiveness in the unseen test dataset. Predictive phylogenetic signals occurred despite these being broad host-range plasmids. Our results provide a framework that contributes to assessing the risk of AMR pollution in wastewater systems. The predictive tool is available as a an application under https://github.com/DaneshMoradigaravand/PlasmidPerm .

Abstract Biogenesis of the bacterial outer membrane is key to survival and antibiotic resistance. Central to this is the β-barrel assembly machine (Bam) complex and its associated chaperones, which are responsible for outer membrane protein (OMP) transport and insertion. The Escherichia coli Bam complex consists of two essential subunits, BamA and BamD, and three non-essential lipoproteins, BamB, BamC and BamE. Optimal Bam function is further dependent on the non-essential chaperones DegP, Skp and SurA. Despite intensive study, the specific function of these non-essential Bam-associated proteins remains unknown. Here, we analysed knockout strains for each gene by phenotypic screening, conservation analysis and high-throughput genetics. We reveal that Bam activity is affected by outer membrane lipid composition and that enterobacterial common antigen is essential in the absence of the chaperone SurA. We also show that components of peptidoglycan are conditionally essential with Bam accessory lipoproteins and that DNA replication is perturbed in the absence of BamB. Together, our data indicates potential mechanisms for coordination of OMP biogenesis with processes such as LPS and peptidoglycan biogenesis, and DNA replication.

The emergence of microbial antibiotic resistance is a global health threat. In clinical settings, the key to controlling spread of resistant strains is accurate and rapid detection. As traditional culture-based methods are time consuming, genetic approaches have recently been developed for this task. The diagnosis is typically made by measuring a few known determinants previously identified from whole genome sequencing, and thus is restricted to existing information on biological mechanisms. To overcome this limitation, we employed machine learning models to predict resistance to 11 compounds across four classes of antibiotics from existing and novel whole genome sequences of 1936 E. coli strains. We considered a range of methods, and examined population structure, isolation year, gene content, and polymorphism information as predictors. Gradient boosted decision trees consistently outperformed alternative models with an average F1 score of 0.88 on held-out data (range 0.66-0.96). While the best models most frequently employed all inputs, an average F1 score of 0.73 could be obtained using population structure information alone. Single nucleotide variation data were less useful, and failed to improve prediction for ten out of 11 antibiotics. These results demonstrate that antibiotic resistance in E. coli can be accurately predicted from whole genome sequences without a priori knowledge of mechanisms, and that both genomic and epidemiological data are informative. This paves way to integrating machine learning approaches into diagnostic tools in the clinic.

Abstract High-throughput chemical genomic screens produce informative datasets, providing valuable insights into unknown gene function on a genome-wide level. However, there is currently no comprehensive analytic package publicly available. We developed and benchmarked ChemGAPP to bridge this gap. ChemGAPP allows integration of various steps in a streamlined and user-friendly format, including rigorous quality control measures to curate screening data. ChemGAPP provides three sub-packages for different chemical-genomic screens: ChemGAPP Big for handling large-scale high-throughput screens; ChemGAPP Small, designed for small-scale screen analysis and ChemGAPP GI for genetic interaction screen analysis. ChemGAPP is available at https://github.com/HannahMDoherty/ChemGAPP .

Abstract Escherichia coli is an important cause of bacterial infections worldwide, with multidrug resistant strains incurring substantial costs on human lives. Besides therapeutic concentrations of antimicrobials in healthcare settings, the presence of sub-inhibitory antimicrobial residues in the environment and in the clinics selects for antimicrobial resistance (AMR), but the underlying genetic repertoire is less well understood. We used machine-learning to predict the population doubling time and growth yield of 1,432 genetically diverse E. coli expanding under exposure to three sub-inhibitory concentrations of six classes of antimicrobials from single nucleotide genetic variants, accessory gene variation and the presence of known AMR genes. We could predict cell yields in the held-out test data with an average correlation (Spearman’s ρ) of 0.63 (0.32 - 0.90 across concentrations) and cell doubling time with an average correlation of 0.47 (0.32 - 0.74 across concentrations), with moderate increases in sample size unlikely to improve predictions further. This points to the remaining missing heritability of growth under antimicrobials exposure being explained by effects that are too rare or weak to be captured unless sample size is dramatically increased, or by effects other than those conferred by the presence of individual SNPs and genes. Predictions based on whole genome information were generally superior to those based only on known AMR genes, and also accurate for AMR resistance at therapeutic concentrations. We also pinpointed genes and SNPs determining the predicted growth and thereby recapitulated the known AMR determinants. Finally, we estimated the effect sizes of resistance genes across the entire collection of strains, disclosing growth effects for known resistance genes for each strain. Our results underscore the potential of predictive modelling of growth patterns from genomic data under sub-inhibitory concentrations of antimicrobials, although the remaining missing heritability poses an issue for achieving the accuracy and precision required for clinical use. Importance Predicting bacterial growth from genome sequences is important not only for a rapid characterization of strains in clinical diagnostic applications but for the identification of novel targets for drug discovery. Previous studies examined the relationship between bacterial growth and genotype in mutant libraries for laboratory strains, yet no study has so far examined the prediction power of genome sequences for bacterial growth in natural strains. In this study, we used a high throughput phenotypic assay to measure bacterial growth of a systematic collection of natural Escherichia coli strains and then employed machine learning models to predict bacterial growth from genomic data under non-therapeutic sub-inhibitory concentrations of antimicrobials that are common in nonclinical settings. Our results revealed a moderate to strong correlation between predicted and actual values for different antimicrobials concentrations. Furthermore, the quantified effect of resistance genes on bacterial growth indicate these genes are still effective at sublethal antimicrobial concentrations.