Abstract Several studies have shown that gut bacteria have a role in diabetes in murine models. Specific bacteria have been correlated with the onset of diabetes in a rat model. However, it is unknown whether human intestinal microbes have a role in the development of autoimmunity that often leads to type 1 diabetes (T1D), an autoimmune disorder in which insulin-secreting pancreatic islet cells are destroyed. High-throughput, culture-independent approaches identified bacteria that correlate with the development of T1D-associated autoimmunity in young children who are at high genetic risk for this disorder. The level of bacterial diversity diminishes overtime in these autoimmune subjects relative to that of age-matched, genotype-matched, nonautoimmune individuals. A single species, Bacteroides ovatus, comprised nearly 24% of the total increase in the phylum Bacteroidetes in cases compared with controls. Conversely, another species in controls, represented by the human firmicute strain CO19, represented nearly 20% of the increase in Firmicutes compared with cases overtime. Three lines of evidence are presented that support the notion that, as healthy infants approach the toddler stage, their microbiomes become healthier and more stable, whereas, children who are destined for autoimmunity develop a microbiome that is less diverse and stable. Hence, the autoimmune microbiome for T1D may be distinctly different from that found in healthy children. These data also suggest bacterial markers for the early diagnosis of T1D. In addition, bacteria that negatively correlated with the autoimmune state may prove to be useful in the prevention of autoimmunity development in high-risk children.

Recent studies have suggested a bacterial role in the development of autoimmune disorders including type 1 diabetes (T1D). Over 30 billion nucleotide bases of Illumina shotgun metagenomic data were analyzed from stool samples collected from four pairs of matched T1D case-control subjects collected at the time of the development of T1D associated autoimmunity (i.e., autoantibodies). From these, approximately one million open reading frames were predicted and compared to the SEED protein database. Of the 3,849 functions identified in these samples, 144 and 797 were statistically more prevalent in cases and controls, respectively. Genes involved in carbohydrate metabolism, adhesions, motility, phages, prophages, sulfur metabolism, and stress responses were more abundant in cases while genes with roles in DNA and protein metabolism, aerobic respiration, and amino acid synthesis were more common in controls. These data suggest that increased adhesion and flagella synthesis in autoimmune subjects may be involved in triggering a T1D associated autoimmune response. Extensive differences in metabolic potential indicate that autoimmune subjects have a functionally aberrant microbiome. Mining 16S rRNA data from these datasets showed a higher proportion of butyrate-producing and mucin-degrading bacteria in controls compared to cases, while those bacteria that produce short chain fatty acids other than butyrate were higher in cases. Thus, a key rate-limiting step in butyrate synthesis is more abundant in controls. These data suggest that a consortium of lactate- and butyrate-producing bacteria in a healthy gut induce a sufficient amount of mucin synthesis to maintain gut integrity. In contrast, non-butyrate-producing lactate-utilizing bacteria prevent optimal mucin synthesis, as identified in autoimmune subjects.

Background Preterm birth is the second leading cause of death in children under the age of five years worldwide, but the etiology of many cases remains enigmatic. The dogma that the fetus resides in a sterile environment is being challenged by recent findings and the question has arisen whether microbes that colonize the fetus may be related to preterm birth. It has been posited that meconium reflects the in-utero microbial environment. In this study, correlations between fetal intestinal bacteria from meconium and gestational age were examined in order to suggest underlying mechanisms that may contribute to preterm birth. Methods Meconium from 52 infants ranging in gestational age from 23 to 41 weeks was collected, the DNA extracted, and 16S rRNA analysis performed. Resulting taxa of microbes were correlated to clinical variables and also compared to previous studies of amniotic fluid and other human microbiome niches. Findings Increased detection of bacterial 16S rRNA in meconium of infants of <33 weeks gestational age was observed. Approximately 61·1% of reads sequenced were classified to genera that have been reported in amniotic fluid. Gestational age had the largest influence on microbial community structure (R = 0·161; p = 0·029), while mode of delivery (C-section versus vaginal delivery) had an effect as well (R = 0·100; p = 0·044). Enterobacter, Enterococcus, Lactobacillus, Photorhabdus, and Tannerella, were negatively correlated with gestational age and have been reported to incite inflammatory responses, suggesting a causative role in premature birth. Interpretation This provides the first evidence to support the hypothesis that the fetal intestinal microbiome derived from swallowed amniotic fluid may be involved in the inflammatory response that leads to premature birth.

Bioinformatics, a discipline that combines aspects of biology, statistics, and computer science, is increasingly important for biological research. However, bioinformatics instruction is rarely integrated into life sciences curricula at the undergraduate level. To understand why, the Network for Integrating Bioinformatics into Life Sciences Education (NIBLSE, "nibbles") recently undertook an extensive survey of life sciences faculty in the United States. The survey responses to open-ended questions about barriers to integration were subjected to keyword analysis. The barrier most frequently reported by the ~1,260 respondents was lack of faculty training. Faculty at associate's-granting institutions report the least training in bioinformatics and the least integration of bioinformatics into their teaching. Faculty from underrepresented minority groups (URMs) in STEM reported training barriers at a higher rate than others, although the number of URM respondents was small. Interestingly, the cohort of faculty with the most recently awarded PhD degrees reported the most training but were teaching bioinformatics at a lower rate than faculty who earned their degrees in previous decades. Other barriers reported included lack of student interest in bioinformatics; lack of student preparation in mathematics, statistics, and computer science; already overly full curricula; and limited access to resources, including hardware, software, and vetted teaching materials. The results of the survey, the largest to date on bioinformatics education, will guide efforts to further integrate bioinformatics instruction into undergraduate life sciences education.

Massive sequencing of genetic markers, such as the 16S rRNA gene for prokaryotes, allows the comparative analysis of diversity and abundance of whole microbial communities. However, the data used for profiling microbial communities is usually low in signal and high in noise preventing the identification of real differences among treatments. PIME (Prevalence Interval for Microbiome Evaluation) fills this gap by removing those taxa that may be high in relative abundance in just a few samples but have a low prevalence overall. The reliability and robustness of PIME were compare against the existing methods and verified by a number of approaches using 16S rRNA independent datasets. To remove the noise, PIME filters microbial taxa not shared in a per treatment prevalence interval starting at 5% with increments of 5% at each filtering step. For each prevalence interval, hundreds of decision trees are calculated to predict the likelihood of detecting differences in treatments. The best prevalence-filtered dataset is user-selected by choosing the prevalence interval that keeps the majority of the 16S rRNA reads in the dataset and shows the lowest error rate. To obtain the likelihood of introducing bias while building prevalence-filtered datasets, an error detection step based in random permutations is also included. A reanalysis of previews published datasets with PIME uncovered previously missed microbial associations improving the ability to detect important organisms, which may be masked when only relative abundance is considered.

Bioinformatics is becoming increasingly central to research in the life sciences. However, despite its importance, bioinformatics skills and knowledge are not well integrated in undergraduate biology education. This curricular gap prevents biology students from harnessing the full potential of their education, limiting their career opportunities and slowing genomic research innovation. To advance the integration of bioinformatics into life sciences education, a framework of core bioinformatics competencies is needed. To that end, we here report the results of a survey of life sciences faculty in the United States about teaching bioinformatics to undergraduate life scientists. Responses were received from 1,260 faculty representing institutions in all fifty states with a combined capacity to educate hundreds of thousands of students every year. Results indicate strong, widespread agreement that bioinformatics knowledge and skills are critical for undergraduate life scientists, as well as considerable agreement about which skills are necessary. Perceptions of the importance of some skills varied with the respondent's degree of training, time since degree earned, and/or the Carnegie classification of the respondent's institution. To assess which skills are currently being taught, we analyzed syllabi of courses with bioinformatics content submitted by survey respondents. Finally, we used the survey results, the analysis of syllabi, and our collective research and teaching expertise to develop a set of bioinformatics core competencies for undergraduate life sciences students. These core competencies are intended to serve as a guide for institutions as they work to integrate bioinformatics into their life sciences curricula.