SUMMARY The ongoing pandemic caused by Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) is currently affecting millions of lives worldwide. Large retrospective studies indicate that an elevated level of inflammatory cytokines and pro-inflammatory factors are associated with both increased disease severity and mortality. Here, using multidimensional epigenetic, transcriptional, in vitro and in vivo analyses, we report that Topoisomerase 1 (Top1) inhibition suppresses lethal inflammation induced by SARS-CoV-2. Therapeutic treatment with two doses of Topotecan (TPT), a FDA-approved Top1 inhibitor, suppresses infection-induced inflammation in hamsters. TPT treatment as late as four days post-infection reduces morbidity and rescues mortality in a transgenic mouse model. These results support the potential of Top1 inhibition as an effective host-directed therapy against severe SARS-CoV-2 infection. TPT and its derivatives are inexpensive clinical-grade inhibitors available in most countries. Clinical trials are needed to evaluate the efficacy of repurposing Top1 inhibitors for COVID-19 in humans.

Whether a bacterial pathogen establishes an infection and/or evolves antibiotic resistance depends on successful survival while experiencing stress from for instance the host immune system and/or antibiotics. Predictions on bacterial survival and adaptive outcomes could thus have great prognostic value. However, it is unknown what information is required to enable such predictions. By developing a novel network-based analysis method, a bacterium's phenotypic and transcriptional response can be objectively quantified in temporal 3D-feature space. The resulting trajectories can be interpreted as a degree of coordination, where a focused and coordinated response predicts bacterial survival-success, and a random uncoordinated response predicts survival-failure. These predictions extend to both antibiotic resistance and in vivo infection conditions and are applicable to both Gram-positive and Gram-negative bacteria. Moreover, through experimental evolution we show that the degree of coordination is an adaptive outcome - an uncoordinated response evolves into a coordinated response when a bacterium adapts to its environment. Most surprisingly, it turns out that phenotypic and transcriptional response data, network features and genome plasticity data can be used to train a machine learning model that is able to predict which genes in the genome will adapt under nutrient or antibiotic selection. Importantly, this suggests that deterministic factors help drive adaptation and that evolution is, at least partially, predictable. This work demonstrates that with the right information predictions on bacterial short-term survival and long-term adaptive outcomes are feasible, which underscores that personalized infectious disease diagnostics and treatments are possible, and should be developed.

Efficient and highly organized transcription initiation and termination is fundamental to an organism's ability to survive, proliferate, and quickly respond to its environment. Over the last decade, our simplistic outlook of bacterial transcriptional regulation and architecture has evolved to include stimulus-responsive regulation by untranslated RNA and the formation of alternate transcriptional units. In this study, we map the transcriptional landscape of the bacterial pathogen Streptococcus pneumoniae by applying a combination of high-throughput RNA-sequencing techniques. Our study reveals a complex transcriptome wherein environment-respondent alternate transcriptional units are observed within operons stemming from internal transcription start sites (TSS) and transcription terminators (TTS) suggesting that more fine-tuning of regulation occurs than previously thought. Additionally, we identify many putative cis-regulatory RNA elements and riboswitches within 5'-untranslated regions (5'-UTR) of genes. By integrating TSSs and TTSs with independently collected RNA-Seq datasets from a variety of conditions, we establish the response of these regulators to changes in growth conditions and validate several of them. Furthermore, to determine the importance of ribo-regulation by 5'-UTR elements for in vivo virulence, we show that the pyrR regulatory element is essential for survival, successful colonization and infection in mice suggesting that such RNA elements are potential drug targets. Importantly, we show that our approach of combining high-throughput sequencing with in vivo experiments can reconstruct a global understanding of regulation, but also pave the way for discovery of compounds that target (ribo-)regulators to mitigate virulence and antibiotic resistance.

The emergence of fluoroquinolone resistance in nosocomial pathogens has restricted the clinical efficacy of this antibiotic class. In Acinetobacter baumannii, the majority of clinical isolates now show high level resistance due to mutations in gyrA (DNA gyrase) and parC (Topo IV). To investigate the molecular basis for fluoroquinolone resistance, an exhaustive mutation analysis was performed in both drug sensitive and resistant strains to identify loci that alter the sensitivity of the organism to ciprofloxacin. To this end, parallel fitness tests of over 60,000 unique insertion mutations were performed in strains with various alleles in genes encoding the drug targets. The spectrum of mutations that altered drug sensitivity was found to be similar in the drug sensitive and double mutant gyrAparC background having resistance alleles in both genes. In contrast, introduction of a single gyrA resistance allele, resulting in preferential poisoning of Topo IV by ciprofloxacin, led to extreme alterations in the insertion mutation fitness landscape. The distinguishing feature of preferential Topo IV poisoning was induction of DNA synthesis in the region of two endogenous prophages, which appeared to occur in situ. Induction of the selective DNA synthesis in the gyrA background was also linked to enhanced activation of SOS response and heightened transcription of prophage genes relative to that observed in either the WT or gyrAparC double mutants. Therefore, the accumulation of mutations that result in the stepwise evolution of high ciprofloxacin resistance is tightly connected to suppression of hyperactivation of the SOS response and endogenous prophage DNA synthesis.

Background: Bacteria modulate subcellular processes to handle stressful environments. Genome-wide profiling of gene expression (RNA-Seq) and fitness (Tn-Seq) allows two views of the same genetic network underlying these responses. However, it remains unclear how they combine, enabling a bacterium to overcome a perturbation. Results: Here we generate RNA-Seq and Tn-Seq profiles in three strains of S. pneumoniae in response to stress defined by different levels of nutrient depletion. These profiles show that genes that change their expression and/or become phenotypically important come from a diverse set of functional categories, and genes that are phenotypically important tend to be highly expressed. Surprisingly, we find that expression and fitness changes rarely occur on the same gene, which we confirmed by over 140 validation experiments. To rationalize these unexpected results we built the first genome-scale metabolic model of S. pneumoniae showing that differential expression and phenotypic importance actually correlate between nearest neighbors, although they are distinctly partitioned into small subnetworks. Moreover, a meta-analysis of 234 S. pneumoniae gene expression studies reveals that essential genes and phenotypically important subnetworks rarely change expression, indicating that they are shielded from transcriptional fluctuations and that a clear distinction exists between transcriptional and phenotypic response networks. Conclusions: We present a genome-wide computational/experimental approach that contextualizes changes that occur on transcriptomic and phenomic levels in response to stress. Importantly, this highlights the need to connect disparate response networks, for instance in antibiotic target identification, where preferred targets are phenotypically important genes that would be overlooked by transcriptomic analyses alone.

Abstract Antibiotic tolerance is typically associated with a phenotypic change within a bacterial population, resulting in a transient decrease in antibiotic susceptibility that can contribute to treatment failure and recurrent infections. Although tolerant cells may emerge prior to treatment, the stress of prolonged antibiotic exposure can also promote tolerance. Here, we sought to determine how Yersinia pseudotuberculosis responds to doxycycline exposure, to then verify if these gene expression changes could promote doxycycline tolerance in culture and in our mouse model of infection. Only four genes were differentially regulated in response to a physiologically-relevant dose of doxycycline: osmB and ompF were upregulated , tusB and cnfy were downregulated; differential expression also occurred during doxycycline treatment in the mouse. ompF, tusB and cnfy were also differentially regulated in response to chloramphenicol, indicating these could be general responses to ribosomal inhibition. cnfy has previously been associated with persistence and was not a major focus here. We found deletion of the OmpF porin resulted in increased antibiotic accumulation, suggesting expression may promote diffusion of doxycycline out of the cell, while OsmB lipoprotein had a minor impact on antibiotic permeability. Overexpression of tusB significantly impaired bacterial survival in culture and in the mouse, suggesting that tRNA modification by tusB , and the resulting impacts on translational machinery, may play an important role in promoting tolerance. We believe this is the first observation of bactericidal activity of doxycycline, which was revealed by reversing tusB downregulation.

Genes implicated in bacterial stress responses have been used to construct models that infer the growth outcome of a bacterium in the presence of antibiotics with the objective to develop novel diagnostic methods in the clinic. Current models are trained on data specific to a species or type of stress, making them potentially limited in their application. It is unclear if a generalizable response-signature exists that can predict bacterial fitness independent of strain, species or type of stress. Here we present a substantial RNA-Seq and experimental evolution dataset for 9 strains and species, under multiple antibiotic and non-antibiotic stress conditions. We show that gene panel-based models can accurately predict antibiotic mechanism of action, as well as the fitness outcome of Streptococcus pneumoniae in the presence of antibiotics or under nutrient depletion. However, these models quickly become species-specific as gene homology is limited. Instead, we define a new concept, transcriptomic entropy, which we use to quantify the amount of transcriptional disruption that occurs in a bacterium when responding to the environment. With entropy at the center, we train a suite of predictive (machine learning) models enabling generalizable fitness and antibiotic sensitivity predictions. These entropy-based models that predict bacterial fitness are validated for 7 Gram-positive and -negative species under antibiotic and non-antibiotic conditions indicating that transcriptomic entropy can be used as a generalizable stress signature. Moreover, rather than being a binary indicator of fitness, an entropy-based model was developed and validated to predict the minimum inhibitory concentration of an antibiotic. Lastly, we show that the inclusion of a varied-set of multi-omics features of a bacterial stress response further enhances fitness predictions by reducing ambiguity. By demonstrating the feasibility of generalizable predictions of bacterial fitness, this work establishes the fundamentals for potentially new approaches in infectious disease diagnostics, including antibiotic susceptibility testing.