Abstract Cophylogeny is the congruence of phylogenetic relationships between two different groups of organisms due to their long-term interaction, such as between host and pathogen species. Discordance between host and pathogen phylogenies may occur due to pathogen host-switch events, pathogen speciation within a host species, and extinction. Here, we investigated the use of tree shape distance measures to quantify the degree of cophylogeny for the comparative analysis of host-pathogen interactions across taxonomic groups. We firstly implemented a coalescent model to simulate pathogen phylogenies within a fixed host tree, given the cospeciation probability, migration rate between hosts, and pathogen speciation rate within hosts. Next, we used simulations from this model to evaluate 13 distance metrics between these trees and the host tree, including Robinson-Foulds distance and two kernel distances that we developed for labeled and unlabeled trees, which use branch lengths and can accommodate trees of different sizes. Finally, we used these distance metrics to revisit actual datasets from published cophylogenetic studies across all taxonomic groups, where authors described the observed associations as representing a high or low degree of cophylogeny. Our simulation analyses demonstrated that some metrics are more informative than others with respect to specific coevolution parameters. For example, the Sim metric was the most responsive to variation in coalescence rates, whereas the unlabeled kernel metric was the most responsive to cospeciation probabilities. We also determined that distance metrics were more informative about the model parameters when the underlying parameter values did not assume extreme values, e.g., rapid host switching. When applied to real datasets, projection of these trees’ associations into a parameter space defined by the 13 distance metrics revealed some clustering of studies reporting low concordance. This suggested that different investigators are describing concordance in a consistent way across biological systems, and that these expert subjective assessments can be at least partly quantified using distance metrics. Our results support the hypothesis that tree distance measures can be useful for quantifying host and pathogen cophylogeny. This motivates the usage of distance metrics in the field of coevolution and supports the development of simulation-based methods, i.e., approximate Bayesian computation, to estimate coevolutionary parameters from the discordant shapes of host and pathogen trees. [tree shape; cophylogeny; codivergence; coevolution; host switching; tree metrics; kernel]

The C. elegans genome encodes nineteen functional Argonaute proteins that utilize 22G-RNAs, 26G-RNAs, miRNAs, or piRNAs to regulate their target transcripts. Only one Argonaute is essential under normal laboratory conditions: CSR-1. While CSR-1 has been studied widely, nearly all studies have overlooked the fact that the csr-1 locus encodes two isoforms. These isoforms differ by an additional 163 amino acids present in the N-terminus of CSR-1a. Using CRISPR-Cas9 genome editing to introduce GFP::3xFLAG into the long (CSR-1a) and short (CSR-1b) isoforms, we found that CSR-1a is expressed during spermatogenesis and in several somatic tissues, including the intestine. CSR-1b is expressed constitutively in the germline. small RNA sequencing of CSR-1 complexes shows that they interact with partly overlapping sets of 22G-RNAs. Phenotypic analyses reveal that the essential functions of csr-1 described in the literature coincide with CSR-1b, while CSR-1a plays tissue specific functions. During spermatogenesis, CSR-1a integrates into an sRNA regulatory network including ALG-3, ALG-4, and WAGO-10 that is necessary for fertility at 25°C. In the intestine, CSR-1a silences immunity and pathogen-responsive genes, and its loss results in improved survival from the pathogen Pseudomonas aeruginosa . Our findings functionally distinguish the CSR-1 isoforms and highlight the importance of studying each AGO isoform independently.

Genotypic resistance interpretation systems for the prediction and interpretation of HIV-1 antiretroviral resistance are an important part of the clinical management of HIV-1 infection. Current interpretation systems are generally hosted on remote webservers that enable clinical laboratories to generate resistance predictions easily and quickly from patient HIV-1 sequences encoding the primary targets of modern antiretroviral therapy. However they also potentially compromise a health provider's ethical, professional, and legal obligations to data security, patient information confidentiality, and data provenance. Furthermore, reliance on web-based algorithms makes the clinical management of HIV-1 dependent on a network connection. Here, we describe the development and validation of sierra-local, a local implementation of the Stanford HIVdb genotypic resistance interpretation system, which aims to resolve the ethical, legal, and infrastructure issues associated with remote computing. This package reproduces the HIV-1 resistance scoring by the web-based Stanford HIVdb algorithm with a high degree of concordance (99.997%) and a higher level of performance than previous methods of accessing HIVdb programmatically.