Infection of plants by necrotizing pathogens can induce broad-spectrum resistance to subsequent pathogen infection. This systemic acquired resistance (SAR) is thought to be triggered by a vascular-mobile signal that moves throughout the plant from the infected leaves. A considerable amount of evidence suggests that salicylic acid (SA) is involved in the induction of SAR. Because SA is found in phloem exudate of infected cucumber and tobacco plants, it has been proposed as a candidate for the translocated signal. To determine if SA is the mobile signal, grafting experiments were performed using transgenic plants that express a bacterial SA-degrading enzyme. We show that transgenic tobacco root-stocks, although unable to accumulate SA, were fully capable of delivering a signal that renders nontransgenic scions resistant to further pathogen infection. This result indicated that the translocating, SAR-inducing signal is not SA. Reciprocal grafts demonstrated that the signal requires the presence of SA in tissues distant from the infection site to induce systemic resistance.

Abstract Galaxy is a user-friendly platform with a strong development community and a rich set of tools for omics data analysis. While multi-omics experiments are becoming popular, tools for multi-omics data analysis are poorly represented in this platform. Here we present GAIT-GM, a set of new Galaxy tools for integrative analysis of gene expression and metabolomics data. In the Annotation Tool, features are mapped to KEGG pathway using a text mining approach to increase the number of mapped metabolites. Several interconnected databases are used to maximally map gene IDs across species. In the Integration Tool, changes in metabolite levels are modelled as a function of gene expression in a flexible manner. Both unbiased exploration of relationships between genes and metabolites and biologically informed models based on pathway data are enabled. The GAIT-GM tools are freely available at https://github.com/SECIMTools/gait-gm .

Abstract The use of quality control samples in metabolomics ensures data quality, reproducibility and comparability between studies, analytical platforms and laboratories. Long-term, stable and sustainable reference materials (RMs) are a critical component of the QA/QC system, however, the limited selection of currently available matrix matched RMs reduce their applicability for widespread use. To produce a RM in any context, for any matrix that is robust to changes over the course of time we developed IBAT ( I terative B atch A veraging me T hod). To illustrate this method, we generated 11 independently grown E. coli batches and made a RM over the course of 10 IBAT iterations. We measured the variance of these materials by NMR and showed that IBAT produces a stable and sustainable RM over time. This E. coli RM was then used as food source to produce a C. elegans RM for a metabolomics experiment. The metabolite extraction of this material alongside 41 independently grown individual C. elegans samples of the same genotype, allowed to estimate the proportion of sample variation in pre-analytical steps. From the NMR data, we found that 40% of the metabolite variance is due to the metabolite extraction process and analysis and 60% is due to sample-to-sample variance. The availability of RMs in untargeted metabolomics is one of the predominant needs of the metabolomics community that reach beyond quality control practices. IBAT addresses this need by facilitating the production of biologically relevant RMs and increasing their widespread use.

ABSTRACT Large-scale untargeted metabolomics studies suffer from individual variation, batch effects and instrument variability, making comparisons of common spectral features across studies difficult. One solution is to compare studies after compound identification. However, compound identification is expensive and time consuming. We successfully identify common spectral features across multiple studies, with a generalizable experimental design approach. First, we included an anchor strain, PD1074, during sample and data collection. Second, we collected data in blocks with multiple controls. These anchors enabled us to successfully integrate three studies of Caenorhabditis elegans for nuclear magnetic resonance (NMR) spectroscopy and liquid chromatography-mass spectrometry (LC-MS) data from five different assays. We found 34% and 14% of features to be significant in LC-MS and NMR, respectively. Between 20-50% of spectral features differ in a mutant and among a set of genetically diverse natural strains, suggesting this reduced set of spectral features are excellent targets for compound identification. GRAPHICAL ABSTRACT Fourteen C. elegans strains are used in three individual studies. PD1074, the anchor control strain (orange), is grown alongside test strains (green, yellow, purple). Multiple biological replicates of PD1074 captures environmental variation in growth conditions. Non-polar and polar metabolic data across the three studies ( i . e ., natural strains, central metabolism mutants, and UGT mutants) were collected by nuclear magnetic resonance (NMR) spectroscopy and liquid chromatography-mass spectrometry (LC-MS). Data acquisition controls in each block included biological reference material and pooled PD1074 samples. Biological replicates of PD1074 (n = 42 for LC-MS, n = 52 for NMR) were included in all batches. Meta-analysis provided comparable inferences to mixed effects models, and the estimated relative effects of each test strain to PD1074 and straightforward comparisons of test strains across experiments.

ABSTRACT Ion mobility (IM) spectrometry provides semi-orthogonal data to mass spectrometry (MS), showing promise for identifying unknown metabolites in complex non-targeted metabolomics datasets. While current literature has showcased IM-MS for identifying unknowns under near ideal circumstances, less work has been conducted to evaluate the performance of this approach in metabolomics studies involving highly complex samples with difficult matrices. Here, we present a workflow incorporating de novo molecular formula annotation and MS/MS structure elucidation using SIRIUS 4 with experimental IM collision cross-section (CCS) measurements and machine learning CCS predictions to identify differential unknown metabolites in mutant strains of Caenorhabditis elegans . For many of those ion features this workflow enabled the successful filtering of candidate structures generated by in silico MS/MS predictions, though in some cases annotations were challenged by significant hurdles in instrumentation performance and data analysis. While for 37% of differential features we were able to successfully collect both MS/MS and CCS data, fewer than half of these features benefited from a reduction in the number of possible candidate structures using CCS filtering due to poor matching of the machine learning training sets, limited accuracy of experimental and predicted CCS values, and lack of candidate structures resulting from the MS/MS data. When using a CCS error cutoff of ±3%, an average 28% of candidate structures could be successfully filtered. Herein, we identify and describe the bottlenecks and limitations associated with the identification of unknowns in non-targeted metabolomics using IM-MS to focus and provide insight on areas requiring further improvement.

Abstract Background Parkinson’s disease (PD) is a disabling neurodegenerative disorder in which multiple cell types, including dopaminergic and cholinergic neurons, are affected. The mechanisms of neurodegeneration in PD are unknown, limiting the development of therapies directed at disease-relevant molecular targets. C. elegans is a genetically tractable model system that can be used to disentangle disease mechanisms in complex diseases such as PD. Such mechanisms can be studied combining high-throughput molecular profiling technologies such as transcriptomics and metabolomics. However, the integrative analysis of multi-omics data in order to unravel disease mechanisms is a challenging task without advanced bioinformatics training. Galaxy, a widely-used resource for enabling bioinformatics analysis by the broad scientific community, has poor representation of multi-omics integration pipelines. Results We present the integrative analysis of gene expression and metabolite levels of a C. elegans PD model using GAIT-GM, a new Galaxy tool for multi-omics data analysis. Using GAIT-GM, we discovered an association between branched-chain amino acid metabolism and cholinergic neurons in the C. elegans PD model. An independent follow-up experiment uncovered cholinergic neurodegeneration in the C. elegans model that is consistent with cholinergic cell loss observed in PD. Conclusion GAIT-GM is an easy to use Galaxy-based tool for generating novel testable hypotheses of disease mechanisms involving gene-metabolite relationships.

Abstract We propose a new model for the association of chromatin state and sex-bias in expression. We hypothesize enrichment of open chromatin in the sex where we see expression bias (OS) and closed chromatin in the opposite sex (CO). In this study of D. melanogaster and D. simulans head tissue, sex-bias in expression is associated with H3K4me3 (open mark) in males for male-biased genes and in females for female-biased genes in both species. Sex-bias in expression is also largely conserved in direction and magnitude between the two species on the X and autosomes. In male-biased orthologs, the sex-bias ratio is more divergent between species if both species have H3K27me2me3 marks in females compared to when either or neither species has H3K27me2me3 in females. H3K27me2me3 marks in females are associated with male-bias in expression on the autosomes in both species, but on the X only in D. melanogaster . In female-biased orthologs the relationship between the species for the sex-bias ratio is similar regardless of the H3K27me2me3 marks in males. Female-biased orthologs are more similar in the ratio of sex-bias than male-biased orthologs and there is an excess of male-bias in expression in orthologs that gain/lose sex-bias. There is an excess of male-bias in sex-limited expression in both species suggesting excess male-bias is due to rapid evolution between the species. The X chromosome has an enrichment in male-limited H3K4me3 in both species and an enrichment of sex-bias in expression compared to the autosomes.

ABSTRACT Allelic imbalance (AI) occurs when alleles in a diploid individual are differentially expressed and indicates cis acting regulatory variation. What is the distribution of allelic effects in a natural population? Are all alleles the same? Are all alleles distinct? Tests of allelic effect are performed by crossing individuals and comparing expression between alleles directly in the F1. However, a crossing scheme that compares alleles pairwise is a prohibitive cost for more than a handful of alleles as the number of crosses is at least ( n 2 -n)/2 where n is the number of alleles. We show here that a testcross design followed by a hypothesis test of AI between testcrosses can be used to infer differences between non-tester alleles, allowing n alleles to be compared with n crosses. Using a mouse dataset where both testcrosses and direct comparisons have been performed, we show that ∼75% of the predicted differences between non-tester alleles are validated in a background of ∼10% differences in AI. The testing for AI involves several complex bioinformatics steps. BASE is a complete bioinformatics pipeline that incorporates state-of-the-art error reduction techniques and a flexible Bayesian approach to estimating AI and formally comparing levels of AI between conditions. The modular structure of BASE has been packaged in Galaxy, made available in Nextflow and sbatch. ( https://github.com/McIntyre-Lab/BASE_2020 ). In the mouse data, the direct test identifies more cis effects than the testcross. Cis-by-trans interactions with trans -acting factors on the X contributing to observed cis effects in autosomal genes in the direct cross remains a possible explanation for the discrepancy.

Abstract The maize pangenome has demonstrate large amounts of presence/absence variation and it has been hypothesized that presence/absence variation contributes to stress response. To uncover whether the observed genetic variation in physiological response to elevated ozone (a secondary air pollutant that causes significant crop yield losses) concentration is due to variation in genic content, and/or variation in gene expression, we examine the impact of sustained elevated ozone concentration on the leaf tissue from 5 diverse maize inbred genotypes (B73, Mo17, Hp301, C123, NC338). Analysis of long reads from the transcriptomes of the 10 conditions found expressed genes in the leaf are part of the shared genome, with 94.5% of expressed genes from syntenic loci. Quantitative analysis of short reads from 120 plants (twelve from each condition) found limited transcriptional response to sustained ozone stress in the ozone resistant B73 genotype (151 genes), while more than 3,300 genes were significantly differentially expressed in the more sensitive NC338 genotype. The genes underpinning the divergence of B73 from the other 4 genotypes implicates ethylene signaling consistent with some findings in Arabidopsis. For the 82 of the 83 genes differentially expressed among all 5 genotypes and the 788 of 789 genes differentially expressed in 4 genotypes (excluding B73) in sensitivity to ozone is associated with oxidative stress tolerance being associated with a weaker response to a reactive oxygen species (ROS) signal and suggests that genetic variation in downstream processes is key to ozone tolerance.