High-throughput amplicon sequencing has become a well-established approach for microbial community profiling. Correlating shifts in the relative abundances of bacterial taxa with environmental gradients is the goal of many microbiome surveys. As the abundances generated by this technology are semi-quantitative by definition, the observed dynamics may not accurately reflect those of the actual taxon densities. We combined the sequencing approach (16S rRNA gene) with robust single-cell enumeration technologies (flow cytometry) to quantify the absolute taxon abundances. A detailed longitudinal analysis of the absolute abundances resulted in distinct abundance profiles that were less ambiguous and expressed in units that can be directly compared across studies. We further provide evidence that the enrichment of taxa (increase in relative abundance) does not necessarily relate to the outgrowth of taxa (increase in absolute abundance). Our results highlight that both relative and absolute abundances should be considered for a comprehensive biological interpretation of microbiome surveys.

Abstract Isogenic bacterial populations are known to exhibit phenotypic heterogeneity at the single cell level. Because of difficulties in assessing the phenotypic heterogeneity of a single taxon in a mixed community, the importance of this deeper level of organisation remains relatively unknown for natural communities. In this study, we have used membrane-based microcosms that allow the probing of the phenotypic heterogeneity of a single taxon while interacting with a synthetic or natural community. Individual taxa were studied under axenic conditions, as members of a coculture with physical separation, and as a mixed culture. Phenotypic heterogeneity was assessed through both flow cytometry and Raman spectroscopy. Using this setup, we investigated the effect of microbial interactions on the individual phenotypic heterogeneities of two interacting drinking water isolates. We have demonstrated that interactions between these bacteria lead to an adjustment of their individual phenotypic diversities, and that this adjustment is conditional on the bacterial taxon. Importance Laboratory studies have shown the impact of phenotypic heterogeneity on the survival and functionality of isogenic populations. As phenotypic heterogeneity is known to play an important role in pathogenicity and virulence, antibiotics resistance, biotechnological applications and ecosystem properties, it is crucial to understand its influencing factors. An unanswered question is whether bacteria in mixed communities influence the phenotypic heterogeneity of their community partners. We found that coculturing bacteria leads to a reduction in their individual phenotypic heterogeneities, which led us to the hypothesis that the individual phenotypic diversity of a taxon is dependent on the community composition.

Motivation: Microbial flow cytometry allows to rapidly characterize microbial community diversity and dynamics. Recent research has demonstrated a strong connection between the cytometric diversity and taxonomic diversity based on 16S rRNA gene amplicon sequencing data. This creates the opportunity to integrate both types of data to study and predict the microbial community diversity in an automated and efficient way. However, microbial flow cytometry data results in a number of unique challenges that need to be addressed. Results: The results of our work are threefold: i) We expand current microbial cytometry fingerprinting approaches by using a model-based fingerprinting approach based upon Gaussian Mixture Models, which we called PhenoGMM. ii) We show that microbial diversity can be rapidly estimated by PhenoGMM. In combination with a supervised machine learning model, diversity estimations based on 16S rRNA gene amplicon sequencing data can be predicted. iii) We evaluate our method extensively by using multiple datasets from different ecosystems and compare its predictive power with a generic binning fingerprinting approach that is commonly used in microbial flow cytometry. These results confirm the strong connection between the genetic make-up of a microbial community and its phenotypic properties as measured by flow cytometry. Availability: All code and data supporting this manuscript is freely available on GitHub at: https://github.com/prubbens/PhenoGMM. Raw flow cytometry data is freely available on FlowRepository and raw sequences via the NCBI Sequence Read Archive. The functionality of PhenoGMM has been incorporated in the R package PhenoFlow: https://github.com/CMET-UGent/Phenoflow_package.

Variations in the gut microbiome have been associated with changes in health state such as Crohn's disease. Most surveys characterize the microbiome through analysis of the 16S rRNA gene. An alternative technology that can be used is flow cytometry. In this report we analyzed a disease cohort that has been characterized by both technologies. Changes in microbial community structure are reflected in both types of data. We demonstrate that cytometric fingerprints can be used as a diagnostic tool in order to classify samples according to Crohn's disease state. These results highlight the potential of flow cytometry to perform rapid diagnostics of microbiome-associated diseases.

Abstract Antiseptics are widely used in oral healthcare to prevent or treat oral diseases, such as gingivitis and periodontitis. However, the incidence of bacteria being tolerant to standard antiseptics has sharply increased over the last few years. This stresses the urgency for surveillance against tolerant organisms, as well as the discovery of novel antimicrobials. Traditionally, susceptibility to antimicrobials is assessed by broth micro-dilution or disc diffusion assays, both of which are time-consuming, labor-intensive and provide limited information on the mode of action of the antimicrobials. The above-mentioned limitations highlight the need for the development of new methods to monitor and further understand antimicrobial susceptibility. Here, we used real-time flow cytometry, combined with membrane permeability staining, as a quick and sensitive technology to study the quantitative and qualitative response of two oral pathobionts to different concentrations of chlorhexidine, cetylpyridinium chloride or triclosan. Apart from the real-time monitoring of cell damage, we further applied a phenotypic fingerprint method to differentiate between the bacterial subpopulations that arose due to treatment. We quantified the pathobiont damage rate of different antiseptics at different concentrations within 15 minutes of exposure and identified the conditions under which the bacteria were most susceptible. Moreover, we detected species-specific and treatment-specific phenotypic subpopulations. This proves that real-time flow cytometry can provide information on the susceptibility of different microorganisms in a short time frame while differentiating between antiseptics and thus could be a valuable tool in the discovery of novel antimicrobial compounds while at the same time deciphering their mode of action.

Abstract Microbiome management research and applications rely on temporally-resolved measurements of community composition. Current technologies to assess community composition either make use of cultivation or sequencing of genomic material, which can become time consuming and/or laborious in case high-throughput measurements are required. Here, using data from a shrimp hatchery as an economically relevant case study, we combined 16S rRNA gene amplicon sequencing and flow cytometry data to develop a computational workflow that allows the prediction of taxon abundances based on flow cytometry measurements. The first stage of our pipeline consists of a classifier to predict the presence or absence of the taxon of interest, with yields an average accuracy of 88.13±4.78 % across the top 50 OTUs of our dataset. In the second stage, this classifier was combined with a regression model to predict the relative abundances of the taxon of interest, which yields an average R 2 of 0.35±0.24 across the top 50 OTUs of our dataset. Application of the models on flow cytometry time series data showed that the generated models can predict the temporal dynamics of a large fraction of the investigated taxa. Using cell-sorting we validated that the model correctly associates taxa to regions in the cytometric fingerprint where they are detected using 16S rRNA gene amplicon sequencing. Finally, we applied the approach of our pipeline on two other datasets of microbial ecosystems. This pipeline represents an addition to the expanding toolbox for flow cytometry-based monitoring of bacterial communities and complements the current plating- and marker gene-based methods. Importance Monitoring of microbial community composition is crucial for both microbiome management research and applications. Existing technologies, such as plating and amplicon sequencing, can become laborious and expensive when high-throughput measurements are required. Over the recent years, flow cytometry-based measurements of community diversity have been shown to correlate well to those derived from 16S rRNA gene amplicon sequencing in several aquatic ecosystems, suggesting there is a link between the taxonomic community composition and phenotypic properties as derived through flow cytometry. Here, we further integrated 16S rRNA gene amplicon sequencing and flow cytometry survey data in order to construct models that enable the prediction of both the presence and the abundance of individual bacterial taxa in mixed communities using flow cytometric fingerprinting. The developed pipeline holds great potential to be integrated in routine monitoring schemes and early warning systems for biotechnological applications.

Background Investigating phenotypic heterogeneity can help to better understand and manage microbial communities. However, characterizing phenotypic heterogeneity remains a challenge, as there is no standardized analysis framework. Several optical tools are available, such as flow cytometry and Raman spectroscopy, which describe properties of the individual cell.Results In this work, we compare Raman spectroscopy and flow cytometry to study phenotypic heterogeneity in bacterial populations. The growth stages of three replicate E. coli populations were characterized using both technologies. Our findings show that flow cytometry detects and quantifies shifts in phenotypic heterogeneity at the population level due to its high-throughput nature. Raman spectroscopy, on the other hand, offers a much higher resolution at the single-cell level (i.e. more biochemical information is recorded). Therefore, it is capable of identifying distinct phenotypic populations in an automated way when coupled with analyses tailored towards single-cell data. In addition, it provides information about biomolecules that are present, which can be linked to cell functionality.Conclusions We propose a workflow to distinguish between bacterial phenotypic populations using Raman spectroscopy and validated this approach with an external dataset. We recommend to apply flow cytometry to quantify phenotypic heterogeneity at the population level, and Raman spectroscopy to perform a more in-depth analysis of heterogeneity at the single-cell level.

High- (HNA) and low-nucleic acid (LNA) bacteria are two operational groups identified by flow cytometry (FCM) in aquatic systems. HNA cell density often correlates strongly with heterotrophic production, while LNA cell density does not. However, which taxa are specifically associated with these groups, and by extension, productivity has remained elusive. Here, we addressed this knowledge gap by using a machine learning-based variable selection approach that integrated FCM and 16S rRNA gene sequencing data collected from 14 freshwater lakes spanning a broad range in physicochemical conditions. There was a strong association between bacterial heterotrophic production and HNA absolute cell abundances (R2 = 0.65), but not with the more abundant LNA cells. This solidifies findings, mainly from marine systems, that HNA and LNA could be considered separate functional groups, the former contributing a disproportionately large share of carbon cycling. Taxa selected by the models could predict HNA and LNA absolute cell abundances at all taxonomic levels, with the highest performance at the OTU level. Selected OTUs ranged from low to high relative abundance and were mostly lake system-specific (89.5%-99.2%). A subset of selected OTUs was associated with both LNA and HNA groups (12.5%-33.3%) suggesting either phenotypic plasticity or within-OTU genetic and physiological heterogeneity. These findings may lead to the identification of systems-specific putative ecological indicators for heterotrophic productivity. Generally, our approach allows for the association of OTUs with specific functional groups in diverse ecosystems in order to improve our understanding of (microbial) biodiversity-ecosystem functioning relationships.