Insulin resistance is the primary pathophysiology underlying metabolic syndrome and type 2 diabetes1,2. Previous metagenomic studies have described the characteristics of gut microbiota and their roles in metabolizing major nutrients in insulin resistance3-9. In particular, carbohydrate metabolism of commensals has been proposed to contribute up to 10% of the host's overall energy extraction10, thereby playing a role in the pathogenesis of obesity and prediabetes3,4,6. Nevertheless, the underlying mechanism remains unclear. Here we investigate this relationship using a comprehensive multi-omics strategy in humans. We combine unbiased faecal metabolomics with metagenomics, host metabolomics and transcriptomics data to profile the involvement of the microbiome in insulin resistance. These data reveal that faecal carbohydrates, particularly host-accessible monosaccharides, are increased in individuals with insulin resistance and are associated with microbial carbohydrate metabolisms and host inflammatory cytokines. We identify gut bacteria associated with insulin resistance and insulin sensitivity that show a distinct pattern of carbohydrate metabolism, and demonstrate that insulin-sensitivity-associated bacteria ameliorate host phenotypes of insulin resistance in a mouse model. Our study, which provides a comprehensive view of the host-microorganism relationships in insulin resistance, reveals the impact of carbohydrate metabolism by microbiota, suggesting a potential therapeutic target for ameliorating insulin resistance.

The intestine is the largest peripheral lymphoid organ in animals, including humans, and interacts with a vast array of microorganisms called the gut microbiota. Comprehending the symbiotic relationship between the gut microbiota and our immune system is essential not only for the field of immunology but also for understanding the pathogenesis of various systemic diseases, including cancer, cardiometabolic disorders, and extraintestinal autoimmune conditions. Whereas microbe-derived antigens are crucial for activating the intestinal immune system, particularly T and B cells, as environmental cues, microbes and their metabolites play a critical role in directing the differentiation of these immune cells. Microbial metabolites are regarded as messengers from the gut microbiota, since bacteria have the ability to produce unique molecules that humans cannot, and many immune cells in the intestine express receptors for these molecules. This review highlights the distinct relationships between microbial metabolites and the differentiation and function of the immune system.

Bacterial cancer therapy (BCT) shows great promise for treatment of solid tumors, yet basic mechanisms of bacterial-induced tumor suppression remain undefined. The intestinal epithelium is the natural route of infection for Salmonella and thus harbors innate immune defenses which protect against infection. Attenuated strains of Salmonella enterica serovar Typhimurium ( S Tm) have commonly been used in mouse models of BCT, largely with the use of xenograft and orthotopic transplant cancer models. We aimed to better understand the tumor epithelium-targeted mechanisms of BCT by using mouse models of intestinal tumorigenesis and tumor organoid cultures to assess the effectiveness and mechanisms of treatment with aromatase A-deficient S Tm ( STmΔ aroA ). STmΔ aroA delivered by oral gavage could significantly reduce tumor burden and tumor load in both a colitis-associated colon cancer model (CAC) and in Apcmin/+ mice. STmΔ aroA colonization of tumors caused alterations in transcription of mRNAs associated with epithelial−mesenchymal transition as well as metabolic and cell cycle-related transcripts. Metabolomic analysis of tumors demonstrated alteration in the metabolic environment of STmΔ aroA -treated tumors, suggesting STmΔ aroA imposes metabolic competition on the tumor. Use of tumor organoid cultures in vitro demonstrated that STmΔ aroA can directly affect the tumor epithelium with alterations in transcripts and metabolites similar to in vivo -treated tumors. Thereby, we demonstrate that bacterial cancer therapy is efficacious in autochthonous intestinal cancer models, that BCT imposes metabolic competition, and that BCT has direct effects on the tumor epithelium, which have not previously been appreciated.

Mapping the network of ecological interactions is key to understanding the composition, stability, function and dynamics of microbial communities. In recent years various approaches have been used to reveal microbial interaction networks from metagenomic sequencing data, such as time-series analysis, machine learning and statistical techniques. Despite these efforts it is still not possible to capture details of the ecological interactions behind complex microbial dynamics. We developed the sparse S-map method (SSM), which generates a sparse interaction network from a multivariate ecological time-series without presuming any mathematical formulation for the underlying microbial processes. The advantage of the SSM over alternative methodologies is that it fully utilizes the observed data using a framework of empirical dynamic modelling. This makes the SSM robust to non-equilibrium dynamics and underlying complexity (nonlinearity) in microbial processes. We showed that an increase in dataset size or a decrease in observational error improved the accuracy of SSM whereas, the accuracy of a comparative equation-based method was almost unchanged for both cases and equivalent to the SSM at best. Hence, the SSM outperformed a comparative equation-based method when datasets were large and the magnitude of observational errors were small. The results were robust to the magnitude of process noise and the functional forms of inter-specific interactions that we tested. We applied the method to a microbiome data of six mice and found that there were different microbial interaction regimes between young to middle age (4-40 week-old) and middle to old age (36-72 week-old) mice. The complexity of microbial relationships impedes detailed equation-based modeling. Our method provides a powerful alternative framework to infer ecological interaction networks of microbial communities in various environments and will be improved by further developments in metagenomics sequencing technologies leading to increased dataset size and improved accuracy and precision.

In Japan, fatty liver cases with elevated body mass index are increasing. Because of being non-malignant, these are often neglected unless accompanied by diabetes. This study investigated the risk of glucose intolerance in individuals with non-alcoholic fatty liver. We included 165 men (mean age 56.3 years; range 29–75 years) who underwent an overnight 2-day physical examination at our Health Evaluation Center. All patients underwent abdominal ultrasonography to examine fatty liver. Fasting blood glucose and 75-g glucose tolerance test (OGTT) were conducted. alanine aminotransferase (ALT) (p < 0.01) and triglyceride (p < 0.001) levels were significantly higher in the fatty liver group (FL) than in the non-fatty liver group. HbA1c, fasting blood glucose, and blood glucose level at OGTT (0 and 30 min) did not show significant differences. In the FL, OGTT was significantly elevated at 60 min(p < 0.01)and 120 min (p < 0.001), insulin level was significantly elevated at 0 and 30 min (p < 0.001), and glucagon level was significantly elevated at 0 min (p < 0.05) and 30 min (p < 0.01), with no significant differences between the groups at 60 and 120 min. This is the first study to demonstrate elevated glucagon levels after OGTT. Metabolic dysfunction-associated steatotic liver disease (MASLD) requires treatment for insulin resistance with glucagon dysregulation likely associated with its pathogenesis.