Abstract Background Microbiome sequencing has brought increasing attention to the polymicrobial context of chronic infections. However, clinical microbiology continues to focus on canonical human pathogens, which may overlook informative, but non-pathogenic, biomarkers. We address this disconnect in lung infections in people with cystic fibrosis (CF). Methods We collected health information (lung function, age, BMI) and sputum samples from a cohort of 77 children and adults with CF. Samples were collected during a period of clinical stability and 16S rDNA sequenced for airway microbiome compositions. We use Elastic Net regularization to train linear models predicting lung function and extract the most informative features. Results Models trained on whole microbiome quantitation outperform models trained on pathogen quantitation alone, with or without the inclusion of patient metadata. Our most accurate models retain key pathogens as negative predictors ( Pseudomonas, Achromobacter ) along with established correlates of CF disease state (age, BMI, CF related diabetes). In addition, our models select non-pathogen taxa ( Fusobacterium, Rothia ) as positive predictors of lung health. Conclusions These results support a reconsideration of clinical microbiology pipelines to ensure the provision of informative data to guide clinical practice.

Gene regulatory networks underlie every aspect of life; better understanding their assembly would better our understanding of evolution more generally. For example, evolutionary theory typically assumed that low-fitness intermediary pathways are not a significant factor in evolution, yet there is substantial empirical evidence of compensatory mutation. Here we revise theoretical assumptions to explore the possibility that compensatory mutation may drive rapid evolutionary recovery. Using a well-established in silico model of gene regulatory networks, we show that assuming only that deleterious mutations are not fatal, compensatory mutation is surprisingly frequent. Further, we find that it entails biases that drive the evolution of regulatory pathways. In our simulations, we find compensatory mutation to be common during periods of relaxed selection, with 8-15% of degraded networks having regulatory function restored by a single randomly-generated additional mutation. Though this process reduces average robustness, proportionally higher robustness is found in networks where compensatory mutations occur close to the deleterious mutation site, or where the compensatory mutation results in a large regulatory effect size. This location- and size-specific robustness systematically biases which networks are purged by selection for network stability, producing emergent changes to the population of regulatory networks. We show that over time, large-effect and co-located mutations accumulate, assuming only that episodes of relaxed selection occur, even very rarely. This accumulation results in an increase in regulatory complexity. Our findings help explain a process by which large-effect mutations structure complex regulatory networks, and may account for the speed and pervasiveness of observed occurrence of compensatory mutation, for example in the context of antibiotic resistance, which we discuss. If sustained by in vitro experiments, these results promise a significant breakthrough in the understanding of evolutionary and regulatory processes.

Quorum sensing (QS) is a mechanism of cell-to-cell communication via diffusible signal molecules that controls multiple secreted factors including virulence factors in bacterial pathogens. While the standard view is that QS functions as a density-sensing mechanism, the functional and evolutionary context of QS continues to be disputed. A critical step in assessing the various adaptive hypotheses is establishing the functional capacities and limits of QS. Current functional studies largely focus on a dichotomy of QS on/off (or, quorate / sub-quorate) states, despite the increasing amount of heterogeneity on a cellular scale, overlooking the potential for intermediate, graded responses. In this paper we explore the functional capacity of QS to resolve finely graded environmental densities and introduce the use of reaction norms as a way to holistically characterize QS response. Here we show that Pseudomonas aeruginosa can deliver a graded response to variation in environmental population density on both the population and individual scales. We further resolve the linear population response to be the product of two component cellular reaction norms: the likelihood of being responsive and the intensity of response. Overall, this work reveals that there is no critical cell mass or 'quorum', at which QS is activated on either the individual cell or population scale.

Many species of bacteria collectively sense and respond to their social and physical environment via 'quorum sensing' (QS), a communication system controlling extracellular cooperative traits. Despite detailed understanding of the mechanisms of signal production and response, there remains considerable debate over the functional role(s) of QS: in short, what is it for? Experimental studies have found support for diverse functional roles: density sensing, mass-transfer sensing, genotype sensing, etc. While consistent with theory, these results cannot separate whether these functions were drivers of QS adaption, or simply artifacts or 'spandrels' of systems shaped by distinct ecological pressures. The challenge of separating spandrels from drivers of adaptation is particularly hard to address using extant bacterial species with poorly understood current ecologies (let alone their ecological histories). To understand the relationship between environmental challenges and trajectories of QS evolution, we used an agent-based simulation modeling approach. Given genetic mixing, our simulations produce behaviors that recapitulate features of diverse microbial QS systems, including coercive (high signal / low response) and generalized reciprocity (signal auto-regulation) strategists --- that separately and in combination contribute to QS-dependent resilience of QS-controlled cooperation in the face of diverse cheats. We contrast our in silico results with bacterial QS architectures that have evolved under largely unknown ecological contexts, highlighting the critical role of genetic constraints in shaping the shorter term (experimental evolution) dynamics of QS. More broadly, we see experimental evolution of digital organisms as a complementary tool in the search to understand the emergence of complex QS architectures and functions.