Cancer-microbe associations have been explored for centuries, but cancer-associated fungi have rarely been examined. Here, we comprehensively characterize the cancer mycobiome within 17,401 patient tissue, blood, and plasma samples across 35 cancer types in four independent cohorts. We report fungal DNA and cells at low abundances across many major human cancers, with differences in community compositions that differ among cancer types, even when accounting for technical background. Fungal histological staining of tissue microarrays supported intratumoral presence and frequent spatial association with cancer cells and macrophages. Comparing intratumoral fungal communities with matched bacteriomes and immunomes revealed co-occurring bi-domain ecologies, often with permissive, rather than competitive, microenvironments and distinct immune responses. Clinically focused assessments suggested prognostic and diagnostic capacities of the tissue and plasma mycobiomes, even in stage I cancers, and synergistic predictive performance with bacteriomes.

Abstract Keystone species in ecological communities are native species that play an especially important role in the stability of their ecosystem and can also be potentially used as its main drivers. However, we still lack an effective framework for identifying these species from the available metagenomic data without the notoriously difficult step of reconstructing the detailed network of inter-specific interactions. Here we propose a top-down identification framework, which detects keystones by their total influence on the rest of the species. Our method does not assume pairwise interactions or any specific underlying dynamics and is appropriate to both perturbation experiments and metagenomic cross-sectional surveys. When applied to real metagenomic data of the human gastrointestinal microbiome, we detect a set of candidate keystones and find that they are often part of a keystone module – multiple candidate keystones species with correlated occurrence. The keystones analysis of single-time-point cross-sectional data is also later verified by evaluation of two-time-points longitudinal sampling. Our framework represents a necessary advancement towards the reliable identification of these key players of complex, real-world microbial communities.

May’s stability theory [1, 2], which holds that large ecosystems can be stable up to a critical level of complexity, a product of the number of resident species and the intensity of their interactions, has been a central paradigm in theoretical ecology [3–7]. So far, however, empirically demonstrating this theory in real ecological systems has been a long-standing challenge, with inconsistent results [8]. Especially, it is unknown whether this theory is pertinent in the rich and complex communities of natural microbiomes, mainly due to the challenge of reliably reconstructing such large ecological interaction networks [9–11]. Here, we introduce a novel computational framework for estimating an ecosystem’s complexity without relying on a priori knowledge of its underlying interaction network. By applying this method to human-associated microbial communities from different body sites [12] and sponge-associated microbial communities from different geographical locations [13], we found that in both cases the communities display a pronounced trade-off between the number of species and their effective connectance. These results suggest that natural microbiomes are shaped by stability constraints, which limit their complexity.

Abstract Gestational Diabetes Mellitus (GDM), a serious complication during pregnancy which is defined by abnormal glucose regulation, is commonly treated by diabetic diet and lifestyle changes. While recent findings place the microbiome as a natural mediator between diet interventions and diverse disease states, its role in GDM is still unknown. Here, based on observation data from healthy pregnant control group and GDM patients, we developed a new network approach using patterns of co-abundance of microorganism to construct microbial networks that represent human-specific information about gut microbiota in different groups. By calculating network similarity in different groups, we analyze the gut microbiome from 27 GDM subjects collected before and after two weeks of diet therapy compared with 30 control subjects to identify the health condition of microbial community balance in GDM subjects. Although the microbial communities remain similar after the diet phase, we find that the structure of their inter-species co-abundance network is significantly altered, which is reflected in that the ecological balance of GDM patients was not "healthier" after the diet intervention. In addition, we devised a method for individualized network analysis of the microbiome, thereby a pattern is found that individuals with large deviations in microbial networks are usually accompanied by their abnormal glucose regulation. This approach may help the development of individualized diagnosis strategies and microbiome-based therapies in the future. Author Summary In this study, we aimed to investigate the role of the gut microbiome in gestational diabetes mellitus (GDM), a condition that affects pregnant women and is characterized by abnormal glucose regulation. Specifically, we asked whether and how the gut microbiome is affected by diabetic diet which is commonly used to treat GDM patients. We developed a new network approach to analyze patterns of co-abundance of microorganisms in the gut microbiota of GDM patients and healthy pregnant women. Our findings show that although the microbial communities remained similar after the diet phase, the structure of their inter-species co-abundance network was significantly altered, indicating that the ecological balance of GDM patients was not "healthier" after the diet intervention. Furthermore, we suggest that abnormal glucose regulation is associated with large network deviations, which could lead to the development of individualized microbiome-based therapies in the future. Our work highlights the importance of studying the microbiome from a network perspective to better understand the dynamic interactions among microorganisms in the community balance of the microbiome.