Reports of long-lasting coronavirus disease 2019 (COVID-19) symptoms, the so-called ‘long COVID’, are rising but little is known about prevalence, risk factors or whether it is possible to predict a protracted course early in the disease. We analyzed data from 4,182 incident cases of COVID-19 in which individuals self-reported their symptoms prospectively in the COVID Symptom Study app1. A total of 558 (13.3%) participants reported symptoms lasting ≥28 days, 189 (4.5%) for ≥8 weeks and 95 (2.3%) for ≥12 weeks. Long COVID was characterized by symptoms of fatigue, headache, dyspnea and anosmia and was more likely with increasing age and body mass index and female sex. Experiencing more than five symptoms during the first week of illness was associated with long COVID (odds ratio = 3.53 (2.76–4.50)). A simple model to distinguish between short COVID and long COVID at 7 days (total sample size, n = 2,149) showed an area under the curve of the receiver operating characteristic curve of 76%, with replication in an independent sample of 2,472 individuals who were positive for severe acute respiratory syndrome coronavirus 2. This model could be used to identify individuals at risk of long COVID for trials of prevention or treatment and to plan education and rehabilitation services. Analysis of data from the COVID Symptom Study app reveals fatigue, headache, dyspnea and anosmia as key attributes of long COVID, with those experiencing five or more symptoms during the first week of being at increased risk of prolonged disease.

A total of 2,618,862 participants reported their potential symptoms of COVID-19 on a smartphone-based app. Among the 18,401 who had undergone a SARS-CoV-2 test, the proportion of participants who reported loss of smell and taste was higher in those with a positive test result (4,668 of 7,178 individuals; 65.03%) than in those with a negative test result (2,436 of 11,223 participants; 21.71%) (odds ratio = 6.74; 95% confidence interval = 6.31–7.21). A model combining symptoms to predict probable infection was applied to the data from all app users who reported symptoms (805,753) and predicted that 140,312 (17.42%) participants are likely to have COVID-19. Analysis of data from a smartphone-based app designed for large-scale tracking of potential COVID-19 symptoms, used by over 2.5 million participants in the United Kingdom and United States, shows that loss of taste and smell sensations is predictive of potential SARS-CoV-2 infection.

Abstract The human gut microbiome has been associated with many health factors but variability between studies limits exploration of effects between them. Gut microbiota profiles are available for >2700 members of the deeply phenotyped TwinsUK cohort, providing a uniform platform for such comparisons. Here, we present gut microbiota association analyses for 38 common diseases and 51 medications within the cohort. We describe several novel associations, highlight associations common across multiple diseases, and determine which diseases and medications have the greatest association with the gut microbiota. These results provide a reference for future studies of the gut microbiome and its role in human health.

Abstract The frequency of, and risk factors for, long COVID are unclear among community-based individuals with a history of COVID-19. To elucidate the burden and possible causes of long COVID in the community, we coordinated analyses of survey data from 6907 individuals with self-reported COVID-19 from 10 UK longitudinal study (LS) samples and 1.1 million individuals with COVID-19 diagnostic codes in electronic healthcare records (EHR) collected by spring 2021. Proportions of presumed COVID-19 cases in LS reporting any symptoms for 12+ weeks ranged from 7.8% and 17% (with 1.2 to 4.8% reporting debilitating symptoms). Increasing age, female sex, white ethnicity, poor pre-pandemic general and mental health, overweight/obesity, and asthma were associated with prolonged symptoms in both LS and EHR data, but findings for other factors, such as cardio-metabolic parameters, were inconclusive.

Abstract Background Understanding and controlling the spread of antimicrobial resistance is one of the greatest challenges of modern medicine. To this end many efforts focus on characterising the human resistome or the set of antibiotic resistance determinants within the microbiome of an individual. Aside from antibiotic use, other host environmental and genetic factors that may shape the resistome remain relatively underexplored. Methods Using gut metagenome data from 250 TwinsUK female twins, we quantified known antibiotic resistance genes to estimate gut microbiome antibiotic resistance potential for 41 types of antibiotics and resistance mechanisms. Using heritability modelling, we assessed the influence of host genetic and environmental factors on the gut resistome. We then explored links between gut resistome, host health and specific environmental exposures using linear mixed effect models adjusted for age, BMI, alpha diversity and family structure. Results We considered gut microbiome antibiotic resistance to 21 classes of antibiotics, for which resistance genes were detected in over 90% of our population sample. Using twin modelling, we estimated that on average about 25% of resistome variability could be attributed to host genetic influences. Greatest heritability estimates were observed for resistance potential to acriflavine (70%), dalfopristin (51%), clindamycin (48%), aminocoumarin (48%) and the total score summing across all antibiotic resistance genes (38%). As expected, the majority of resistome variability was attributed to host environmental factors specific to an individual. We compared antibiotic resistance profiles to multiple environmental exposures, lifestyle and health factors. The strongest associations were observed with alcohol and vegetable consumption, followed by high cholesterol medication and antibiotic usage. Overall, inter-individual variation in host environment showed modest associations with antibiotic resistance profiles, and host health status had relatively minor signals. Conclusion Our results identify host genetic and environmental influences on the human gut resistome. The findings improve our knowledge of human factors that influence the spread of antibiotic resistance genes and may contribute towards helping to attenuate it.

Abstract Concerns have been raised as to whether the consumption of foodstuffs contaminated with pesticides can contribute to the development of chronic human diseases by affecting microbial community function in the gut. We provide the first associations between urinary pesticide excretion and the composition and function of the faecal microbiome in 65 twin pairs in the UK. Biomonitoring of exposure to 186 common insecticide, herbicide, or fungicide residues showed the presence of pyrethroid and/or organophosphorus insecticide residues in all urine samples, while the herbicide glyphosate was found in 45% of individuals. Other pesticides such as DEET, imidacloprid or dithiocarbamate fungicides were less frequently detected. While the geographic location or the rural/urban environment had no influence on pesticide urinary excretion, food frequency questionnaires showed that DMTP levels, a metabolite of organophosphates, was higher with increased consumption of fruit and vegetables. Multivariable association between urinary pesticide excretion and faecal microbial composition and function were determined with shotgun metagenomics and metabolomics. A total of 34 associations between pesticide residues concentrations and faecal metabolite concentrations were detected. Glyphosate excretion was positively associated to an increased bacterial species richness, as well as to fatty acid metabolites and phosphate levels. The insecticide metabolite Br2CA, reflecting deltamethrin exposure, was positively associated with the mammalian phytoestrogens enterodiol and enterolactone, and negatively associated with some N-methyl amino acids. Urine metabolomics performed on a subset of samples did not reveal associations with the excretion of pesticide residues. Our results highlight the need for future interventional studies to understand effects of pesticide exposure on the gut microbiome and possible health consequences.

Some studies have shown that the incidence of type 2 diabetes increases after a diagnosis of COVID-19, although the evidence is not conclusive. However, the effects of the COVID-19 vaccine on this association, or the effect on other diabetes subtypes, are not clear. We aimed to investigate the association between COVID-19 and incidence of type 2, type 1, gestational and non-specific diabetes, and the effect of COVID- 19 vaccination, up to 52 weeks after diagnosis.

The urinary microbiome is a relatively unexplored niche despite the fact that we now know that it is not sterile. Moreover urinary microbes, especially in ageing populations, are associated with morbidity even when infection is subsequently not proven. We present the first large-scale study to explore factors defining urinary microbiome composition in community-dwelling older adult women without clinically active infection. Using 1600 twins, we estimate the contribution of genetic and environmental factors to variation in microbiome using both 16S and shotgun metagenomics. We found that the urinary microbiome is distinct from nearby sites and is unrelated to stool microbiome. Core urinary microbiome taxa were defined. The first component of weighted unifrac was heritable (18%) as were key taxa (e.g Escherichia-Shigella (A>0.15)). Age, menopausal status, prior UTI and host genetics were top among factors defining the urobiome. Increased composition was associated with older age, contrary to previous findings.

Abstract High-throughput omics technologies have revolutionised the identification of associations between individual traits and underlying biological characteristics, but still use ‘one effect-size fits all’ approaches. While covariates are often used, their potential as effect modifiers often remains unexplored. To bridge this gap, we introduce ESPClust, a novel unsupervised method designed to identify covariates that modify the effect size of associations between sets of omics variables and outcomes. By extending the concept of moderators to encompass multiple exposures, ESPClust analyses the effect size profile (ESP) to identify regions in covariate space with different ESP, enabling the discovery of subpopulations with distinct associations. Applying ESPClust to insulin resistance and COVID-19 symptom manifestation, we demonstrate its versatility and ability to uncover nuanced effect size modifications that traditional analyses may overlook. By integrating information from multiple exposures, ESPClust identifies effect size modifiers in datasets that are too small for traditional univariate stratified analyses. This method provides a robust framework for understanding complex omics data and holds promise for personalised medicine.

Abstract Background The oral microbiota is emerging as an influential factor of host physiology and disease state. Factors influencing oral microbiota composition have not been well characterised. In particular, there is a lack of population-based studies. We undertook a large hypothesis-free study of the saliva microbiota, considering potential influential factors of host health (frailty; diet; periodontal disease), demographics (age; sex; BMI) and sample processing (storage time), in a sample (n=679) of the TwinsUK cohort of adult twins. Results Alpha and beta diversity of the saliva microbiota was associated most strongly with frailty (alpha diversity: Q = 0.003, Observed; Q=0.002, Shannon; Q=0.003, Simpson; Beta diversity: Q = 0.002, Bray Curtis dissimilarity) and age (alpha diversity: Q=0.006, Shannon; Q=0.003, Simpson; beta diversity: Q=0.002, Bray Curtis dissimilarity; Q= 0.032, Weighted UniFrac) in multivariate models including age, frailty, sex, BMI, frailty and diet, and adjustment for multiple testing. Those with a more advanced age were more likely to be dissimilar in the saliva microbiota composition than younger participants (P = 5.125e-06, ANOVA). In subsample analyses, including consideration of periodontal disease (total n=138, periodontal disease n=66), the association with frailty remained for alpha diversity (Q=0.002, Observed ASVs; Q= 0.04 Shannon Index), but not beta diversity, whilst age was not demonstrated to associate with alpha or beta diversity in this subsample, potentially due to insufficient statistical power. Length of time that samples were stored prior to sequencing was associated with beta diversity (Q = 0.002, Bray Curtis dissimilarity). Six bacterial taxa were associated with age after adjustment for frailty and diet. Conclusions Frailty and age emerged as the most influential factors of saliva microbiota composition. Whilst frailty and age are correlates, the associations were independent of each other, suggesting that both biological and chronological ageing are key drivers of saliva microbiota composition.