In this study we used stool profiling to identify intestinal bacteria and metabolites that are differentially represented in humans with colorectal cancer (CRC) compared to healthy controls to identify how microbial functions may influence CRC development. Stool samples were collected from healthy adults (n = 10) and colorectal cancer patients (n = 11) prior to colon resection surgery at the University of Colorado Health-Poudre Valley Hospital in Fort Collins, CO. The V4 region of the 16s rRNA gene was pyrosequenced and both short chain fatty acids and global stool metabolites were extracted and analyzed utilizing Gas Chromatography-Mass Spectrometry (GC-MS). There were no significant differences in the overall microbial community structure associated with the disease state, but several bacterial genera, particularly butyrate-producing species, were under-represented in the CRC samples, while a mucin-degrading species, Akkermansia muciniphila, was about 4-fold higher in CRC (p<0.01). Proportionately higher amounts of butyrate were seen in stool of healthy individuals while relative concentrations of acetate were higher in stools of CRC patients. GC-MS profiling revealed higher concentrations of amino acids in stool samples from CRC patients and higher poly and monounsaturated fatty acids and ursodeoxycholic acid, a conjugated bile acid in stool samples from healthy adults (p<0.01). Correlative analysis between the combined datasets revealed some potential relationships between stool metabolites and certain bacterial species. These associations could provide insight into microbial functions occurring in a cancer environment and will help direct future mechanistic studies. Using integrated “omics” approaches may prove a useful tool in identifying functional groups of gastrointestinal bacteria and their associated metabolites as novel therapeutic and chemopreventive targets.

Emerging insights have implicated the gut microbiota as an important factor in the maintenance of human health. Although nutrition research has focused on how direct interactions between dietary components and host systems influence human health, it is becoming increasingly important to consider nutrient effects on the gut microbiome for a more complete picture. Understanding nutrient-host-microbiome interactions promises to reveal novel mechanisms of disease etiology and progression, offers new disease prevention strategies and therapeutic possibilities, and may mandate alternative criteria to evaluate the safety of food ingredients. Here we review the current literature on diet effects on the microbiome and the generation of microbial metabolites of dietary constituents that may influence human health. We conclude with a discussion of the relevance of these studies to nutrition and public health and summarize further research needs required to realize the potential of exploiting diet-microbiota interactions for improved health.

Abstract Background Microbiome studies have uncovered associations between microbes and human, animal, and plant health outcomes. This has led to an interest in developing microbial interventions for treatment of disease and optimization of crop yields which requires identification of microbiome features that impact the outcome in the population of interest. That task is challenging because of the high dimensionality of microbiome data and the confounding that results from the complex and dynamic interactions among host, environment, and microbiome. In the presence of such confounding, variable selection and estimation procedures may have unsatisfactory performance in identifying microbial features with an effect on the outcome. Results In this manuscript, we aim to estimate population-level effects of individual microbiome features while controlling for confounding by a categorical variable. Due to the high dimensionality and confounding-induced correlation between features, we propose feature screening, selection, and estimation conditional on each stratum of the confounder followed by a standardization approach to estimation of population-level effects of individual features. Comprehensive simulation studies demonstrate the advantages of our approach in recovering relevant features. Utilizing a potential-outcomes framework, we outline assumptions required to ascribe causal, rather than associational, interpretations to the identified microbiome effects. We conducted an agricultural study of the rhizosphere microbiome of sorghum in which nitrogen fertilizer application is a confounding variable. In this study, the proposed approach identified microbial taxa that are consistent with biological understanding of potential plant-microbe interactions. Conclusions Standardization enables more accurate identification of individual microbiome features with an effect on the outcome of interest compared to other variable selection and estimation procedures when there is confounding by a categorical variable.

Abstract Root exudation is one of the primary processes that mediate interactions between plant roots, microorganisms, and the soil matrix. Previous research has shown that plant root exudate profiles vary between species and genotypes which can likely support different microbial associations. Here, utilizing distinct sorghum genotypes as a model system, we characterized the chemical heterogeneity between root exudates and the effects of that variability on soil microbial membership and metabolisms. Distinct exudate chemical profiles were quantified and used to formulate synthetic root exudate treatments, a High Organic acid Treatment (HOT) and a High Sugar Treatment (HST). Root exudate treatments were added to laboratory soil reactors and 16S rRNA gene profiling illustrated distinct microbial membership in response to HST or HOT amendments. Alpha and beta diversity metrics were significantly different between treatments, (Shannon’s, p < 0.0001, mrpp = 0.01, respectively). Exometabolite production was highest in the HST, with increased production of key organic acids, non-proteinogenic amino acids, and three plant growth-promoting phytohormones (benzoic acid, salicylic acid, indole-3-acetic acid), suggesting plant-derived sugars fuel microbial carbon metabolism and contribute to phytohormone production. Linking the metabolic capacity of metagenome-assembled genomes in the HST to the exometabolite patterns, we identified potential plant growth-promoting microorganisms that could produce these phytohormones. Our findings emphasize the tractability of high-resolution multi-omics tools to investigate soil microbiomes, opening the possibility of manipulating native microbial communities to improve specific soil microbial functions and enhance crop production. Importance Understanding interactions between plant root exudates and the soil microbiome provides an avenue for a more comprehensive appreciation for how plant roots modulate their microbial counterparts to promote an environment favorable to plant fitness. Although these dynamics are appreciated as indispensable, mechanisms controlling specific rhizobiome membership and complexity are not fully understood. In this study, we investigate how variability in root exudation, modeled after differences observed between distinct sorghum genotypes, contributes to altered microbial membership and metabolisms. The results demonstrate how microbial diversity is influenced by root exudates of differing chemical composition and how changes in microbial membership correspond to modifications in carbon utilization and enhance production of plant-relevant metabolites. Our findings suggest carbon substrate preferences among bacteria in semi-arid climate soils and mechanisms for root exudate utilization. These findings provide new information on plant-soil environments useful for the development of efficient and precise microbiota management strategies in agricultural systems.

ABSTRACT Environmental variability poses a major challenge to any field study. Researchers attempt to mitigate this challenge through replication. Thus, the ability to detect experimental signals is determined by the degree of replication and the amount of environmental variation, noise, within the experimental system. A major source of noise in field studies comes from the natural heterogeneity of soil properties which create micro-treatments throughout the field. To make matters worse, the variation within different soil properties is often non-randomly distributed across a field. We explore this challenge through a sorghum field trial dataset with accompanying plant, microbiome and soil property data. Diverse sorghum genotypes and two watering regimes were applied in a split-plot design. We describe a process of identifying, estimating, and controlling for the effects of spatially distributed soil properties on plant traits and microbial communities using minimal degrees of freedom. Importantly, this process provides a tool with which sources of environmental variation in field data can be identified and removed, improving our ability to resolve effects of interest and to quantify subtle phenotypes. IMPORTANCE Data from field experiments are notoriously noisy. Proper field designs with high replication aid in mitigating this challenge, yet true biological correlations are still often masked by environmental variability. This work identifies soil property composition as a spatially distributed source of variance to three types of characteristics: plant phenotype, microbiome composition, and leaf traits. We show that once identified, spatial principal component regression was able to account for these effects so that more precise estimates of experimental factors were obtained. This generalizable method is applicable to diverse field experiments.