Randomly barcoded transposon mutant libraries are powerful tools for studying gene function and organization, assessing gene essentiality and pathways, discovering potential therapeutic targets, and understanding the physiology of gut bacteria and their interactions with the host. However, construction of high-quality libraries with uniform representation can be challenging. In this review, we survey various strategies for barcoded library construction, including transposition systems, methods of transposon delivery, optimal library size, and transconjugant selection schemes. We discuss the advantages and limitations of each approach, as well as factors to consider when selecting a strategy. In addition, we highlight experimental and computational advances in arraying condensed libraries from mutant pools. We focus on examples of successful library construction in gut bacteria and their application to gene function studies and drug discovery. Given the need for understanding gene function and organization in gut bacteria, we provide a comprehensive guide for researchers to construct randomly barcoded transposon mutant libraries.

The critical role of the intestinal microbiota in human health and disease is well recognized. Nevertheless, there are still large gaps in our understanding of the functions and mechanisms encoded in the genomes of most members of the gut microbiota. Genome-scale libraries of transposon mutants are a powerful tool to help us address this gap. Recent advances in barcoded transposon mutagenesis have dramatically lowered the cost of mutant fitness determination in hundreds of in vitro and in vivo experimental conditions. In an accompanying review, we discuss recent advances and caveats for the construction of pooled and arrayed barcoded transposon mutant libraries in human gut commensals. In this review, we discuss how these libraries can be used across a wide range of applications, the technical aspects involved, and expectations for such screens.

Summary Natural compounds constitute a rich resource of potential small-molecule therapeutics. While experimental access to this resource is limited due to its vast diversity and difficulties in systematic purification, computational assessment of structural similarity with known therapeutic molecules offers a scalable approach. Here, we assessed functional similarity between natural compounds and approved drugs by combining multiple chemical similarity metrics and physicochemical properties through a random forest model. As a training set, we used pair-wise similarity between 1410 drugs in terms of their shared protein targets. The resulting model featured high performance metrics (matthews correlation coefficient of 0.81, and balanced accuracy of 0.91) suggesting that it well-captured the structure-activity relation. The model was then used to predict protein targets of circa 11k natural compounds by comparing them with the drugs. This revealed therapeutic potential of several natural compounds, including those with support from previously published sources as well as those hitherto unexplored. We experimentally validated one of the predicted link’s activities, viz., Cox-1 inhibition by 5-methoxysalicylic acid, a molecule commonly found in tea, herbs and spices. In contrast, another natural compound, 4-isopropylbenzoic acid, which showed a higher similarity when considering the most weighted similarity metric but was not picked by the random forest model, did not inhibit Cox-1. Our results demonstrate the utility of a machine-learning approach combining multiple chemical features for uncovering protein binding potential of natural compounds.