Abstract Gut microbiota has been implicated in the pathogenesis of multiple gastrointestinal (GI) and systemic metabolic and inflammatory disorders where disrupted gut microbiota composition and function (dysbiosis) has been found in multiple studies. Thus, human microbiome data has a potential to be a great source of information for the diagnosis and disease characteristics (phenotypes, disease course, therapeutic response) of diseases with dysbiotic microbiota community. However, multiple attempts to leverage gut microbiota taxonomic data for diagnostic and disease characterization have failed due to significant inter-individual variability of microbiota community and overlap of disrupted microbiota communities among multiple diseases. One potential approach is to look at the microbiota community pattern and response to microbiota modifiers like dietary fiber in different disease states. This approach is now feasible by availability of machine learning that is able to identify hidden patterns in the human microbiome and predict diseases. Accordingly, the aim of our study was to test the hypothesis that application of machine learning algorithms can distinguish stool microbiota pattern and microbiota response to fiber between diseases where overlapping dysbiotic microbiota have been previously reported. Here, we have applied machine learning algorithms to distinguish between Parkinson’s disease, Crohn’s disease (CD), ulcerative colitis (UC), human immune deficiency virus (HIV), and healthy control (HC) subjects in the presence and absence of fiber treatments. We have shown that machine learning algorithms can classify diseases with accuracy as high as 95%. Furthermore, machine learning methods applied to the microbiome data to predict UC vs CD led to prediction accuracy as high as 90%.

Assembling microscopic metal–organic frameworks into macroscopic polymeric scaffolds to develop highly renewable materials has been a promising yet challenging area of research. Herein, chitosan (CS) blended with nano-cellulose (NC) was unidirectionally transformed into an aerogel with oriented macropores and then biomineralized with zeolite imidazolate frameworks-8 (ZIF-8) to form a hierarchical structured chitosan-nanocellulose/zeolite imidazolate frameworks-8 (CS-NC-ZIF-8) hybrid aerogel. Incorporating ZIF-8 significantly increases the versatility and mechanical strength with a Young's modulus of 14.18 MPa of the CS-NC aerogel. The incorporation of ZIF-8 into the aerogel not only enhances its adsorption capacity for methylene blue, rhodamine B, acid fuchsin, and methyl orange, but also facilitates the generation of electrons from water that can be transferred to degrade > 90 % of malachite green within 90 min in each catalytic cycle, and this capability was maintained for at least 10 consecutive cycles. Remarkably, the hybrid aerogel was highly renewable after the adsorption of cationic dyes and catalytic removal of malachite green. With its facile production process, high removal efficiency, affordable and green nature, and excellent regeneration feasibility, the CS-NC-ZIF-8 aerogel stands as a promising solution for addressing challenges associated with dye-contaminated water treatment.

Cyclodextrins (CD) are well known to form host-guest assemblies with hydrophobic compounds. As a structural homologue, starch-guest inclusion complexes (ICs) have become promising in the food, agriculture, and pharmaceutical industries due to their low cost and versatility. This study compared the stabilizing and releasing abilities for thymol of three kinds of pre-formed V-type starch (Water-V, Salt-V, and Alkali-V) and β-CD. The loading efficiency for thymol decreased in the order of Water-V > Alkali-V > CD > Salt-V when removing the free thymol. Water-V, β-CD, and their ICs had better thermal stability with maximum thermal decomposition temperatures over 320°C. Under non-cold chain daily storage conditions for 4 d, the percentage of thymol released from starch/CD-thymol ICs was 14% (Water-V), 35% (Salt-V), 34% (Alkali-V), and 43% (CD). The Water-V made ICs had good sustained release properties and long-term antibacterial activity, which kept strawberries fresh for 6 d without decay.

To identify factors that regulate gut microbiota density and the impact of varied microbiota density on health, we assayed this fundamental ecosystem property in fecal samples across mammals, human disease, and therapeutic interventions. Physiologic features of the host (carrying capacity) and the fitness of the gut microbiota shape microbiota density. Therapeutic manipulation of microbiota density in mice altered host metabolic and immune homeostasis. In humans, gut microbiota density was reduced in Crohn's disease, ulcerative colitis, and ileal pouch-anal anastomosis. The gut microbiota in recurrent Clostridium difficile infection had lower density and reduced fitness that were restored by fecal microbiota transplantation. Understanding the interplay between microbiota and disease in terms of microbiota density, host carrying capacity, and microbiota fitness provide new insights into microbiome structure and microbiome targeted therapeutics.

The colonic fermentation metabolites of resistant starch (RS) are recognized to have various health benefits. However, the relationship between the structural variation of RS and the colonic fermentation properties, remains inadequately studied, especially for type 3 resistant starch. The in vitro fecal fermentation properties with multi-structure evolution of A- and B-type polymorphic resistant starch spherulites (RSS) were investigated. Both polymorphic types of RSS showed similar fermentation rate and total short-chain fatty acid profiles, while the butyrate concentration of the A-type RSS subjected to 24 h of fermentation was significantly higher compared to B-type RSS. In the case of recrystallized starch spherulites, irrespective of the polymorphic type, gut bacteria preferentially degraded the intermediate chains and crystalline regions, as the local molecule-ordered area potentially serves as suitable attachment sites or surfaces for microbial enzymes.