To evaluate the potential for diagnosing colorectal cancer (CRC) from faecal metagenomes.We performed metagenome-wide association studies on faecal samples from 74 patients with CRC and 54 controls from China, and validated the results in 16 patients and 24 controls from Denmark. We further validated the biomarkers in two published cohorts from France and Austria. Finally, we employed targeted quantitative PCR (qPCR) assays to evaluate diagnostic potential of selected biomarkers in an independent Chinese cohort of 47 patients and 109 controls.Besides confirming known associations of Fusobacterium nucleatum and Peptostreptococcus stomatis with CRC, we found significant associations with several species, including Parvimonas micra and Solobacterium moorei. We identified 20 microbial gene markers that differentiated CRC and control microbiomes, and validated 4 markers in the Danish cohort. In the French and Austrian cohorts, these four genes distinguished CRC metagenomes from controls with areas under the receiver-operating curve (AUC) of 0.72 and 0.77, respectively. qPCR measurements of two of these genes accurately classified patients with CRC in the independent Chinese cohort with AUC=0.84 and OR of 23. These genes were enriched in early-stage (I-II) patient microbiomes, highlighting the potential for using faecal metagenomic biomarkers for early diagnosis of CRC.We present the first metagenomic profiling study of CRC faecal microbiomes to discover and validate microbial biomarkers in ethnically different cohorts, and to independently validate selected biomarkers using an affordable clinically relevant technology. Our study thus takes a step further towards affordable non-invasive early diagnostic biomarkers for CRC from faecal samples.

Recent advancement of single-cell RNA-seq technology facilitates the study of cell lineages in developmental processes as well as cancer. In this manuscript, we developed a computational method, called redPATH, to reconstruct the pseudo developmental time of cell lineages using a consensus asymmetric Hamiltonian path algorithm. Besides, we implemented a novel approach to visualize the trajectory development of cells and visualization methods to provide biological insights. We validated the performance of redPATH by segmenting different stages of cell development on multiple neural stem cell and cancerous datasets, as well as other single-cell transcriptome data. In particular, we identified a subpopulation of malignant glioma cells, which are stem cell-like. These cells express known proliferative markers such as GFAP (also identified ATP1A2, IGFBPL1, ALDOC) and remain silenced in quiescent markers such as ID3. Furthermore, MCL1 is identified as a significant gene that regulates cell apoptosis, and CSF1R confirms previous studies for re-programming macrophages to control tumor growth. In conclusion, redPATH is a comprehensive tool for analyzing single-cell RNA-Seq datasets along a pseudo developmental time. The software is available via http://github.com/tinglab/redPATH.

Interpretive analysis of metagenomic data depends on an understanding of the underlying associations among microbes from metagenomic samples.Although several statistical tools have been developed for metagenomic association studies, they suffer from compositional bias or fail to take into account environmental factors that directly affect the composition of a given microbial community. In this paper, we propose metagenomic Lognormal-Dirichlet-Multinomial (mLDM), a hierarchical Bayesian model with sparsity constraints to bypass compositional bias and discover new associations among microbes and between microbes and environmental factors. The mLDM model can 1) infer both conditionally dependent associations among microbes and direct associations between microbes and environmental factors; 2) consider both compositional bias and variance of metagenomic data; and 3) estimate absolute abundance for microbes. Thus, conditionally dependent association can capture direct relationship underlying microbial pairs and remove the indirect connections induced from other common factors. Empirical studies show the effectiveness of the mLDM model, using both synthetic data and the TARA Oceans eukaryotic data by comparing it with several state-of-the-art methodologies. Finally, mLDM is applied to western English Channel data and finds some interesting associations.

Identifying significant biological relationships or patterns is central to many metagenomic studies. Methods that estimate association networks have been proposed for this purpose, but they assume that associations are static, neglecting the fact that relationships in a microbial ecosystem may vary with changes in environmental factors, which can result in inaccurate estimations. We propose a computational model, k-Lognormal-Dirichlet-Multinomial model (kLDM), which estimates multiple association networks that correspond to specific environmental conditions according to values of environmental factors (EFs), and simultaneously infers microbe-microbe and environmental factor-microbe associations for each network. We showed the effectiveness of kLDM on synthetic data, a colorectal cancer dataset, as well as the TARA Oceans and American Gut project datasets. The results showed that the widely used Spearman's rank correlation coefficient (SCC) performed much worse than other methods, indicating the importance of separating samples by environmental conditions. We compared cancer fecal samples with cancer-free samples, and our estimation showed fewer associations among microbes but stronger associations between specific bacteria such as five colorectal cancer (CRC)-associated OTUs, indicating gut microbe translocation in cancer patients. Some environmental-factor-dependent associations were found within marine eukaryotic community, and gut microbial heterogeneity of irritable bowel disease (IBD) patients was detected. Results demonstrated that kLDM could successfully unravel the underlying biological associations. In summary, our study presents a computational framework that can elucidate the complex associations within microbial ecosystems. The kLDM program, R, and python scripts, together with all experimental datasets are all accessible at Github (https://github.com/tinglab/kLDM.git).