Abstract Evidence is mounting that the gut-brain axis plays an important role in mental diseases fueling mechanistic investigations to provide a basis for future targeted interventions. However, shotgun metagenomic data from treatment-naïve patients are scarce hampering comprehensive analyses of the complex interaction between the gut microbiota and the brain. Here we explore the fecal microbiome based on 90 medication-free schizophrenia patients and 81 controls and identify a microbial species classifier distinguishing patients from controls with an area under the receiver operating characteristic curve (AUC) of 0.896, and replicate the microbiome-based disease classifier in 45 patients and 45 controls (AUC = 0.765). Functional potentials associated with schizophrenia include differences in short-chain fatty acids synthesis, tryptophan metabolism, and synthesis/degradation of neurotransmitters. Transplantation of a schizophrenia-enriched bacterium, Streptococcus vestibularis , appear to induces deficits in social behaviors, and alters neurotransmitter levels in peripheral tissues in recipient mice. Our findings provide new leads for further investigations in cohort studies and animal models.

Metagenomic next-generation sequencing (mNGS) is a comprehensive approach for sequence-based identification of pathogenic microbes. However, reports on the use of mNGS in pulmonary infection applied to lung biopsy tissues remain scarce. In this study, we applied mNGS to detect the presence of pathogenic microbes in lung biopsy tissues from 20 patients with pulmonary disorders indicating possible infection. We applied a new data management for identifying pathogen species based on mNGS data. We determined the thresholds for the unique reads and relative abundance required to identify the infectious pathogens. Potential pathogens of pulmonary infections in 15 patients were identified by mNGS. The comparison between mNGS and culture method resulted that the sensitivity and specificity were 100.0% (95% CI: 31.0%-100.0%) and 76.5% (95% CI: 49.8%-92.2%) for bacteria, 57.1% (95% CI: 20.2%-88.2%) and 61.5% (95% CI: 32.2%-84.9%) for fungi. The positive predictive value (PPV) (42.9% for bacteria, 44.4% for fungi) was much lower than negative predictive value (NPV) (100% for bacteria, 72.7% for fungi) in mNGS vs. culture method. The mNGS showed the highest specificity (100.0% and 94.1%) and PPV (100.0% and 75.0%) in the evaluation of fungi and MTBC respectively, when compared with histopathology method. The study indicated that mNGS of lung biopsy tissues can be used to detect the presence (or absence) of pulmonary pathogens in patients, with potential benefits in speed and sensitivity. However, accurate data management and interpretation of mNGS is required, and should be combined with observations of clinical manifestations and conventional laboratory-based diagnostic methods.

The gut microbiome has been implicated in a variety of physiological states, but controversy over causality remains unresolved. Here, we performed bidirectional Mendelian randomization (MR) analyses on 3,432 Chinese individuals with whole genome, whole metagenome, anthropometric, and blood metabolic trait data. We identified 58 causal relationships between the gut microbiome and blood metabolites, and replicated 43 of them. Increased relative abundances of fecal Oscillibacter and Alistipes were causally linked to decreased triglyceride concentration. Conversely, blood metabolites such as glutamic acid appeared to decrease fecal Oxalobacter , and members of Proteobacteria were influenced by metabolites such as 5-methyltetrahydrofolic acid, alanine, glutamate, and selenium. Two-sample MR with data from Biobank Japan partly corroborated results with triglyceride and with uric acid, and also provided causal support for published fecal bacterial markers for cancer and cardiovascular diseases. This study illustrates the value of human genetic information to help prioritize gut microbial features for mechanistic and clinical studies.

Multiple sequence alignment (MSA) has evolved into a fundamental tool in the biological sciences, playing a pivotal role in predicting molecular structures and functions. With broad applications in protein and nucleic acid modeling, MSAs continue to underpin advancements across a range of disciplines. MSAs are not only foundational for traditional sequence comparison techniques but also increasingly important in the context of artificial intelligence (AI)-driven advancements. Recent breakthroughs in AI, particularly in protein and nucleic acid structure prediction, rely heavily on the accuracy and efficiency of MSAs to enhance remote homology detection and guide spatial restraints. This review traces the historical evolution of MSA, highlighting its significance in molecular structure and function prediction. We cover the methodologies used for protein monomers, protein complexes, and RNA, while also exploring emerging AI-based alternatives, such as protein language models, as complementary or replacement approaches to traditional MSAs in application tasks. By discussing the strengths, limitations, and applications of these methods, this review aims to provide researchers with valuable insights into MSA’s evolving role, equipping them to make informed decisions in structural prediction research.

Emerging evidence has linked the gut microbiota to schizophrenia. However, the functional changes in the gut microbiota and the biological role of individual bacterial species in schizophrenia have not been explored systematically. Here, we characterized the gut microbiota in schizophrenia using shotgun metagenomic sequencing of feces from a discovery cohort of 90 drug free patients and 81 controls, as well as a validation cohort of 45 patients taking antipsychotics and 45 controls. We screened 83 schizophrenia associated bacterial species and constructed a classifier comprising 26 microbial biomarkers that distinguished patients from controls with a 0.896 area under the receiver operating characteristics (ROC) curve (AUC) in the discovery cohort and 0.765 ROC AUC in the validation cohort. Our analysis of fecal metagenomes revealed that schizophrenia-associated gut brain modules (GBMs) included short chain fatty acids synthesis, tryptophan metabolism, and synthesis/degradation of neurotransmitters including glutamate, GABA, and nitric oxide. The schizophrenia enriched gut bacterial species include several oral cavity resident microbes, such as Streptococcus vestibulari. We transplanted S. vestibularis into the gut of the mice with antibiotic induced microbiota depletion to explore its functional role. We observed that this microbe transiently inhabited the mouse gut and this was followed by hyperactivity and deficit in social behaviors, accompanied with altered neurotransmitter levels in peripheral tissues. In conclusion, our study identified 26 schizophrenia associated bacterial species representing potential microbial targets for future treatment, as well as GBMs, some of which may give rise to new microbial metabolites involved in the development of schizophrenia.

Calorie restriction (CR) has been widely recognized for its effect in reducing body weight and alleviating diabetes in humans, as well as prolonging life span in animal studies. Gut microbiome shifts contribute to part of the effects of CR, but little is known regarding their influences except on metabolism and immunity. Here we monitored gut microbiome using metagenomics and metatranscriptomics in obese individuals undergoing CR, and revealed microbial determinants that could contribute to successful weight loss. Microbiome changes are linked to changes in blood metabolome and hormones, which eventually correlate to brain functional changes as studied using functional magnetic resonance imaging (fMRI). Brain functional shifts indicate response of central neural system (CNS) to CR, and microbiome constitutes the keystone of gut-brain axis. Animal experiment further reaffirms the gut microbiome changes, metabolic and hormonal shifts of CR, while proteomic analysis of brain tissues suggest that epigenetic modifications of key proteins could explain responses of CNS to CR. Our study establishes linkage between CR, gut microbiome, metabolome/ hormones and CNS function, and demonstrates that CR has multi-facet, coordinated effects on the host, of which many could contribute to weight loss and other beneficial effects.

Bone mass loss contributes to the risk of bone fracture in elderly. Many factors including age, obesity, estrogen and diet, are associated with bone mass loss. Some mice transplantation experiments suggest that the intestinal microbiome might influence the bone mass by regulating the immune system. However, there has been little evidence from human studies, not to mention the metagenome-wide association studies (MWAS). We have recruited 361 Chinese elderly women to explore the influence of gut microbiome on bone health by metagenomic shotgun sequencing data. Our results indicate that some lifestyle habits, like tea-drinking, have beneficial effects on bone mass loss. In addition, the gut microbiome diversity mildly increases with bone mass loss which might be contributed by the raise of pathogenic genera, such as Escherichia. Moreover, we have detected some microbial species and modules as markers for bone mineral density (BMD). Functionally, we observed positive correlation between bone mass loss and some modules which might influence the BMD, saying pectin degradation, trehalose degration and arginine degration.