Infection in the central nervous system is a severe condition associated with high morbidity and mortality. Despite ample testing, the majority of encephalitis and meningitis cases remain undiagnosed. Metagenomic sequencing of cerebrospinal fluid has emerged as an unbiased approach to identify rare microbes and novel pathogens. However, several major hurdles remain, including establishment of individual limits of detection, removal of false positives and implementation of universal controls. Twenty-one cerebrospinal fluid samples, in which a known pathogen had been positively identified by available clinical techniques, were subjected to metagenomic DNA sequencing. Fourteen samples contained minute levels of Epstein-Barr virus. The detection threshold for each sample was calculated by using the total leukocyte content in the sample and environmental contaminants found in the bioinformatic classifiers. Virus sequences were detected in all ten samples, in which more than one read was expected according to the calculations. Conversely, no viral reads were detected in seven out of eight samples, in which less than one read was expected according to the calculations. False positive pathogens of computational or environmental origin were readily identified, by using a commonly available cell control. For bacteria, additional filters including a comparison between classifiers removed the remaining false positives and alleviated pathogen identification. Here we show a generalizable method for identification of pathogen species using DNA metagenomic sequencing. The choice of bioinformatic method mainly affected the efficiency of pathogen identification, but not the sensitivity of detection. Identification of pathogens requires multiple filtering steps including read distribution, sequence diversity and complementary verification of pathogen reads.

The SERPINA1 gene encodes alpha1-antitrypsin (AAT), an acute phase glycoprotein and serine protease inhibitor that is mainly (80–90%) produced in the liver. Point mutations in the SERPINA1 gene can lead to the misfolding, intracellular accumulation, and deficiency of circulating AAT protein, increasing the risk of developing chronic liver diseases or chronic obstructive pulmonary disease. Currently, siRNA technology can knock down the SERPINA1 gene and limit defective AAT production. How this latter affects other liver genes is unknown. Livers were taken from age- and sex-matched C57BL/6 wild-type (WT) and Serpina1 knockout mice (KO) aged from 8 to 14 weeks, all lacking the five serpin A1a-e paralogues. Total RNA was isolated and RNA sequencing, and transcriptome analysis was performed. The knockout of the Serpina1 gene in mice changed inflammatory, lipid metabolism, and cholesterol metabolism-related gene expression in the liver. Independent single-cell sequencing data of WT mice verified the involvement of Serpina1 in cholesterol metabolism. Our results from mice livers suggested that designing therapeutic strategies for the knockout of the SERPINA1 gene in humans must account for potential perturbations of key metabolic pathways and consequent mitigation of side effects.

Abstract Motivation Transcriptome data are confounded by differences in cell type proportions. Differentiating between regulated changes in gene expression and changes due to differing cell type proportions remains a challenge. Therefore, we apply a deconvolution method to correct for changes in cell type proportions and provide a novel cell-type specific pathway analysis. Results We demonstrate the technique in the context of idiopathic pulmonary fibrosis. Inferred cell type proportions indicated a significant increase in fibroblasts, myofibroblasts, and a decrease in vascular endothelial capillary cells. Pathway analysis after adjustment for proportions indicated IPF-related changes in extracellular matrix organization and TGF-β regulation. Cell-type specific pathway analysis suggested the role of interferon signaling in ATII cells. These results demonstrate that deconvolution is not only useful for assessing cell type proportions, but also can provide cell type-specific pathway analysis, allowing for a much more nuanced interpretation of bulk RNA-seq data.

Abstract Background Infection in the central nervous system is a severe condition associated with high morbidity and mortality. Despite ample testing, the majority of encephalitis and meningitis cases remain undiagnosed. Metagenomic sequencing of cerebrospinal fluid has emerged as an unbiased approach to identify rare microbes and novel pathogens. However, several major hurdles remains, including establishment of individual limits of detection, removal of false positives and implementation of universal controls. Results Twenty-one cerebrospinal fluid samples, in which a known pathogen had been positively identified by available clinical techniques, were subjected to metagenomic DNA sequencing using massive parallel sequencing. Fourteen samples contained minute levels of Epstein-Barr virus. Calculation of the detection threshold for each sample was made using total leukocyte content in the sample and environmental contaminants found in bioinformatic classifiers. Virus sequences were detected in all ten samples, in which more than one read was expected according to calculations. Conversely, no viral reads were detected in seven out of eight samples, in which less than one read was expected according to calculations. False positive pathogens of computational or environmental origin were readily identified, by using a commonly available cell control. For bacteria additional filters including a comparison between classifiers removed the remaining false positives and alleviated pathogen identification. Conclusions Here we show a generalizable method for detection and identification of pathogen species using metagenomic sequencing. The sensitivity for each sample can be calculated using the leukocyte count and environmental contamination. The choice of bioinformatic method mainly affected the efficiency of pathogen identification, but not the sensitivity of detection. Identification of pathogens require multiple filtering steps including read distribution, sequence diversity and complementary verification of pathogen reads.