Abstract Metagenomic assembly enables novel organism discovery from microbial communities, but from most metagenomes it can only capture few abundant organisms. Here, we present a method - MetaPhlAn 4 - to integrate information from both metagenome assemblies and microbial isolate genomes for improved and more comprehensive metagenomic taxonomic profiling. From a curated collection of 1.01M prokaryotic reference and metagenome-assembled genomes, we defined unique marker genes for 26,970 species-level genome bins, 4,992 of them taxonomically unidentified at the species level. MetaPhlAn 4 explains ∼20% more reads in most international human gut microbiomes and >40% in less-characterized environments such as the rumen microbiome, and proved more accurate than available alternatives on synthetic evaluations while also reliably quantifying organisms with no cultured isolates. Application of the method to >24,500 metagenomes highlighted previously undetected species to be strong biomarkers for host conditions and lifestyles in human and mice microbiomes, and showed that even previously uncharacterized species can be genetically profiled at the resolution of single microbial strains. MetaPhlAn 4 thus integrates the novelty of metagenomic assemblies with the sensitivity and fidelity of reference-based analyses, providing efficient metagenomic profiling of uncharacterized species and enabling deeper and more comprehensive microbiome biomarker detection.

Abstract Microbial community studies in general, and of the human microbiome in inflammatory bowel disease (IBD) in particular, have now achieved a scale at which it is practical to associate features of the microbiome with environmental exposures and health outcomes across multiple large-scale populations. This permits the development of rigorous meta-analysis methods, of particular importance in IBD as a means by which the heterogeneity of disease etiology and treatment response might be explained. We have thus developed MMUPHin (Meta-analysis Methods with a Uniform Pipeline for Heterogeneity in microbiome studies) for joint normalization, meta-analysis, and population structure discovery using microbial community taxonomic and functional profiles. Applying this method to ten IBD cohorts (5,151 total samples), we identified a single consistent axis of microbial associations among studies, including newly associated taxa such as Acinetobacter and Turicibacter detected due to the sensitivity of meta-analysis. Linear random effects models further revealed associations with medications, disease location, and interaction effects consistent within and between studies. Finally, multiple unsupervised clustering metrics and dissimilarity measures agreed on a lack of discrete microbiome “types” in the IBD gut microbiome. These results thus provide a benchmark for consistent characterization of the IBD gut microbiome and a general framework applicable to meta-analysis of any microbial community types.

Abstract Background Human microbiome research is a growing field with the potential for improving our understanding and treatment of diseases and other conditions. The field is interdisciplinary, making concise organization and reporting of results across different styles of epidemiology, biology, bioinformatics, translational medicine, and statistics a challenge. Commonly used reporting guidelines for observational or genetic epidemiology studies lack key features specific to microbiome studies. Methods A multidisciplinary group of microbiome epidemiology researchers reviewed elements of available reporting guidelines for observational and genetic studies and adapted these for application to culture-independent human microbiome studies. New reporting elements were developed for laboratory, bioinformatic, and statistical analyses tailored to microbiome studies, and other parts of these checklists were streamlined to keep reporting manageable. Results STORMS is a 17-item checklist for reporting on human microbiome studies, organized into six sections covering typical sections of a scientific publication, presented as a table with space for author-provided details and intended for inclusion in supplementary materials. Conclusions STORMS provides guidance for authors and standardization for interdisciplinary microbiome studies, facilitating complete and concise reporting and augments information extraction for downstream applications. Availability The STORMS checklist is available as a versioned spreadsheet from https://www.stormsmicrobiome.org/ .

Abstract Prevotella copri is a common inhabitant of the human gut. Interest in P. copri has gathered pace due to conflicting reports on whether it is beneficial or detrimental to health. In a cross-continent meta-analysis exploiting >6,500 available metagenomes supported by new isolate sequencing and recovery of high-quality genomes from metagenomes, we obtained >1,000 P. copri genomes. This 100-fold increase over existing isolate genomes allowed the genetic and global population structure of P. copri to be explored at an unprecedented depth. We demonstrate P. copri is not a monotypic species, but encompasses four distinct clades (>10% inter-clade vs. <4% intra-clade average single nucleotide variants) for which we propose the name P. copri complex, comprising clades A, B, C and D. We show the complex is near ubiquitous in non-Westernised populations (95.4% versus 29.6% in Westernised populations), where all four clades are typically co-present within an individual (61.6% of the cases), in contrast to Westernised populations (4.6%). Genomic analysis of the complex reveals substantial and complementary functional diversity, including the potential for utilisation of complex carbohydrates, suggestive that multi-generational dietary modifications may be a driver for the reduced P. copri prevalence in Westernised populations. Analysis of ancient stool microbiomes highlights a similar pattern of P. copri presence consistent with modern non-Westernised populations, allowing us to estimate the time of clade delineation to pre-date human migratory waves out of Africa. Our analysis reveals P. copri to be far more diverse than previously appreciated and this diversity appears to be underrepresented in Western-lifestyle populations.

The gastrointestinal tract, its resident microorganisms, and the central nervous system are connected by biochemical signaling, also known as "microbiome-gut-brain-axis." Both the human brain and the gut microbiome have critical developmental windows in the first years of life, raising the possibility that their development is co-occurring and likely co-dependent. Emerging evidence implicates gut microorganisms and microbiota composition in cognitive outcomes and neurodevelopmental disorders (e.g., autism and anxiety), but the influence of gut microbial metabolism on typical neurodevelopment has not been explored in detail. We investigated the relationship of the microbiome with the neuroanatomy and cognitive function of 361 healthy children, demonstrating that differences in gut microbial taxa and gene functions are associated with overall cognitive function and with differences in the size of multiple brain regions. Using a combination of multivariate linear and machine learning (ML) models, we showed that many species, including Gordonibacter pamelae and Blautia wexlerae, were significantly associated with higher cognitive function, while some species such as Ruminococcus gnavus were more commonly found in children with low cognitive scores after controlling for sociodemographic factors. Microbial genes for enzymes involved in the metabolism of neuroactive compounds, particularly short-chain fatty acids such as acetate and propionate, were also associated with cognitive function. In addition, ML models were able to use microbial taxa to predict the volume of brain regions, and many taxa that were identified as important in predicting cognitive function also dominated the feature importance metric for individual brain regions. For example, B. wexlerae was the most important species in models predicting the size of the parahippocampal region in both the left and right hemispheres, while several species from the phylum Bacteroidetes, including GABA-producing B. ovatus, were important for predicting the size of the left accumbens area, but not the right. These findings provide potential biomarkers of neurocognition and brain development and may lead to the future development of targets for early detection and early intervention.

Abstract Modern biological screens yield enormous numbers of measurements, and identifying and interpreting statistically significant associations among features is essential. Here, we present a novel hierarchical framework, HAllA (Hierarchical All-against-All association testing), for structured association discovery between paired high-dimensional datasets. HAllA efficiently integrates hierarchical hypothesis testing with false discovery rate correction to reveal significant linear and non-linear block-wise relationships among continuous and/or categorical data. We optimized and evaluated HAllA using heterogeneous synthetic datasets of known association structure, where HAllA outperformed all-against-all and other block testing approaches across a range of common similarity measures. We then applied HAllA to a series of real-world multi-omics datasets, revealing new associations between gene expression and host immune activity, the microbiome and host transcriptome, metabolomic profiling, and human health phenotypes. An open-source implementation of HAllA is freely available at http://huttenhower.sph.harvard.edu/halla along with documentation, demo datasets, and a user group. Author Summary Modern scientific datasets increasingly include multiple measurements of many complementary data types. Here, we present HAllA, a method and implementation that overcomes the statistical challenges presented by data of this type by using feature similarity within each dataset to find statistically significant groups of features between them. We applied HAllA to simulated and real datasets, showing that HAllA outperformed existing procedures and identified compelling biological relationships. HAllA is widely applicable to diverse data structures and presents the user with grouped results that are easier to interpret than traditional methods.

Abstract Lateral gene transfer (LGT) is an important mechanism for genome diversification in microbial populations, including the human microbiome. While prior work has surveyed LGT events in human-associated microbial isolate genomes, the scope and dynamics of novel LGT events arising in personal microbiomes are not well understood, as there are no widely adopted computational methods to detect, quantify, and characterize LGT from complex microbial communities. We addressed this by developing, benchmarking, and experimentally validating a computational method (WAAFLE) to profile novel LGT events from assembled metagenomes. Applying WAAFLE to >2K human metagenomes from diverse body sites, we identified >100K putative high-confidence but previously uncharacterized LGT events (∼2 per assembled microbial genome-equivalent). These events were enriched for mobile elements (as expected), as well as restriction-modification and transport functions typically associated with the destruction of foreign DNA. LGT frequency was quantifiably influenced by biogeography, the phylogenetic similarity of the involved taxa, and the ecological abundance of the donor taxon. These forces manifest as LGT networks in which hub species abundant in a community type donate unequally with their close phylogenetic neighbors. Our findings suggest that LGT may be a more ubiquitous process in the human microbiome than previously described. The open-source WAAFLE implementation, documentation, and data from this work are available at http://huttenhower.sph.harvard.edu/waafle .

SUMMARY Bile acids act as signaling molecules that regulate immune homeostasis, including the differentiation of CD4 + T cells into distinct T cell subsets. The bile acid metabolite isoallolithocholic acid (isoalloLCA) enhances the differentiation of anti-inflammatory regulatory T cells (Treg cells) by facilitating the formation of a permissive chromatin structure in the promoter region of the transcription factor forkhead box P3 ( Foxp3 ). Here, we identify gut bacteria that synthesize isoalloLCA from 3-oxolithocholic acid and uncover a gene cluster responsible for the conversion in members of the abundant human gut bacterial phylum Bacteroidetes. We also show that the nuclear hormone receptor NR4A1 is required for the effect of isoalloLCA on Treg cells. Moreover, the levels of isoalloLCA and its biosynthetic genes are significantly reduced in patients with inflammatory bowel diseases, suggesting that isoalloLCA and its bacterial producers may play a critical role in maintaining immune homeostasis in humans.

Abstract Many methods have been developed for statistical analysis of microbial community profiles, but due to the complex nature of typical microbiome measurements (e.g. sparsity, zero-inflation, nonindependence, and compositionality) and of the associated underlying biology, it is difficult to compare or evaluate such methods within a single systematic framework. To address this challenge, we developed SparseDOSSA (Sparse Data Observations for the Simulation of Synthetic Abundances): a statistical model of microbial ecological population structure, which can be used to parameterize real-world microbial community profiles and to simulate new, realistic profiles of known structure for methods evaluation. Specifically, SparseDOSSA’s model captures marginal microbial feature abundances as a zero-inflated log-normal distribution, with additional model components for absolute cell counts and the sequence read generation process, microbemicrobe, and microbe-environment interactions. Together, these allow fully known covariance structure between synthetic features (i.e. “taxa”) or between features and “phenotypes” to be simulated for method benchmarking. Here, we demonstrate SparseDOSSA’s performance for 1) accurately modeling human-associated microbial population profiles; 2) generating synthetic communities with controlled population and ecological structures; 3) spiking-in true positive synthetic associations to benchmark analysis methods; and 4) recapitulating an end-to-end mouse microbiome feeding experiment. Together, these represent the most common analysis types in assessment of real microbial community environmental and epidemiological statistics, thus demonstrating SparseDOSSA’s utility as a general-purpose aid for modeling communities and evaluating quantitative methods. An open-source implementation is available at http://huttenhower.sph.harvard.edu/sparsedossa2 .

The growth of antimicrobial resistance (AMR) highlights an urgent need to identify bacterial pathogenic functions that may be targets for clinical intervention. Although severe infections profoundly alter host metabolism, prior studies have largely ignored microbial metabolism in this context. Here, we describe an iterative, comparative metabolomics pipeline to uncover microbial metabolic features in the complex setting of a host and apply it to investigate gram-negative bloodstream infection (BSI) in patients. We find elevated levels of bacterially derived acetylated polyamines during BSI and discover the enzyme responsible for their production (SpeG). Blocking SpeG activity reduces bacterial proliferation and slows pathogenesis. Reduction of SpeG activity also enhances bacterial membrane permeability and increases intracellular antibiotic accumulation, allowing us to overcome AMR in culture and in vivo. This study highlights how tools to study pathogen metabolism in the natural context of infection can reveal and prioritize therapeutic strategies for addressing challenging infections.