اكتشاف الببتيدات المضادة للميكروبات في الميكروبيوم العالمي باستخدام التعلم الآلي

ملخص رسومي

أهم النقاط

• توقع التعلم الآلي ما يقرب من مليون مضاد حيوي جديد في الميكروبيوم العالمي
• خارج من تم اختبار 79 ببتيدًا نشطًا في المختبر؛ 63 من هذه الببتيدات استهدفت مسببات الأمراض.
• بعض الببتيدات قد تنشأ من تسلسلات أطول من خلال تجزئة الجينوم
• AMPSphere هو مورد مفتوح الوصول لتسريع اكتشاف المضادات الحيوية

المؤلفون

المراسلات

باختصار

اكتشاف الببتيدات المضادة للميكروبات في الميكروبيوم العالمي باستخدام التعلم الآلي

مقدمة

النتائج

تتكون AMPSphere من ما يقرب من مليون c_AMPs من عدة موائل

الشكل 1. يتكون AMPSphere من AMPs غير الزائدة من آلاف الميتاجينومات وجينومات ميكروبية عالية الجودة (A) لبناء AMPSphere، قمنا أولاً بتجميع 63,410 ميتاجينوم متاح للجمهور من موائل متنوعة. نسخة معدلة من Prodigal، التي يمكن أن تتنبأ أيضًا بـ smORFs ( )، تم استخدامه للتنبؤ بالجينات على الكنتيجات الميتاجنومية الناتجة وكذلك على 87,920 جينوم ميكروبي من ProGenomes ماكرل تم تطبيقه على تنبأت smORFs للحصول على 863,498 c_AMPs غير متكررة (انظر أيضًا الشكل S1). ثم تم تجميع c_AMPs بشكل هرمي في أبجدية أحماض أمينية مختزلة باستخدام ، و حدود الهوية. لقد لاحظنا 118,051 مجموعة غير فردية في من الهوية، واعتُبرت 8,788 منها عائلات ( c_AMPs).
(ب) فقط لـ c_AMPs لها نظائر قابلة للاكتشاف في قواعد بيانات البروتينات الصغيرة الأخرى (SmProt 2، STsORFs قاعدة بيانات الببتيدات النشطة حيوياً (DRAMP الإصدار 3.0، starPepDB ) ومجموعات بيانات البروتين العامة (GMGCv1 ; انظر أيضًا الشكل S2B). كما هو موضح عدد المتجانسات في AMPSphere في كل قاعدة بيانات بالإضافة إلى الإجمالي. يتم أيضًا عرض عدد المتجانسات التي اجتازت جميع اختبارات الجودة لدينا بغض النظر عن الأدلة التجريبية للترجمة/النسخ، بالإضافة إلى النسبة التي تمثلها من المتجانسات المحددة. لاحظ أن بعض الببتيدات لديها متجانسات في قواعد بيانات متعددة وبالتالي فإن العدد الإجمالي ليس مجموع قواعد البيانات الفردية.
(C) تظهر منحنيات التخفيف كيف يؤثر أخذ العينات على اكتشاف AMP، حيث تقدم معظم المواطن منحنيات أخذ عينات حادة.
(د) مشاركة c_AMPs بين المواطن محدودة. عرض الأشرطة يمثل نسبة c_AMPs المشتركة في المواطن على اليسار. انظر أيضًا الأشكال S2C و S2D والجداول S1 و S2.

أ

ب

c_AMPs نادرة ومحددة الموائل

تولد الطفرات في الجينات الأكبر c_AMPs ككيانات جينومية مستقلة

أ

الترجمة، هيكل الريبوسوم، والتكوين الحيوي

قد تنشأ جينات c_AMP بعد أحداث تكرار الجينات

معظم c_AMPs هي أعضاء في الجينوم المساعد

الأنواع الأكثر قابلية للنقل لديها كثافة c_AMP أقل

الشكل 4. يظهر سياق الجينوم لـ c_AMPs تفضيلًا للأحياء المجاورة التي تحتوي على بروتينات تجميع الريبوسوم
(أ) مقارنةً بالبروتينات الأخرى، تميل c_AMPs في الهياكل الجينومية المحفوظة إلى أن تكون أقرب إلى الجينات المتعلقة بآلية الريبوسوم من عائلات البروتينات ذات الأحجام المختلفة (جميع البروتينات ذات الطول الصغير و الأحماض الأمينية).
(ب) نسبة c_AMPs في سياق الجينوم الذي يتضمن جينات مقاومة المضادات الحيوية أقل من تلك الموجودة في عائلات الجينات الأخرى.
(ج) نسبة c_AMPs في الأحياء المجاورة مع جينات مرتبطة بتخليق المضادات الحيوية صغيرة جدًا ( ).
(د) يظهر السياق الجينومي المحفوظ للجين الذي يشفر AMP10.015_426 في جينومات مختلفة (الشجرة على اليسار توضح العلاقة التطورية للجينات المتجانسة له). هذا c_AMP متجانس مع البروتين الريبوسومي rpsH ويجد في سياق rpsH وجينات البروتينات الريبوسومية الأخرى. انظر أيضًا الجدول S4.

الخصائص الفيزيائية والكيميائية والبنية الثانوية لـ AMPs

الشكل 5. يعتمد تنوع AMP في قاعدة بيانات AMPSphere على التصنيف
(أ) تظهر النسب المئوية لـ AMPs (أو عائلات AMP) التي هي مساعدة (موجودة في من الجينومات من نفس الأنواع)، قشرة ( )، أو جوهر ( ).
(ب) توزيع أدنى مستوى تصنيفي تم توضيح c_AMPs فيه. بالتفصيل (اليمين) الأجناس العشرة الأولى التي تحتوي على أكبر عدد من c_AMPs المدرجة في AMPSphere. تساهم الأجناس المرتبطة بالحيوانات (مثل Prevotella وFaecalibacterium وCAG-110) بأكبر عدد من c_AMPs، مما يعكس على الأرجح أخذ العينات البيانية.
(ج) باستخدام لكل جنس (محسوبة مع c_AMPs في AMPSphere)، لاحظنا توزيع c_AMPs لكل شعبة، مع Bacillota A كأكثرها كثافة (عدد العينات المستخدمة لبناء الرسم البياني موضح فوق كل مربع).
(د) يظهر تصنيف الأنواع المكتشفة في AMPSphere باستخدام GTDB شجرة المرجع. تظهر الأشرطة الرمادية التوزيع بالنسبة للتصنيف، مع الأشرطة السوداء التي تمثل فترة الثقة لـ . باسيليوتا A، أكتينوميسيتوتا، وبسودومونادوتا هي الأكثر كثافة في c_AMPs. كمرجع، الوسيط لـ للنباتات المقدمة يتم الإشارة إليها بخط متقطع باللون الأرجواني.

تحقق من فعالية c_AMPs كمضادات ميكروبية قوية من خلال اختبارات في المختبر

الشكل 6. تركيبة الأحماض الأمينية، الهيكل، النشاط المضاد للميكروبات، وآلية العمل لـ c_AMPs
(أ) تكرار الأحماض الأمينية في c_AMPs من AMPSphere، AMPs من قواعد البيانات (DRAMP الإصدار 3، APD3، و DBAASP ) ، والببتيدات المشفرة (EPs) من البروتينات البشرية.
(ب) خريطة حرارية مع النسبة المئوية للهيكل الثانوي الموجود لكل ببتيد في ثلاثة مذيبات مختلفة: الماء، ثلاثي فلورو إيثانول (TFE) في الماء، و الميثانول (MeOH) في الماء. تم حساب الهيكل الثانوي باستخدام خادم BeStSel.
(ج) تم تقييم نشاط c_AMPs ضد مسببات الأمراض ESKAPEE وسلالات البكتيريا المعوية البشرية. باختصار، تم تعريضه لـ c_AMPs بتخفيف متسلسل بمعدل 2 ضعف يتراوح من 64 إلى في أطباق 96 -بئر وتم تحضينها في لمدة يوم واحد. بعد فترة التعرض، تم قياس امتصاص كل بئر عند 600 نانومتر. تم استخدام المحاليل غير المعالجة كضوابط، وتم تقديم قيم التركيز الأدنى للحد من النشاط بشكل كامل كخريطة حرارية للأنشطة المضادة للميكروبات. ) ضد 11 سلالة بكتيرية ممرضة وثمانية سلالات بكتيرية متعايشة في الأمعاء البشرية. تم إجراء جميع الاختبارات في ثلاث تكرارات مستقلة، وتظهر خريطة الحرارة الوضع الذي تم الحصول عليه ضمن نطاق تركيز التخفيف بمقدار 2 ضعف المدروس. إيجابية الغرام وسالبة الجرام تشير البكتيريا إلى ذلك (أعلى).

تعيق c_AMPs نمو الكائنات الحية الدقيقة المعوية البشرية.

اختراق وإزالة الاستقطاب للغشاء البكتيري بواسطة c_AMPs من AMPSphere

تظهر AMP فعالية مضادة للعدوى في نموذج الفأر

الشكل 7. النشاط المضاد للعدوى للببتيدات المضادة للميكروبات في نموذج حيواني قبل السريري
(أ) مخطط نموذج خراج الجلد في الفئران المستخدم لتقييم النشاط المضاد للعدوى للببتيدات ضد خلايا A. baumannii.
(ب) تم اختبار الببتيدات عند تركيزها المثبط الأدنى في جرعة واحدة بعد ساعتين من بدء العدوى. كانت كل مجموعة تتكون من ثلاثة فئران. )، وكانت الأحمال البكتيرية المستخدمة لإصابة كل فأر مستمدة من مصدر مختلف.
(ج) لاستبعاد التأثيرات السامة للببتيدات، تم مراقبة وزن الفئران طوال التجربة.
تم تحديد الدلالة الإحصائية في (B) باستخدام تحليل التباين الأحادي حيث تم مقارنة جميع المجموعات مع مجموعة التحكم غير المعالجة؛ تُظهر القيم لكل مجموعة. تمثل الميزات في مخططات الكمان الوسيط والربعين العلوي والسفلي. البيانات في (C) هي المتوسط. الانحراف المعياري. الشكل تم إنشاؤه في BioRender.com.

نقاش

قيود الدراسة

طرق النجوم

• جدول الموارد الرئيسية
• توافر الموارد
• جهة الاتصال الرئيسية
• توفر المواد
• توفر البيانات والشيفرة
• تفاصيل النموذج التجريبي وشارك الدراسة
• سلالات البكتيريا وظروف النمو
• نموذج الفأر لعدوى خراج الجلد
• تفاصيل الطريقة
• اختيار الجينومات الميكروبية (الميتاجينومية)
• قص و تجميع القراءات
• تنبؤ smORF و AMP
• تجميع عائلات AMP
• مراقبة جودة c_AMPs
• منحنيات تراكم c_AMPs المستندة إلى العينة
• cAMPs متعددة المواطن ونادرة

• التكميم والتحليل الإحصائي
• موارد إضافية

معلومات إضافية

شكر وتقدير

مساهمات المؤلفين

إعلان المصالح

REFERENCES

1. de la Fuente-Nunez, C., Torres, M.D., Mojica, F.J., and Lu, T.K. (2017). Next-generation precision antimicrobials: towards personalized treatment of infectious diseases. Curr. Opin. Microbiol. 37, 95-102. https:// doi.org/10.1016/j.mib.2017.05.014.
2. Antimicrobial Resistance Collaborators (2022). Global burden of bacterial antimicrobial resistance in 2019: a systematic analysis. Lancet 399, 629-655. https://doi.org/10.1016/S0140-6736(21)02724-0.
3. Stokes, J.M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N.M., MacNair, C.R., French, S., Carfrae, L.A., Bloom-Ackermann, Z., et al. (2020). A Deep Learning Approach to Antibiotic Discovery. Cell 180, 688-702.e13. https://doi.org/10.1016/j.cell.2020.01.021.
4. Torres, M.D.T., Melo, M.C.R., Flowers, L., Crescenzi, O., Notomista, E., and de la Fuente-Nunez, C. (2022). Mining for encrypted peptide antibiotics in the human proteome. Nat. Biomed. Eng. 6, 67-75. https://doi. org/10.1038/s41551-021-00801-1.
5. Porto, W.F., Irazazabal, L., Alves, E.S.F., Ribeiro, S.M., Matos, C.O., Pires, Á.S., Fensterseifer, I.C.M., Miranda, V.J., Haney, E.F., Humblot, V., et al. (2018). In silico optimization of a guava antimicrobial peptide enables combinatorial exploration for peptide design. Nat. Commun. 9, 1490. https://doi.org/10.1038/s41467-018-03746-3.
6. Ma, Y., Guo, Z., Xia, B., Zhang, Y., Liu, X., Yu, Y., Tang, N., Tong, X., Wang, M., Ye, X., et al. (2022). Identification of antimicrobial peptides from the human gut microbiome using deep learning. Nat. Biotechnol. 40, 921-931. https://doi.org/10.1038/s41587-022-01226-0.
7. Wong, F., de la Fuente-Nunez, C., and Collins, J.J. (2023). Leveraging artificial intelligence in the fight against infectious diseases. Science 381, 164-170. https://doi.org/10.1126/science.adh1114.
8. Cesaro, A., Bagheri, M., Torres, M., Wan, F., and de la Fuente-Nunez, C. (2023). Deep learning tools to accelerate antibiotic discovery. Expert Opin. Drug Discov. 18, 1245-1257. https://doi.org/10.1080/17460441. 2023.2250721.
9. Torres, M.D.T., and de la Fuente-Nunez, C. (2019). Toward computermade artificial antibiotics. Curr. Opin. Microbiol. 51, 30-38. https://doi. org/10.1016/j.mib.2019.03.004.
10. Maasch, J.R.M.A., Torres, M.D.T., Melo, M.C.R., and de la Fuente-Nunez, C. (2023). Molecular de-extinction of ancient antimicrobial peptides enabled by machine learning. Cell Host Microbe 31, 1260-1274.e6. https://doi.org/10.1016/j.chom.2023.07.001.
11. Besse, A., Vandervennet, M., Goulard, C., Peduzzi, J., Isaac, S., Rebuffat, S., and Carré-Mlouka, A. (2017). Halocin C8: an antimicrobial peptide
    distributed among four halophilic archaeal genera: Natrinema, Haloterrigena, Haloferax, and Halobacterium. Extremophiles 21, 623-638. https://doi.org/10.1007/s00792-017-0931-5.
12. Cotter, P.D., Ross, R.P., and Hill, C. (2013). Bacteriocins – a viable alternative to antibiotics? Nat. Rev. Microbiol. 11, 95-105. https://doi.org/10. 1038/nrmicro2937.
13. Wang, S., Zheng, Z., Zou, H., Li, N., and Wu, M. (2019). Characterization of the secondary metabolite biosynthetic gene clusters in archaea. Comput. Biol. Chem. 78, 165-169. https://doi.org/10.1016/j.compbiolchem. 2018.11.019.
14. Zasloff, M. (2019). Antimicrobial Peptides of Multicellular Organisms: My Perspective. In Antimicrobial Peptides: Basics for Clinical Application, K. Matsuzaki, ed. (Springer Singapore), pp. 3-6. https://doi.org/10.1007/ 978-981-13-3588-4_1.
15. Huang, K.-Y., Chang, T.-H., Jhong, J.-H., Chi, Y.-H., Li, W.-C., Chan, C.L., Robert Lai, K., and Lee, T.-Y. (2017). Identification of natural antimicrobial peptides from bacteria through metagenomic and metatranscriptomic analysis of high-throughput transcriptome data of Taiwanese oolong teas. BMC Syst. Biol. 11, 131. https://doi.org/10.1186/s12918-017-0503-4.
16. Torres, M.D.T., Sothiselvam, S., Lu, T.K., and de la Fuente-Nunez, C. (2019). Peptide Design Principles for Antimicrobial Applications. J. Mol. Biol. 431, 3547-3567. https://doi.org/10.1016/j.jmb.2018.12.015.
17. Pizzo, E., Cafaro, V., Di Donato, A., and Notomista, E. (2018). Cryptic Antimicrobial Peptides: Identification Methods and Current Knowledge of their Immunomodulatory Properties. Curr. Pharm. Des. 24, 10541066. https://doi.org/10.2174/1381612824666180327165012.
18. Nolan, E.M., and Walsh, C.T. (2009). How nature morphs peptide scaffolds into antibiotics. Chembiochem 10, 34-53. https://doi.org/10.1002/ cbic. 200800438.
19. Singh, N., and Abraham, J. (2014). Ribosomally synthesized peptides from natural sources. J. Antibiot. 67, 277-289. https://doi.org/10.1038/ ja.2013.138.
20. García-Bayona, L., and Comstock, L.E. (2018). Bacterial antagonism in host-associated microbial communities. Science 361, eaat2456. https://doi.org/10.1126/science.aat2456.
21. Anderson, M.C., Vonaesch, P., Saffarian, A., Marteyn, B.S., and Sansonetti, P.J. (2017). Shigella sonnei encodes a functional T6SS used for interbacterial competition and niche occupancy. Cell Host Microbe 21, 769-776.e3. https://doi.org/10.1016/j.chom.2017.05.004.
22. Krismer, B., Weidenmaier, C., Zipperer, A., and Peschel, A. (2017). The commensal lifestyle of Staphylococcus aureus and its interactions with the nasal microbiota. Nat. Rev. Microbiol. 15, 675-687. https://doi.org/ 10.1038/nrmicro.2017.104.
23. Zhao, W., Caro, F., Robins, W., and Mekalanos, J.J. (2018). Antagonism toward the intestinal microbiota and its effect on Vibrio cholerae virulence. Science 359, 210-213. https://doi.org/10.1126/science.aap8775.
24. Quereda, J.J., Nahori, M.A., Meza-Torres, J., Sachse, M., Titos-Jiménez, P., Gomez-Laguna, J., Dussurget, O., Cossart, P., and Pizarro-Cerdá, J. (2017). Listeriolysin S is a streptolysin s-like virulence factor that targets exclusively prokaryotic cells in vivo. mBio 8, e00259-17. https://doi.org/ .
25. Quereda, J.J., Dussurget, O., Nahori, M.A., Ghozlane, A., Volant, S., Dillies, M.A., Regnault, B., Kennedy, S., Mondot, S., Villoing, B., et al. (2016). Bacteriocin from epidemic Listeria strains alters the host intestinal microbiota to favor infection. Proc. Natl. Acad. Sci. USA 113, 5706-5711. https://doi.org/10.1073/pnas.1523899113.
26. Gomes, B., Augusto, M.T., Felício, M.R., Hollmann, A., Franco, O.L., Gonçalves, S., and Santos, N.C. (2018). Designing improved active peptides for therapeutic approaches against infectious diseases. Biotechnol. Adv. 36, 415-429. https://doi.org/10.1016/j.biotechadv.2018.01.004.
27. Lesiuk, M., Paduszyńska, M., and Greber, K.E. (2022). Synthetic Antimicrobial Immunomodulatory Peptides: Ongoing Studies and Clinical Tri-
    als. Antibiotics (Basel) 11, 1062. https://doi.org/10.3390/antibiotics 11081062.
28. Mahlapuu, M., Håkansson, J., Ringstad, L., and Björn, C. (2016). Antimicrobial Peptides: An Emerging Category of Therapeutic Agents. Front. Cell. Infect. Microbiol. 6, 235805.
29. Baquero, F., Lanza, V.F., Baquero, M.R., Del Campo, R., and Bravo-Vázquez, D.A. (2019). Microcins in Enterobacteriaceae: peptide antimicrobials in the eco-active intestinal chemosphere. Front. Microbiol. 10, 2261. https://doi.org/10.3389/fmicb.2019.02261.
30. Kim, S.G., Becattini, S., Moody, T.U., Shliaha, P.V., Littmann, E.R., Seok, R., Gjonbalaj, M., Eaton, V., Fontana, E., Amoretti, L., et al. (2019). Micro-biota-derived lantibiotic restores resistance against vancomycin-resistant Enterococcus. Nature 572, 665-669. https://doi.org/10.1038/ s41586-019-1501-z.
31. Nakatsuji, T., Hata, T.R., Tong, Y., Cheng, J.Y., Shafiq, F., Butcher, A.M., Salem, S.S., Brinton, S.L., Rudman Spergel, A.K., Johnson, K., et al. (2021). Development of a human skin commensal microbe for bacteriotherapy of atopic dermatitis and use in a phase 1 randomized clinical trial. Nat. Med. 27, 700-709. https://doi.org/10.1038/s41591-021-01256-2.
32. Spohn, R., Daruka, L., Lázár, V., Martins, A., Vidovics, F., Grézal, G., Méhi, O., Kintses, B., Számel, M., Jangir, P.K., et al. (2019). Integrated evolutionary analysis reveals antimicrobial peptides with limited resistance. Nat. Commun. 10, 4538. https://doi.org/10.1038/s41467-019-12364-6.
33. Cesaro, A., Torres, M.D.T., Gaglione, R., Dell’Olmo, E., Di Girolamo, R., Bosso, A., Pizzo, E., Haagsman, H.P., Veldhuizen, E.J.A., de la FuenteNunez, C., and Arciello, A. (2022). Synthetic Antibiotic Derived from Sequences Encrypted in a Protein from Human Plasma. ACS Nano 16, 1880-1895. https://doi.org/10.1021/acsnano.1c04496.
34. Hyatt, D., Chen, G.-L., LoCascio, P.F., Land, M.L., Larimer, F.W., and Hauser, L.J. (2010). Prodigal: prokaryotic gene recognition and translation initiation site identification. BMC Bioinf. 11, 119. https://doi.org/10. 1186/1471-2105-11-119.
35. Ahrens, C.H., Wade, J.T., Champion, M.M., and Langer, J.D. (2022). A Practical Guide to Small Protein Discovery and Characterization Using Mass Spectrometry. J. Bacteriol. 204, e0035321. https://doi.org/10. 1128/JB.00353-21.
36. Storz, G., Wolf, Y.I., and Ramamurthi, K.S. (2014). Small Proteins Can No Longer Be Ignored. Annu. Rev. Biochem. 83, 753-777. https://doi.org/ 10.1146/annurev-biochem-070611-102400.
37. Su, M., Ling, Y., Yu, J., Wu, J., and Xiao, J. (2013). Small proteins: untapped area of potential biological importance. Front. Genet. 4, 286. https://doi.org/10.3389/fgene.2013.00286.
38. Sberro, H., Fremin, B.J., Zlitni, S., Edfors, F., Greenfield, N., Snyder, M.P., Pavlopoulos, G.A., Kyrpides, N.C., and Bhatt, A.S. (2019). LargeScale Analyses of Human Microbiomes Reveal Thousands of Small, Novel Genes. Cell 178, 1245-1259.e14. https://doi.org/10.1016/j.cell. 2019.07.016.
39. Donia, M.S., Cimermancic, P., Schulze, C.J., Wieland Brown, L.C., Martin, J., Mitreva, M., Clardy, J., Linington, R.G., and Fischbach, M.A. (2014). A systematic analysis of biosynthetic gene clusters in the human microbiome reveals a common family of antibiotics. Cell 158, 1402-1414. https://doi.org/10.1016/j.cell.2014.08.032.
40. Fingerhut, L.C.H.W., Miller, D.J., Strugnell, J.M., Daly, N.L., and Cooke, I.R. (2021). ampir: an package for fast genome-wide prediction of antimicrobial peptides. Bioinformatics 36, 5262-5263. https://doi.org/10. 1093/bioinformatics/btaa653.
41. Sugimoto, Y., Camacho, F.R., Wang, S., Chankhamjon, P., Odabas, A., Biswas, A., Jeffrey, P.D., and Donia, M.S. (2019). A metagenomic strategy for harnessing the chemical repertoire of the human microbiome. Science 366, eaax9176. https://doi.org/10.1126/science.aax9176.
42. Santos-Júnior, C.D., Pan, S., Zhao, X.-M., and Coelho, L.P. (2020). Macrel: antimicrobial peptide screening in genomes and metagenomes. PeerJ 8, e10555. https://doi.org/10.7717/peerj. 10555.
43. Mende, D.R., Letunic, I., Maistrenko, O.M., Schmidt, T.S.B., Milanese, A., Paoli, L., Hernández-Plaza, A., Orakov, A.N., Forslund, S.K., Sunagawa, S., et al. (2020). proGenomes2: an improved database for accurate and consistent habitat, taxonomic and functional annotations of prokaryotic genomes. Nucleic Acids Res. 48, D621-D625. https://doi.org/10. 1093/nar/gkz1002.
44. Navidinia, M. (2016). The clinical importance of emerging ESKAPE pathogens in nosocomial infections. Archives of Advances in Biosciences 7, 43-57. https://doi.org/10.22037/jps.v7i3.12584.
45. Mulani, M.S., Kamble, E.E., Kumkar, S.N., Tawre, M.S., and Pardesi, K.R. (2019). Emerging Strategies to Combat ESKAPE Pathogens in the Era of Antimicrobial Resistance: A Review. Front. Microbiol. 10, 539. https:// doi.org/10.3389/fmicb.2019.00539.
46. Shi, G., Kang, X., Dong, F., Liu, Y., Zhu, N., Hu, Y., Xu, H., Lao, X., and Zheng, H. (2022). DRAMP 3.0: an enhanced comprehensive data repository of antimicrobial peptides. Nucleic Acids Res. 50, D488-D496. https://doi.org/10.1093/nar/gkab651.
47. Zhang, L.-J., and Gallo, R.L. (2016). Antimicrobial peptides. Curr. Biol. 26, R14-R19. https://doi.org/10.1016/j.cub.2015.11.017.
48. Bhadra, P., Yan, J., Li, J., Fong, S., and Siu, S.W.I. (2018). AmPEP: Sequence-based prediction of antimicrobial peptides using distribution patterns of amino acid properties and random forest. Sci. Rep. 8, 1697. https://doi.org/10.1038/s41598-018-19752-w.
49. Hao, Y., Zhang, L., Niu, Y., Cai, T., Luo, J., He, S., Zhang, B., Zhang, D., Qin, Y., Yang, F., and Chen, R. (2018). SmProt: a database of small proteins encoded by annotated coding and non-coding RNA loci. Brief. Bioinform. 19, 636-643. https://doi.org/10.1093/bib/bbx005.
50. Venturini, E., Svensson, S.L., Maaß, S., Gelhausen, R., Eggenhofer, F., Li, L., Cain, A.K., Parkhill, J., Becher, D., Backofen, R., et al. (2020). A global data-driven census of Salmonella small proteins and their potential functions in bacterial virulence. microLife 1, uqaa002. https://doi.org/10. 1093/femsml/uqaa002.
51. Aguilera-Mendoza, L., Marrero-Ponce, Y., Beltran, J.A., Tellez Ibarra, R., Guillen-Ramirez, H.A., and Brizuela, C.A. (2019). Graph-based data integration from bioactive peptide databases of pharmaceutical interest: toward an organized collection enabling visual network analysis. Bioinformatics 35, 4739-4747. https://doi.org/10.1093/bioinformatics/btz260.
52. Coelho, L.P., Alves, R., Del Río, Á.R., Myers, P.N., Cantalapiedra, C.P., Giner-Lamia, J., Schmidt, T.S., Mende, D.R., Orakov, A., Letunic, I., et al. (2022). Towards the biogeography of prokaryotic genes. Nature 601, 252-256. https://doi.org/10.1038/s41586-021-04233-4.
53. Veltri, D., Kamath, U., and Shehu, A. (2018). Deep learning improves antimicrobial peptide recognition. Bioinformatics 34, 2740-2747. https://doi. org/10.1093/bioinformatics/bty179.
54. Lawrence, T.J., Carper, D.L., Spangler, M.K., Carrell, A.A., Rush, T.A., Minter, S.J., Weston, D.J., and Labbé, J.L. (2021). amPEPpy 1.0: a portable and accurate antimicrobial peptide prediction tool. Bioinformatics 37, 2058-2060. https://doi.org/10.1093/bioinformatics/btaa917.
55. Su, X., Xu, J., Yin, Y., Quan, X., and Zhang, H. (2019). Antimicrobial peptide identification using multi-scale convolutional network. BMC Bioinf. 20, 730. https://doi.org/10.1186/s12859-019-3327-y.
56. Lin, T.-T., Yang, L.-Y., Lu, I.-H., Cheng, W.-C., Hsu, Z.-R., Chen, S.-H., and Lin, C.-Y. (2021). Al4AMP: an Antimicrobial Peptide Predictor Using Physicochemical Property-Based Encoding Method and Deep Learning. mSystems 6, e0029921. https://doi.org/10.1128/mSystems.00299-21.
57. Li, C., Sutherland, D., Hammond, S.A., Yang, C., Taho, F., Bergman, L., Houston, S., Warren, R.L., Wong, T., Hoang, L.M.N., et al. (2022). AMPlify: attentive deep learning model for discovery of novel antimicrobial peptides effective against whom priority pathogens. BMC Genom. 23, 77. https://doi.org/10.1186/s12864-022-08310-4.
58. Murphy, L.R., Wallqvist, A., and Levy, R.M. (2000). Simplified amino acid alphabets for protein fold recognition and implications for folding. Protein Eng. 13, 149-152. https://doi.org/10.1093/protein/13.3.149.
59. Heintz-Buschart, A., May, P., Laczny, C.C., Lebrun, L.A., Bellora, C., Krishna, A., Wampach, L., Schneider, J.G., Hogan, A., de Beaufort, C., and Wilmes, P. (2016). Integrated multi-omics of the human gut microbiome in a case study of familial type 1 diabetes. Nat. Microbiol. 2, 16180. https://doi.org/10.1038/nmicrobiol.2016.180.
60. Huerta-Cepas, J., Szklarczyk, D., Heller, D., Hernández-Plaza, A., Forslund, S.K., Cook, H., Mende, D.R., Letunic, I., Rattei, T., Jensen, L.J., et al. (2019). eggNOG 5.0: a hierarchical, functionally and phylogenetically annotated orthology resource based on 5090 organisms and 2502 viruses. Nucleic Acids Res. 47, D309-D314. https://doi.org/10.1093/ nar/gky1085.
61. Rodríguez del Río, Á., Giner-Lamia, J., Cantalapiedra, C.P., Botas, J., Deng, Z., Hernández-Plaza, A., Munar-Palmer, M., Santamaría-Hernando, S., Rodríguez-Herva, J.J., Ruscheweyh, H.-J., et al. (2023). Functional and evolutionary significance of unknown genes from uncultivated taxa. Nature, 1-3. https://doi.org/10.1038/s41586-023-06955-z.
62. Hurtado-Rios, J.J., Carrasco-Navarro, U., Almanza-Pérez, J.C., and Ponce-Alquicira, E. (2022). Ribosomes: The New Role of Ribosomal Proteins as Natural Antimicrobials. Int. J. Mol. Sci. 23, 9123. https://doi.org/ 10.3390/ijms23169123.
63. Shoja, V., and Zhang, L. (2006). A Roadmap of Tandemly Arrayed Genes in the Genomes of Human, Mouse, and Rat. Mol. Biol. Evol. 23, 21342141. https://doi.org/10.1093/molbev/msl085.
64. Sukhodolets, V.V. (2006). Unequal crossing-over in Escherichia coli. Russ. J. Genet. 42, 1285-1293. https://doi.org/10.1134/S102279540611010X.
65. Kim, M.K., Kang, T.H., Kim, J., Kim, H., and Yun, H.D. (2012). Evidence Showing Duplication and Recombination of cel Genes in Tandem from Hyperthermophilic Thermotoga sp. Appl. Biochem. Biotechnol. 168, 1834-1848. https://doi.org/10.1007/s12010-012-9901-7.
66. Blaustein, R.A., McFarland, A.G., Ben Maamar, S., Lopez, A., CastroWallace, S., and Hartmann, E.M. (2019). Pangenomic Approach To Understanding Microbial Adaptations within a Model Built Environment, the International Space Station, Relative to Human Hosts and Soil. mSystems 4, e00281-18. https://doi.org/10.1128/mSystems.00281-18.
67. Collins, F.W.J., Mesa-Pereira, B., O’Connor, P.M., Rea, M.C., Hill, C., and Ross, R.P. (2018). Reincarnation of Bacteriocins From the Lactobacillus Pangenomic Graveyard. Front. Microbiol. 9, 1298. https://doi.org/ 10.3389/fmicb.2018.01298.
68. Parks, D.H., Rinke, C., Chuvochina, M., Chaumeil, P.-A., Woodcroft, B.J., Evans, P.N., Hugenholtz, P., and Tyson, G.W. (2017). Recovery of nearly 8,000 metagenome-assembled genomes substantially expands the tree of life. Nat. Microbiol. 2, 1533-1542. https://doi.org/10.1038/ s41564-017-0012-7.
69. Parks, D.H., Chuvochina, M., Chaumeil, P.-A., Rinke, C., Mussig, A.J., and Hugenholtz, P. (2020). A complete domain-to-species taxonomy for Bacteria and Archaea. Nat. Biotechnol. 38, 1079-1086. https://doi. org/10.1038/s41587-020-0501-8.
70. Simmons, W.L., Daubenspeck, J.M., Osborne, J.D., Balish, M.F., Waites, K.B., and Dybvig, K. (2013). Type 1 and type 2 strains of Mycoplasma pneumoniae form different biofilms. Microbiology (Read.) 159, 737-747. https://doi.org/10.1099/mic.0.064782-0.
71. Diaz, M.H., Desai, H.P., Morrison, S.S., Benitez, A.J., Wolff, B.J., Caravas, J., Read, T.D., Dean, D., and Winchell, J.M. (2017). Comprehensive bioinformatics analysis of Mycoplasma pneumoniae genomes to investigate underlying population structure and type-specific determinants. PLoS One 12, e0174701. https://doi.org/10.1371/journal.pone.0174701.
72. Valles-Colomer, M., Blanco-Míguez, A., Manghi, P., Asnicar, F., Dubois, L., Golzato, D., Armanini, F., Cumbo, F., Huang, K.D., Manara, S., et al. (2023). The person-to-person transmission landscape of the gut and oral microbiomes. Nature 614, 125-135. https://doi.org/10.1038/ s41586-022-05620-1.
73. Pirtskhalava, M., Amstrong, A.A., Grigolava, M., Chubinidze, M., Alimbarashvili, E., Vishnepolsky, B., Gabrielian, A., Rosenthal, A., Hurt, D.E., and Tartakovsky, M. (2021). DBAASP v3: database of antimicrobial/cytotoxic activity and structure of peptides as a resource for development of new therapeutics. Nucleic Acids Res. 49, D288-D297. https://doi.org/10.1093/nar/gkaa991.
74. Wang, G., Li, X., and Wang, Z. (2016). APD3: the antimicrobial peptide database as a tool for research and education. Nucleic Acids Res. 44, D1087-D1093. https://doi.org/10.1093/nar/gkv1278.
75. Micsonai, A., Moussong, É., Wien, F., Boros, E., Vadászi, H., Murvai, N., Lee, Y.-H., Molnár, T., Réfrégiers, M., Goto, Y., et al. (2022). BeStSel: webserver for secondary structure and fold prediction for protein CD spectroscopy. Nucleic Acids Res. 50, W90-W98. https://doi.org/10. 1093/nar/gkac345.
76. Lifson, S., and Sander, C. (1979). Antiparallel and parallel -strands differ in amino acid residue preferences. Nature 282, 109-111. https://doi.org/ 10.1038/282109a0.
77. Derrien, M., Collado, M.C., Ben-Amor, K., Salminen, S., and de Vos, W.M. (2008). The Mucin Degrader Akkermansia muciniphila Is an Abundant Resident of the Human Intestinal Tract. Appl. Environ. Microbiol. 74, 1646-1648. https://doi.org/10.1128/AEM.01226-07.
78. Earley, H., Lennon, G., Balfe, Á., Coffey, J.C., Winter, D.C., and O’Connell, P.R. (2019). The abundance of Akkermansia muciniphila and its relationship with sulphated colonic mucins in health and ulcerative colitis. Sci. Rep. 9, 15683. https://doi.org/10.1038/s41598-019-51878-3.
79. Daquigan, N., Seekatz, A.M., Greathouse, K.L., Young, V.B., and White, J.R. (2017). High-resolution profiling of the gut microbiome reveals the extent of Clostridium difficile burden. npj Biofilms Microbiomes 3, 35. https://doi.org/10.1038/s41522-017-0043-0.
80. Saenz, C., Fang, Q., Gnanasekaran, T., Trammell, S.A.J., Buijink, J.A., Pisano, P., Wierer, M., Moens, F., Lengger, B., Brejnrod, A., and Arumugam, M. (2023). Clostridium scindens secretome suppresses virulence gene expression of Clostridioides difficile in a bile acid-independent manner. Microbiol. Spectr. 11, e0393322. https://doi.org/10.1128/spec-trum.03933-22.
81. Geerlings, S.Y., Kostopoulos, I., De Vos, W.M., and Belzer, C. (2018). Akkermansia muciniphila in the Human Gastrointestinal Tract: When, Where, and How? Microorganisms 6, 75. https://doi.org/10.3390/ microorganisms6030075.
82. Cullen, T.W., Schofield, W.B., Barry, N.A., Putnam, E.E., Rundell, E.A., Trent, M.S., Degnan, P.H., Booth, C.J., Yu, H., and Goodman, A.L. (2015). Antimicrobial peptide resistance mediates resilience of prominent gut commensals during inflammation. Science 347, 170-175. https://doi. org/10.1126/science. 1260580.
83. Torres, M.D.T., Pedron, C.N., Araújo, I., Silva, P.I., Silva, F.D., and Oliveira, V.X. (2017). Decoralin Analogs with Increased Resistance to Degradation and Lower Hemolytic Activity. ChemistrySelect 2, 18-23. https:// doi.org/10.1002/slct. 201601590.
84. Torres, M.D.T., Pedron, C.N., Higashikuni, Y., Kramer, R.M., Cardoso, M.H., Oshiro, K.G.N., Franco, O.L., Silva Junior, P.I., Silva, F.D., Oliveira Junior, V.X., et al. (2018). Structure-function-guided exploration of the antimicrobial peptide polybia-CP identifies activity determinants and generates synthetic therapeutic candidates. Commun. Biol. 1, 221. https://doi.org/10.1038/s42003-018-0224-2.
85. Silva, O.N., Torres, M.D.T., Cao, J., Alves, E.S.F., Rodrigues, L.V., Resende, J.M., Lião, L.M., Porto, W.F., Fensterseifer, I.C.M., Lu, T.K., et al. (2020). Repurposing a peptide toxin from wasp venom into antiinfectives with dual antimicrobial and immunomodulatory properties. Proc. Natl. Acad. Sci. USA 117, 26936-26945. https://doi.org/10.1073/ pnas. 2012379117.
86. Morris, F.C., Dexter, C., Kostoulias, X., Uddin, M.I., and Peleg, A.Y. (2019). The Mechanisms of Disease Caused by Acinetobacter baumannii. Front. Microbiol. 10, 1601.
87. Petruschke, H., Schori, C., Canzler, S., Riesbeck, S., Poehlein, A., Daniel, R., Frei, D., Segessemann, T., Zimmerman, J., Marinos, G., et al. (2021). Discovery of novel community-relevant small proteins in a simplified human intestinal microbiome. Microbiome 9, 55. https://doi.org/10.1186/ s40168-020-00981-z.
88. Washietl, S., Findeiß, S., Müller, S.A., Kalkhof, S., von Bergen, M., Hofacker, I.L., Stadler, P.F., and Goldman, N. (2011). RNAcode: Robust discrimination of coding and noncoding regions in comparative sequence data. RNA 17, 578-594. https://doi.org/10.1261/rna.2536111.
89. Galzitskaya, O.V. (2021). Exploring Amyloidogenicity of Peptides From Ribosomal S1 Protein to Develop Novel AMPs. Front. Mol. Biosci. 8, 705069. https://doi.org/10.3389/fmolb.2021.705069.
90. Ochman, H., Lawrence, J.G., and Groisman, E.A. (2000). Lateral gene transfer and the nature of bacterial innovation. Nature 405, 299-304. https://doi.org/10.1038/35012500.
91. Zheng, D., and Gerstein, M.B. (2007). The ambiguous boundary between genes and pseudogenes: the dead rise up, or do they? Trends Genet. 23, 219-224. https://doi.org/10.1016/j.tig.2007.03.003.
92. Lazzaro, B.P., Zasloff, M., and Rolff, J. (2020). Antimicrobial peptides: Application informed by evolution. Science 368, eaau5480. https://doi. org/10.1126/science.aau5480.
93. Sun, S., Wang, H., Howard, A.G., Zhang, J., Su, C., Wang, Z., Du, S., Fodor, A.A., Gordon-Larsen, P., and Zhang, B. (2022). Loss of Novel Diversity in Human Gut Microbiota Associated with Ongoing Urbanization in China. mSystems 7, e0020022. https://doi.org/10.1128/msystems. 00200-22.
94. Piquer-Esteban, S., Ruiz-Ruiz, S., Arnau, V., Diaz, W., and Moya, A. (2022). Exploring the universal healthy human gut microbiota around the World. Comput. Struct. Biotechnol. J. 20, 421-433. https://doi.org/ 10.1016/j.csbj.2021.12.035.
95. Dhakan, D.B., Maji, A., Sharma, A.K., Saxena, R., Pulikkan, J., Grace, T., Gomez, A., Scaria, J., Amato, K.R., and Sharma, V.K. (2019). The unique composition of Indian gut microbiome, gene catalogue, and associated fecal metabolome deciphered using multi-omics approaches. GigaScience 8, giz004. https://doi.org/10.1093/gigascience/giz004.
96. Coelho, L.P., Alves, R., Monteiro, P., Huerta-Cepas, J., Freitas, A.T., and Bork, P. (2019). NG-meta-profiler: fast processing of metagenomes using NGLess, a domain-specific language. Microbiome 7, 84. https:// doi.org/10.1186/s40168-019-0684-8.
97. Coelho, L.P. (2017). Jug: Software for Parallel Reproducible Computation in Python. J. Open Res. Softw. 5, 30. https://doi.org/10.5334/jors.161.
98. Fu, L., Niu, B., Zhu, Z., Wu, S., and Li, W. (2012). CD-HIT: accelerated for clustering the next-generation sequencing data. Bioinformatics 28, 3150-3152. https://doi.org/10.1093/bioinformatics/bts565.
99. Steinegger, M., and Söding, J. (2017). MMseqs2 enables sensitive protein sequence searching for the analysis of massive data sets. Nat. Biotechnol. 35, 1026-1028. https://doi.org/10.1038/nbt.3988.
100. Van Rossum, G. (2020). Python Release Python 3.8.2. Python.org. https://www.python.org/downloads/release/python-382/.
101. Hunter, J.D. (2007). Matplotlib: A 2D Graphics Environment. Comput. Sci. Eng. 9, 90-95. https://doi.org/10.1109/MCSE.2007.55.
102. Harris, C.R., Millman, K.J., van der Walt, S.J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N.J., et al. (2020). Array programming with NumPy. Nature 585, 357-362. https://doi.org/ 10.1038/s41586-020-2649-2.
103. McKinney, W. (2010). Data Structures for Statistical Computing in Python. In Proceedings of the 9th Python in Science Conference, pp. 56-61. https://doi.org/10.25080/Majora-92bf1922-00a.
104. Virtanen, P., Gommers, R., Oliphant, T.E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., et al. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nat. Methods 17, 261-272. https://doi.org/10.1038/s41592-019-0686-2.
105. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Sci-kit-learn: Machine Learning in Python. Machine Learning In Python 12, 2825-2830.
106. The scikit-bio development team (2020). scikit-bio: A Bioinformatics Library for Data Scientists, Students, and Developers. Version 0.5.5.
107. Cock, P.J.A., Antao, T., Chang, J.T., Chapman, B.A., Cox, C.J., Dalke, A., Friedberg, I., Hamelryck, T., Kauff, F., Wilczynski, B., and de Hoon, M.J.L. (2009). Biopython: freely available Python tools for computational molecular biology and bioinformatics. Bioinformatics 25, 1422-1423. https:// doi.org/10.1093/bioinformatics/btp163.
108. Cantalapiedra, C.P., Hernández-Plaza, A., Letunic, I., Bork, P., and Huerta-Cepas, J. (2021). eggNOG-mapper v2: Functional Annotation, Orthology Assignments, and Domain Prediction at the Metagenomic Scale. Mol. Biol. Evol. 38, 5825-5829. https://doi.org/10.1093/molbev/ msab293.
109. Eddy, S.R. (2011). Accelerated Profile HMM Searches. PLoS Comput. Biol. 7, e1002195. https://doi.org/10.1371/journal.pcbi. 1002195.
110. Price, M.N., Dehal, P.S., and Arkin, A.P. (2010). FastTree 2 – Approximately Maximum-Likelihood Trees for Large Alignments. PLoS One 5, e9490. https://doi.org/10.1371/journal.pone.0009490.
111. Jain, C., Rodriguez-R, L.M., Phillippy, A.M., Konstantinidis, K.T., and Aluru, S. (2018). High throughput ANI analysis of 90K prokaryotic genomes reveals clear species boundaries. Nat. Commun. 9, 5114. https://doi.org/10.1038/s41467-018-07641-9.
112. Li, D., Luo, R., Liu, C.M., Leung, C.M., Ting, H.F., Sadakane, K., Yamashita, H., and Lam, T.W. (2016). MEGAHIT v1.0: A fast and scalable metagenome assembler driven by advanced methodologies and community practices. Methods 102, 3-11. https://doi.org/10.1016/j.ymeth.2016. 02.020.
113. Li, H., and Durbin, R. (2009). Fast and accurate short read alignment with Burrows-Wheeler transform. Bioinformatics 25, 1754-1760. https://doi. org/10.1093/bioinformatics/btp324.
114. Seabold, S., and Perktold, J. (2010). Statsmodels: Econometric and Statistical Modeling with Python. In Proceedings of the 9th Python in Science Conference, pp. 92-96. https://doi.org/10.25080/Majora-92bf1922-011.
115. Milanese, A., Mende, D.R., Paoli, L., Salazar, G., Ruscheweyh, H.-J., Cuenca, M., Hingamp, P., Alves, R., Costea, P.I., Coelho, L.P., et al. (2019). Microbial abundance, activity and population genomic profiling with mOTUs2. Nat. Commun. 10, 1014. https://doi.org/10.1038/ s41467-019-08844-4.
116. Li, H., Handsaker, B., Wysoker, A., Fennell, T., Ruan, J., Homer, N., Marth, G., Abecasis, G., and Durbin, R.; 1000 Genome Project Data Processing Subgroup (2009). The Sequence Alignment/Map format and SAMtools. Bioinformatics 25, 2078-2079. https://doi.org/10.1093/bioinformatics/btp352.
117. Quinlan, A.R., and Hall, I.M. (2010). BEDTools: A flexible suite of utilities for comparing genomic features. Bioinformatics 26, 841-842. https://doi. org/10.1093/bioinformatics/btq033.
118. Sievers, F., Wilm, A., Dineen, D., Gibson, T.J., Karplus, K., Li, W., Lopez, R., McWilliam, H., Remmert, M., Söding, J., et al. (2011). Fast, scalable generation of high-quality protein multiple sequence alignments using Clustal Omega. Mol. Syst. Biol. 7, 539. https://doi.org/10.1038/msb. 2011.75.
119. Buchfink, B., Xie, C., and Huson, D.H. (2015). Fast and sensitive protein alignment using DIAMOND. Nat. Methods 12, 59-60. https://doi.org/10. 1038/nmeth. 3176.
120. Camacho, C., Coulouris, G., Avagyan, V., Ma, N., Papadopoulos, J., Bealer, K., and Madden, T.L. (2009). BLAST+: architecture and applications. BMC Bioinf. 10, 421. https://doi.org/10.1186/1471-2105-10-421.
121. UniProt Consortium (2021). UniProt: the universal protein knowledgebase in 2021. Nucleic Acids Res. 49, D480-D489. https://doi.org/10. 1093/nar/gkaa1100.
122. Mistry, J., Chuguransky, S., Williams, L., Qureshi, M., Salazar, G.A., Sonnhammer, E.L.L., Tosatto, S.C.E., Paladin, L., Raj, S., Richardson, L.J., et al. (2021). Pfam: The protein families database in 2021. Nucleic Acids Res. 49, D412-D419. https://doi.org/10.1093/nar/gkaa913.
123. Eberhardt, R.Y., Haft, D.H., Punta, M., Martin, M., O’Donovan, C., and Bateman, A. (2012). AntiFam: a tool to help identify spurious ORFs in protein annotation. Database 2012, bas003. https://doi.org/10.1093/database/bas003.
124. NCBI Resource Coordinators (2015). Database resources of the National Center for Biotechnology Information. Nucleic Acids Res. 43, D6-D17. https://doi.org/10.1093/nar/gku1130.
125. Alcock, B.P., Raphenya, A.R., Lau, T.T.Y., Tsang, K.K., Bouchard, M., Edalatmand, A., Huynh, W., Nguyen, A.-L.V., Cheng, A.A., Liu, S., et al. (2020). CARD 2020: antibiotic resistome surveillance with the comprehensive antibiotic resistance database. Nucleic Acids Res. 48, D517D525. https://doi.org/10.1093/nar/gkz935.
126. Kanehisa, M., and Sato, Y. (2020). KEGG Mapper for inferring cellular functions from protein sequences. Protein Sci. 29, 28-35. https://doi. org/10.1002/pro.3711.
127. Courtot, M., Cherubin, L., Faulconbridge, A., Vaughan, D., Green, M., Richardson, D., Harrison, P., Whetzel, P.L., Parkinson, H., and Burdett, T. (2019). BioSamples database: an updated sample metadata hub. Nucleic Acids Res. 47, D1172-D1178. https://doi.org/10.1093/nar/ gky1061.
128. Harrison, P.W., Ahamed, A., Aslam, R., Alako, B.T.F., Burgin, J., Buso, N., Courtot, M., Fan, J., Gupta, D., Haseeb, M., et al. (2021). The European Nucleotide Archive in 2020. Nucleic Acids Res. 49, D82-D85. https:// doi.org/10.1093/nar/gkaa1028.
129. Jones, P., Côté, R.G., Martens, L., Quinn, A.F., Taylor, C.F., Derache, W., Hermjakob, H., and Apweiler, R. (2006). PRIDE: a public repository of protein and peptide identifications for the proteomics community. Nucleic Acids Res. 34, D659-D663. https://doi.org/10.1093/nar/gkj138.
130. Schmidt, T.S.B., Fullam, A., Ferretti, P., Orakov, A., Maistrenko, O.M., Ruscheweyh, H.-J., Letunic, I., Duan, Y., Van Rossum, T., Sunagawa, S., et al. (2024). SPIRE: a Searchable, Planetary-scale mlcrobiome REsource. Nucleic Acids Res. 52, D777-D783. https://doi.org/10.1093/ nar/gkad943.
131. Mirdita, M., Steinegger, M., Breitwieser, F., Söding, J., and Levy Karin, E. (2021). Fast and sensitive taxonomic assignment to metagenomic contigs. Bioinformatics 37, 3029-3031. https://doi.org/10.1093/bioinformatics/btab184.
132. Oren, A., Arahal, D.R., Rosselló-Móra, R., Sutcliffe, I.C., and Moore, E.R.B. (2021). Emendation of Rules 5b, 8, 15 and 22 of the International Code of Nomenclature of Prokaryotes to include the rank of phylum. Int. J. Syst. Evol. Microbiol. 71. https://doi.org/10.1099/ijsem.0.004851.
133. Oren, A., and Garrity, G.M. (2021). Valid publication of the names of fortytwo phyla of prokaryotes. Int. J. Syst. Evol. Microbiol. 71. https://doi.org/ 10.1099/ijsem.0.005056.
134. Solis, A.D. (2015). Amino acid alphabet reduction preserves fold information contained in contact interactions in proteins. Proteins 83, 21982216. https://doi.org/10.1002/prot.24936.
135. Peterson, E.L., Kondev, J., Theriot, J.A., and Phillips, R. (2009). Reduced amino acid alphabets exhibit an improved sensitivity and selectivity in fold assignment. Bioinformatics 25, 1356-1362. https://doi.org/10. 1093/bioinformatics/btp164.
136. Smith, T.F., and Waterman, M.S. (1981). Identification of Common Molecular Subsequences. J. Mol. Biol. 147, 195-197. https://doi.org/10. 1016/0022-2836(81)90087-5.
137. Karlin, S., and Altschul, S.F. (1990). Methods for assessing the statistical significance of molecular sequence features by using general scoring schemes. Proc. Natl. Acad. Sci. USA 87, 2264-2268. https://doi.org/ 10.1073/pnas.87.6.2264.
138. Altschul, S.F., Madden, T.L., Schäffer, A.A., Zhang, J., Zhang, Z., Miller, W., and Lipman, D.J. (1997). Gapped BLAST and PSI-BLAST: a new generation of protein database search programs. Nucleic Acids Res. 25, 3389-3402.
139. Cena, J.A. de, Zhang, J., Deng, D., Damé-Teixeira, N., and Do, T. (2021). Low-Abundant Microorganisms: The Human Microbiome’s Dark Matter, a Scoping Review. Front. Cell. Infect. Microbiol. 11, 689197.
140. Mende, D.R., Sunagawa, S., Zeller, G., and Bork, P. (2013). Accurate and universal delineation of prokaryotic species. Nat. Methods 10, 881-884. https://doi.org/10.1038/nmeth.2575.
141. Sélem-Mojica, N., Aguilar, C., Gutiérrez-García, K., Martínez-Guerrero, C.E., and Barona-Gómez, F. (2019). EvoMining reveals the origin and fate of natural product biosynthetic enzymes. Microb. Genom. 5, e000260. https://doi.org/10.1099/mgen.0.000260.
142. Rodriguez-R, L.M., Conrad, R.E., Viver, T., Feistel, D.J., Lindner, B.G., Venter, S.N., Orellana, L.H., Amann, R., Rossello-Mora, R., and Konstantinidis, K.T. (2024). An ANI gap within bacterial species that advances the definitions of intra-species units. mBio 15, e02696-23. https://doi.org/10. 1128/mbio.02696-23.
143. Finn, R.D., Coggill, P., Eberhardt, R.Y., Eddy, S.R., Mistry, J., Mitchell, A.L., Potter, S.C., Punta, M., Qureshi, M., Sangrador-Vegas, A., et al. (2016). The Pfam protein families database: towards a more sustainable future. Nucleic Acids Res. 44, D279-D285. https://doi.org/10.1093/nar/ gkv1344.
144. SolyPep: a fast generator of soluble peptides https://bioserv.rpbs.univ-paris-diderot.fr/services/SolyPep/
145. Ochoa, R., and Cossio, P. (2021). PepFun: Open Source Protocols for Peptide-Related Computational Analysis. Molecules 26, 1664. https:// doi.org/10.3390/molecules26061664.
146. Kochendoerfer, G.G., and Kent, S.B. (1999). Chemical protein synthesis. Curr. Opin. Chem. Biol. 3, 665-671. https://doi.org/10.1016/s1367-5931(99)00024-1.
147. Sheppard, R. (2003). The fluorenylmethoxycarbonyl group in solid phase synthesis. J. Pept. Sci. 9, 545-552. https://doi.org/10.1002/psc.479.
148. Palomo, J.M. (2014). Solid-phase peptide synthesis: an overview focused on the preparation of biologically relevant peptides. RSC Adv. 4, 32658-32672. https://doi.org/10.1039/C4RA02458C.
149. Schmidt, T.S.B., Li, S.S., Maistrenko, O.M., Akanni, W., Coelho, L.P., Dolai, S., Fullam, A., Glazek, A.M., Hercog, R., Herrema, H., et al. (2022). Drivers and determinants of strain dynamics following fecal microbiota transplantation. Nat. Med. 28, 1902-1912. https://doi.org/10.1038/ s41591-022-01913-0.
150. Wiegand, I., Hilpert, K., and Hancock, R.E.W. (2008). Agar and broth dilution methods to determine the minimal inhibitory concentration (MIC) of antimicrobial substances. Nat. Protoc. 3, 163-175. https://doi.org/10. 1038/nprot.2007.521.
151. Santos-Júnior, C.D., Schmidt, T.S.B., Fullam, A., Duan, Y., Bork, P., Zhao, X.-M., and Coelho, L.P. (2021). AMPSphere : The Worldwide Survey of Prokaryotic Antimicrobial Peptides (Zenodo) https://doi.org/10. 5281/zenodo. 4606582.

طرق النجوم

جدول الموارد الرئيسية

توافر الموارد

جهة الاتصال الرئيسية

توفر المواد

توفر البيانات والشيفرة

• تتوفر بيانات الميتاجينومات والجينومات للجمهور في أرشيف النيوكليوتيدات الأوروبي (ENA) اعتبارًا من تاريخ النشر. أرقام الوصول الخاصة بها مدرجة في الجدول S1. AMPSphere متاحة كموارد عامة عبر الإنترنت.https://ampsphere. big-data-biology.org/)، وقد تم إيداع ملفاتها في زينودو وهي متاحة للجمهور اعتبارًا من تاريخ النشر. تم إدراج معرفات الكائن الرقمي (DOIs) في جدول الموارد الرئيسية.
• تم إيداع جميع الشيفرات الأصلية في Zenodo وهي متاحة للجمهور اعتبارًا من تاريخ النشر. تم إدراج معرفات الكائن الرقمي (DOIs) في جدول الموارد الرئيسية.
• أي معلومات إضافية مطلوبة لإعادة تحليل البيانات المبلغ عنها في هذه الورقة متاحة من جهة الاتصال الرئيسية عند الطلب.

تفاصيل النموذج التجريبي وشارك الدراسة

سلالات البكتيريا وظروف النمو

نموذج الفأر لعدوى خراج الجلد

تفاصيل الطريقة

اختيار الجينومات الميكروبية (الميتاجينومية)

قص و تجميع القراءات

تنبؤ smORF و AMP

تجميع عائلات AMP

مراقبة جودة c_AMPs

منحنيات تراكم c_AMPs المعتمدة على العينة

c_AMPs متعددة المواطن والنادرة

اختبار تداخل c_AMPs عبر المواطن

كثافة c_AMP في الأنواع الميكروبية

نقل c_AMPs وأنواع البكتيريا