如何推測微生物群落的“城堡”是否堅固

原文地址：http://news.sciencenet.cn/htmlnews/2024/3/519478.shtm

近年來，腸道菌群健康及其對疾病預防和治療已成為熱門話題。人體腸道微生物組在抵抗致病菌定殖過程中發揮著重要作用，健康的腸道菌群像是一座堅固的城堡，定殖抗性則是城堡的防御系統，能夠識別并抵御外來入侵物種如病原體、益生菌等。

有趣的是，似乎每個城堡“構造”都不一樣，就像“千變萬化”的腸道菌群。那么，如何預測腸道菌群城堡對入侵者的抵抗能力，提高城堡的牢固度呢？

3月16日，中國科學院深圳先進技術研究院合成生物學研究所戴磊課題組在《自然—通訊》上發表最新研究成果。在該研究中，研究團隊提出了微生物生態學的數據驅動的研究范式，通過收集不同微生物群落的組成和外源菌定殖結果作為訓練數據，運用機器學習模型準確預測外源物種(致病菌或益生菌)在腸道菌群中的定殖結果，并推斷驗證了能夠顯著提高定殖抗性的關鍵物種。

“通過針對關鍵物種的調控，防止致病菌的定殖或促進益生菌的定殖，對人體健康、農業生產都有非常重要的應用價值。”論文通訊作者、深圳先進院合成所研究員戴磊說道。

數據驅動預測微生物群落“殖民入侵”

人體內腸道微生物群落阻止外來致病菌入侵的過程，被稱為定殖抗性。在自然界中，微生物群落通過錯綜復雜的相互作用網絡，形成各種精妙的生態系統，定殖抗性則是復雜生態系統的一個表型，微生物的相互作用可以導致外源物種的不同定殖結果。

當前，學術界由于對控制微生物動力學的不同機制了解有限，加之微生物群落成員相互作用的復雜性，預測外源物種在復雜群落中的定殖結果仍然是微生物生態學中的一個基本挑戰。

為了解決這個問題，研究人員采用了數據驅動的研究范式，收集了大量樣品，通過機器學習模型來預測和理解復雜群落的定殖抗性。機器學習因其強大的預測能力和信息處理潛力，被認為是一個重要的可推進微生物組，特別是微生物組的表型研究的有力工具。

戴磊團隊首先通過洛特卡－沃爾泰拉模型解析推導和計算模擬，成功驗證了機器學習模型可以基于腸道菌群的物種組成準確預測外源物種的定殖與否和穩態豐度，并強調了數據量對預測準確性的重要性。

在樣本采集方面，研究團隊在真實復雜群落中進行定殖抗性的預測，通過自主招募24位志愿者搜集不同種類的腸道菌群，并使用12種不同的抗生素處理方法，得到了超三百個體外培養的腸道菌群樣品，并最終通過測序確定定殖結果。團隊選擇了致病菌屎腸球菌和益生菌嗜黏蛋白阿克曼菌這兩類在腸道中常見的外來入侵微生物，在糞便來源的體外微生物群落中進行了定殖實驗，表征了來源自不同個體和抗生素處理后的腸道菌群的定殖抗性。

論文共同第一作者、深圳先進院助理研究員吳璐指出，在進行真實群落入侵實驗時，需要人工進行每日近千個樣品的傳代實驗，需要實驗操作者“快又穩”。而部分實驗環節如DNA提取和文庫構建等，則利用了合成生物研究重大科技基礎設施的自動化技術，顯著提高了實驗效率和結果的準確度。

“BT+IT”推進合成生物廣闊應用

在生態動力學中，調控復雜微生物群落的應用十分廣闊，但針對微生物的定殖抗性預測和調控仍存在挑戰，而將信息技術（IT）與生物信息（BT）相融合，將為微生物群落的定殖抗性研究帶來更多應用的可能。

“我們基于已知的科學假設進行創新，打破以往研究領域的現象驅動機制，研發探索數據驅動的模式，除了利用數據驅動方法解決定制抗性預測問題，通過更深入的研究，將有望提前預防并提升腸道菌群以及其他微生物群落的抗性，在未來可廣泛應用于包括人體健康、農業生產以及環境保護等多個領域”，戴磊說道。

戴磊團隊 深圳先進院供圖

有評審人表示，該研究極大地提高了對微生物群落中定殖抗性機制的理解。此研究極大地提高了對微生物群落中定殖抗性機制的理解。文章使用“數據驅動”的方法，給定的入侵物種在大量的“訓練”群落中觀察到的定殖結果被用作輸入數據，以擬合機器學習模型，從而將定殖結果推斷到其他“測試”群落。該方法在體外定殖實驗的成功應用，將有望廣泛適用到更多的測試群落中，是一次開拓性的嘗試。

“未來，數據驅動的研究范式可以廣泛用于預測和理解復雜微生物群落的功能，進而指導理性調控和設計。”戴磊表示。下一步，戴磊團隊與哈佛大學的劉洋彧團隊還將圍繞機器學習、生態網絡、腸道菌群個性化調控等方面進行合作，以跨學科、跨領域的合作模式共同推進人工智能技術在生物科技領域的應用。