一个微小但多产的微生物世界涵盖了我们周围的一切，包括内部和外部。微生物组由不同的微生物群落组成，在塑造人类健康方面发挥着关键作用，但不同微生物组成如何影响我们的福祉的复杂性在很大程度上仍然未知。
在最近发表在《美国国家科学院院刊》上的一项研究中，伊利诺伊大学厄巴纳-香槟分校的研究人员描述了他们创建的一个新框架，该框架可以预测微生物组中的物种如何相互作用，从而产生独特的成分。
O' dwyer实验室的研究生Shreya Arya说:“微生物可以用于医学，也就是‘把细菌当作药物’，这些微生物疗法有可能成为我们今天面临的许多疾病的答案。”
“我们正试图摆脱使用抗生素来解决这些问题，因为随着时间的推移，细菌已经产生了抗生素耐药性。如果肠道因病原体而感染，我们希望有一种方法能够改变肠道微生物群的组成，使肠道微生物群恢复到健康状态，从而抑制病原体的丰度。”
不幸的是，评估不同环境中每种微生物之间的相互作用将需要指数级的实验数据，而这些数据是无法建模的。为了克服这一障碍，植物生物学副教授詹姆斯·奥德怀尔(CAIM)与奥德怀尔实验室的前博士后研究员艾莉亚和阿希什·乔治试图创建一个模型，该模型可以根据最初出现的微生物来预测微生物群落的结果。
该模型将提供每种微生物之间的“景观相互作用值”，本质上表征每种微生物对另一种微生物的丰度和微生物组结果的影响程度。
O'Dwyer说:“在做这个建模时，问正确的问题很重要。”“我们可以竭尽全力地尝试模拟物种之间的所有成对比较和更高层次的相互作用，这将为我们提供群落如何随时间变化的完整动态，但这实际上需要永远。相反，我们问，在所有这些微生物相互作用结束后，谁还在那里?它们的数量有多多，它们在终点社区中的功能是什么?”
为了解决这些问题，研究小组从一个能够模拟微生物群落并预测其结果的计算模型开始。在这个过程中，他们发现了一个令人惊讶的发现——大多数微生物之间的景观相互作用接近于零。这意味着大多数微生物对微生物组的最终结果的影响很小，只有少数微生物在预测这些结果方面起着关键作用。
然后，研究人员使用了一种来自信号检测领域的方法，称为压缩感知，该方法允许从具有稀疏表示的数据集中提取更多信息。
该模型使用现有的微生物组数据集进行训练，并通过使用相同的微生物组进行实际实验来验证这些相互作用的结果，以查看产生的相互作用和组成是否与预测相符。有趣的是，研究人员发现，无论是在模型中还是在现实世界的实验中，景观相互作用的“稀疏性”或“零的丰度”都是正确的。
“我认为我们可以从中学到很多关于生态群落的知识，”O'Dwyer说。“我们经常认为存在所有这些复杂的相互作用，这导致结构和社区功能难以预测。但这表明，有时结果比你想象的要简单一些。这里的神奇之处在于你不需要学习每一个初始条件到每一个最终状态的所有内容。你只需要学习一点，它就能给你足够的信息来了解整个事情。”
该团队现在有兴趣探索为什么如此多的微生物景观相互作用接近于零，并尝试更大的数据集，看看这是否会改变他们发现的模式。
Arya解释说:“如果这能告诉我们微生物群是如何基本组装的，以及这些物种是如何相互作用的，我们想要了解为什么这种稀疏性首先存在。”“例如，尽管从分类学上讲，土壤微生物组与人类肠道相比具有非常不同的物种，但微生物物种之间相互作用的方式可能存在相似之处，我们可以根据环境来预测。”
Arya希望继续对模型进行微调，以便它可以用于研究感兴趣的特定微生物组，并适应更多样化的数据集。一个最终目标是能够在个性化医疗中使用该模型，以帮助预测患者与其他人相比，是否有某些病原体在其微生物群中建立的风险。
“为了创造微生物疗法，我们需要了解我们需要在哪些环境中结合哪些微生物物种才能获得最佳功能。这是朝着这个目标迈出的第一步。”
