Relaterer bakterievækst til miljømæssig mangfoldighed. (A) Flowchart af eksperimentelle forhold og dataopnåelse. Farvegradering angiver koncentrationsgradienten af den rene kemiske forbindelse, der anvendes i mediekombinationerne. (B) Koncentrationsvariation af komponenterne omfattende mediekombinationerne. Farvevariation angiver kategorierne af elementer. Koncentrationerne er angivet på en logaritmisk skala. Kredit:eLife (2022). DOI:10.7554/eLife.76846
Mikrobielle populationer kan være små, men de er overraskende komplekse, hvilket gør interaktioner med deres omgivende miljø vanskelige at studere. Men nu har forskere fra Japan opdaget, at maskinlæring kan give værktøjerne til netop det. I en undersøgelse offentliggjort i denne måned i eLife , har forskere fra University of Tsukuba afsløret, at maskinlæring kan anvendes på bakteriel befolkningsvækst for at opdage, hvordan det relaterer til variationer i deres miljø.
Dynamikken i mikrobepopulationer er normalt repræsenteret af vækstkurver. Typisk bruges tre parametre taget fra disse kurver til at evaluere, hvordan mikrobielle populationer passer med deres miljø:forsinkelsestid, væksthastighed og mættet populationsstørrelse (eller bæreevne). Disse tre parametre hænger sandsynligvis sammen; der er observeret afvejninger mellem væksthastigheden og enten forsinkelsestiden eller populationsstørrelsen inden for arter, og med relaterede ændringer i den mættede populationsstørrelse og væksthastighed blandt genetisk forskelligartede stammer.
"To spørgsmål tilbage:er disse tre parametre påvirket af miljømæssig mangfoldighed, og hvis ja, hvordan?" siger seniorforfatter til undersøgelsen, professor Bei-Wen Ying. "For at besvare disse brugte vi datadrevne tilgange til at undersøge vækststrategien for bakterier."
Forskerne byggede et stort datasæt, der afspejlede dynamikken i Escherichia coli-populationer under en bred vifte af miljøforhold, ved at bruge næsten tusinde kombinationer af vækstmedier sammensat af 44 kemiske forbindelser under kontrollerede laboratorieforhold. De analyserede derefter de store data for forholdet mellem vækstparametrene og kombinationerne af medier ved hjælp af maskinlæring (ML). ML-algoritmer byggede en model baseret på eksempeldata for at foretage forudsigelser eller beslutninger uden at være specifikt programmeret til at gøre det.
Analysen afslørede, at for bakteriel vækst var beslutningstagningskomponenterne forskellige mellem forskellige vækstfaser, f.eks. serin, sulfat og glucose for henholdsvis vækstforsinkelse (lag), væksthastighed og maksimal vækst (mætning). Resultaterne af yderligere simuleringer og analyser viste, at forgrenede aminosyrer sandsynligvis fungerer som allestedsnærværende koordinatorer for vækstbetingelser for bakteriel population.
"Vores resultater afslørede også en fælles og enkel strategi for risikodiversificering under forhold, hvor bakterierne oplevede overskydende ressourcer eller sult, hvilket giver mening i både en evolutionær og økologisk sammenhæng," siger professor Ying.
Resultaterne af denne undersøgelse har afsløret, at udforskning af mikroorganismernes verden med datadrevne tilgange kan give ny indsigt, som tidligere var uopnåelig via traditionelle biologiske eksperimenter. Denne forskning viser, at den ML-støttede tilgang, selvom den stadig er en ny teknologi, der skal udvikles med hensyn til dens biologiske pålidelighed og tilgængelighed, kan åbne nye veje for anvendelser inden for biovidenskab, især mikrobiologi og økologi. + Udforsk yderligere