Simple regler forudsiger og forklarer biologisk mutualisme

Forskere har længe brugt relativt enkle retningslinjer for at hjælpe med at forklare den fysiske verden, fra Newtons anden bevægelseslov til lovene i termodynamik.

Nu, biomedicinske ingeniører ved Duke University har brugt dynamisk modellering og maskinlæring til at konstruere lignende enkle regler for kompleks biologi. De har udtænkt en ramme til præcist at fortolke og forudsige adfærd for gensidigt fordelagtige biologiske systemer, såsom tarmbakterier fra mennesker, planter og bestøvere eller alger og koraller.

Undersøgelsen vises den 16. januar, 2019 i journalen Naturkommunikation .

"I en perfekt verden, du ville være i stand til at følge et simpelt sæt molekylære regler for at forstå, hvordan ethvert biologisk system fungerede, "sagde Lingchong Du, en professor i Duke's Institut for Biomedicinsk Teknik. "Men i virkeligheden, det er svært at etablere generelle regler, der omfatter den enorme mangfoldighed og kompleksitet af biologiske systemer. Selv når vi fastlægger generelle regler, det er stadig udfordrende at bruge dem til at forklare og kvantificere forskellige fysiske egenskaber. "

Dig og Feilun Wu, en kandidatstuderende og første forfatter af papiret, løst disse udfordringer ved at undersøge adfærd i mutualistiske systemer. Disse symbiotiske systemer er lavet af to eller flere populationer, der giver gensidig fordel, såsom monark sommerfugle og mælkeplanter.

Under visse betingelser, mutualistiske systemer kan kollapse, fører til ødelæggende økologiske konsekvenser. Wu ønskede at udvikle en ramme, der præcist kunne forudsige og forhindre negative resultater og styre designet af nye syntetiske mutualistiske systemer.

"Fordi disse systemer var så forskellige, tidligere rammer var enten kun gældende for specifikke mutualistiske systemer, som plantebestøvnings- eller frøspredningsnetværk, eller de var for generelle og beskrev ikke den fine linje mellem forhold, der tillader systemerne at eksistere side om side, kontra dem, der tvinger systemet til at kollapse, " sagde Wu.

For at undersøge om der kunne eksistere en samlende kvantitativ retningslinje for mutualistiske systemer, Wu studerede systematisk 52 differentialligningsmodeller, der fanger mangfoldigheden af ​​mutualistiske systemer. Disse systemer delte den samme grundlæggende struktur:når den kollektive fordel var større end den kollektive stress, befolkningerne kan sameksistere. Hvis stress er større end den kollektive fordel, systemet vil kollapse.

Selvom det er relativt let at måle stress i et system, det er mere kompliceret at måle den kollektive fordel, som er en funktion af variabler som omkostninger, individuelle fordele og andre systemkomplekser. Du og hans team erkendte, at forsøg på at måle den kollektive fordel blev en flaskehals på grund af de komplekse kriterier, der er tilgængelige for måling, og det blev endnu mere udfordrende, når det blev anvendt på forskellige mutualistiske systemer.

I stedet, teamet udviklede en machine learning -algoritme til at bestemme den kollektive fordel ved hjælp af et par, relativt let at samle variabler som temperatur, pH og genetik. Fremgangsmåden resulterede i en forenklet metrik, der kan anvendes på forskellige mutualistiske systemer.

For at teste deres retningslinjer, teamet brugte eksperimentelle data fra tre mutualistiske bakteriesystemer og simulerede data for at vise, at deres rammer konsekvent og præcist kunne forudsige, om et system ville sameksistere eller falde sammen. Deres regler kunne også forudsige kvantitative oplysninger, herunder sandsynlighed for sameksistens, modstand og total befolkningstæthed.

Teamet er optimistisk over, at deres forskning også kan anvendes på ikke-mutualistiske biologiske systemer. For eksempel, Du foreslår at bruge deres strategi til at undersøge antibiotikaresistens og de forhold, der tillader resistens at vedvare eller forsvinde.

"Når vi arbejder inden for medicin eller biomedicinsk teknik, vi indser, at en vis grad af forenkling er nødvendig for at forstå samspillet mellem de samfund, vi studerer, "sagde du." Vores procedure viste os, at der er en fællesskab mellem tilsyneladende forskellige biologiske systemer, og det er afgørende for at give os mulighed for at lave de forudsigelser, der driver vores forskning."

Studiemedlemmer inkluderer Charlotte Lee fra Duke biologi og Sanyan Mukherjee i statistisk videnskab, matematik, computer videnskab, og bioinformatik og biostatistik, samt to tidligere You lab -medlemmer, Allison Loptkin og Daniel Needs.