对复杂微生物群落的殖民结果的数据驱动预测.
Lu Wu1, Xu-Wen Wang2, Zining Tao1,3
1CAS Key Laboratory of Quantitative Engineering Biology, Shenzhen Institute of Synthetic Biology, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
预测微生物殖民是具有挑战性的. 这项研究使用数据驱动的方法与机器学习预测入侵成功的微生物群落,通过肠道细菌实验验证.
科学领域:
- 微生物生态学 微生物生态学
- 计算生物学 计算生物学
- 系统生物学 系统生物学
背景情况:
- 预测在已建立的社区中新微生物物种的殖民成功对于理解微生物动态至关重要.
- 目前的方法通常依赖于复杂的生态模型,由于对微生物相互作用的知识不完全,限制了预测能力.
研究的目的:
- 开发和验证一种数据驱动的方法,用于预测外来物种殖民结果.
- 评估机器学习模型仅基于初始社区组成来预测入侵成功的能力.
主要方法:
- 利用在合成微生物社区数据上训练的机器学习模型来预测殖民结果和稳定状态丰度.
- 在体外殖民实验中使用人类肠道细菌 (Enterococcus faecium,Akkermansia muciniphila) 在来自人类便的多种微生物群落中进行了殖民实验.
主要成果:
- 机器学习模型准确地预测了合成和实验数据中的二进制殖民结果和入侵后的丰度.
- 大多数居民微生物的影响最小,但强烈的相互作用显著影响了殖民,Enterococcus faecalis抑制了E. faecium的入侵.
- 数据驱动的预测在与肠道共生细菌的现实实验中得到证实.
结论:
- 数据驱动的方法为预测微生物殖民提供了一个强大的,与模型无关的替代方案.
- 这些方法可以为生态管理和对复杂微生物群落的理解提供信息.
- 识别关键的相互作用物种对于预测和操纵微生物社区结构至关重要.
更多相关视频
10:24Assessing the Viability of a Synthetic Bacterial Consortium on the In Vitro Gut Host-microbe Interface
Published on: July 4, 2018
09:49Investigation of Microbial Cooperation via Imaging Mass Spectrometry Analysis of Bacterial Colonies Grown on Agar and in Tissue During Infection
Published on: November 18, 2022
相关概念视频
Migration
What are Populations and Communities?
Population Growth
Conservation of Declining Populations
Methods to Assess Microbial Populations
Methods to Assess Microbial Communities
