Att sluta sig till de underliggande ekologiska nätverken av mikrobiella samhällen är viktigt för att förstå deras struktur och svar på yttre stimuli. Men det kan vara mycket utmanande att göra korrekta nätverksslutsatser. I en tidning publicerad i Naturkommunikation , forskare vid Brigham and Women's Hospital beskriver en metod för att göra nätverksslutningen lättare genom att använda steady-state-data utan att förändra mikrobiella samhällen.

"Befintliga metoder kräver att man antar en viss populationsdynamikmodell, som inte är känt i förväg, " sa Yang-Yu Liu, PhD, av Channing Division of Network Medicine. "Dessutom, dessa metoder kräver passande tidsmässiga överflödsdata, som ofta inte är tillräckligt informativa för tillförlitliga slutsatser."

För att få mer informativ tidsdata, forskare måste introducera stora störningar för att förändra de mikrobiella samhällena, som inte bara är svåra i praktiken utan också potentiellt etiskt tveksamma, speciellt för mänskligt associerade mikrobiella samhällen. Den nya metoden som utvecklats av BWH:s utredare undviker detta dilemma.

"Grundidén är mycket enkel. Om ett steady-state prov skiljer sig från ett annat endast genom att en art X, och att lägga till X minskar det absoluta överflödet av Y, då kan vi dra slutsatsen att X hämmar tillväxten av Y, " sa Liu. Teamet visade att denna enkla idé kan utvidgas till mer komplicerade fall där steady-state prover skiljer sig från varandra med mer än en art. De verifierade att, om tillräckligt med oberoende steady state-data samlades in från de mikrobiella samhällena, sedan de mikrobiella interaktionstyperna (positiva, negativa och neutrala interaktioner) och nätverkets struktur kunde härledas utan att kräva någon populationsdynamikmodellering. Metoden som föreslagits av teamet liknar andra nätverksrekonstruktionsmetoder baserade på steady-state data, men till skillnad från de tidigare metoderna, inga störningar behöver appliceras på systemet. Vidare, ett rigoröst kriterium fastställdes av teamet för att kontrollera om någon given steady-state-data överensstämde med den generaliserade Lotka-Volterra-modellen (GLV) - en klassisk populationsdynamikmodell inom ekologi som matematiskt beskriver relationerna mellan arter. Teamet fann att om det mikrobiella samhället följde GLV-modellen, då kan steady-state-data också användas för att härleda modellparametrarna - interartsinteraktionsstyrkor och tillväxthastigheter.

Metoden validerades systematiskt med hjälp av simulerad data genererad från olika klassiska populationsdynamikmodeller med olika komplexitetsnivåer. Sedan applicerades det på riktiga data som samlats in från fyra olika syntetiska mikrobiella samhällen, att finna att de antagna ekologiska nätverken antingen stämmer väl överens med marksanningen eller kan förutsäga systemens reaktion på störningar.

Ytterligare insikter om mikrobiella ekosystem kommer att uppstå från en bättre förståelse av deras underliggande ekologiska nätverk. Att sluta sig till ekologiska nätverk av mänskligt associerade mikrobiella samhällen med den metod som utvecklats här kommer att underlätta designen av personliga mikrobbaserade "cocktails, "som författarna skriver, för att behandla sjukdomar relaterade till mikrobiell dysbios.

"Jag är väldigt exalterad över den här metoden, eftersom det kan bana väg för att kartlägga mer komplexa mikrobiella samhällen som människans tarmmikrobiota, vilket i sin tur kommer att hjälpa oss att designa bättre mikrobiombaserade terapier, " sa Liu.