Mikrobiella populationer kan vara små men de är förvånansvärt komplexa, vilket gör interaktioner med sin omgivande miljö svåra att studera. Men nu har forskare från Japan upptäckt att maskininlärning kan ge verktygen för att göra just det. I en studie publicerad denna månad i eLife , har forskare från University of Tsukuba avslöjat att maskininlärning kan tillämpas på bakteriell populationstillväxt för att upptäcka hur det relaterar till variationer i deras miljö.

Dynamiken hos mikrobpopulationer representeras vanligtvis av tillväxtkurvor. Vanligtvis används tre parametrar från dessa kurvor för att utvärdera hur mikrobiella populationer passar in i sin miljö:eftersläpningstid, tillväxthastighet och mättad populationsstorlek (eller bärförmåga). Dessa tre parametrar är troligen sammanlänkade; avvägningar har observerats mellan tillväxthastigheten och antingen eftersläpningstiden eller populationsstorleken inom arter, och med relaterade förändringar i den mättade populationsstorleken och tillväxthastigheten bland genetiskt olika stammar.

"Två frågor kvarstår:påverkas dessa tre parametrar av miljömässig mångfald, och i så fall hur?" säger senior författare till studien, professor Bei-Wen Ying. "För att svara på dessa använde vi datadrivna metoder för att undersöka bakteriers tillväxtstrategi."

Forskarna byggde en stor datamängd som återspeglade dynamiken hos Escherichia coli-populationer under en mängd olika miljöförhållanden, med hjälp av nästan tusen kombinationer av tillväxtmedier sammansatta av 44 kemiska föreningar under kontrollerade labbförhållanden. De analyserade sedan big data för sambanden mellan tillväxtparametrarna och kombinationerna av media med hjälp av maskininlärning (ML). ML-algoritmer byggde en modell baserad på exempeldata för att göra förutsägelser eller beslut utan att vara specifikt programmerade att göra det.

Analysen avslöjade att för bakterietillväxt var beslutsfattande komponenter distinkta mellan olika tillväxtfaser, t.ex. serin, sulfat och glukos för tillväxtfördröjning (lag), tillväxthastighet och maximal tillväxt (mättnad), respektive. Resultaten av ytterligare simuleringar och analyser visade att grenkedjiga aminosyror sannolikt fungerar som allestädes närvarande koordinatorer för tillväxtförhållanden för bakteriepopulationer.

"Våra resultat avslöjade också en vanlig och enkel strategi för riskdiversifiering under förhållanden där bakterierna upplevde överskott av resurser eller svält, vilket är vettigt i både ett evolutionärt och ekologiskt sammanhang", säger professor Ying.

Resultaten av denna studie har avslöjat att utforskandet av mikroorganismernas värld med datadrivna tillvägagångssätt kan ge nya insikter som tidigare var ouppnåeliga via traditionella biologiska experiment. Denna forskning visar att det ML-stödda tillvägagångssättet, även om det fortfarande är en framväxande teknologi som kommer att behöva utvecklas när det gäller dess biologiska tillförlitlighet och tillgänglighet, kan öppna nya vägar för tillämpningar inom biovetenskap, särskilt mikrobiologi och ekologi. + Utforska vidare

Tidigare okänt sätt för bakterietillväxt upptäckt