Forskare har länge använt relativt enkla riktlinjer för att förklara den fysiska världen, från Newtons andra rörelselag till termodynamikens lagar.

Nu, biomedicinska ingenjörer vid Duke University har använt dynamisk modellering och maskininlärning för att konstruera liknande enkla regler för komplex biologi. De har utformat ett ramverk för att exakt tolka och förutsäga beteendet hos biologiskt system som är till nytta för varandra, såsom tarmbakterier från människor, växter och pollinatorer, eller alger och koraller.

Forskningen visas den 16 januari, 2019 i tidningen Naturkommunikation .

"I en perfekt värld, du skulle kunna följa en enkel uppsättning molekylära regler för att förstå hur varje biologiskt system fungerade, "sa Lingchong Du, professor i Duke's Institutionen för biomedicinsk teknik. "Men i verkligheten, det är svårt att fastställa allmänna regler som omfattar den enorma mångfalden och komplexiteten hos biologiska system. Även när vi fastställer allmänna regler, Det är fortfarande utmanande att använda dem för att förklara och kvantifiera olika fysiska egenskaper. "

Du och Feilun Wu, en doktorand och första författare till tidningen, hanterade dessa utmaningar genom att undersöka beteendet hos mutualistiska system. Dessa symbiotiska system består av två eller flera populationer som ger ömsesidig nytta, som monarkfjärilar och mjölkväxter.

Under vissa förutsättningar, mutualistiska system kan kollapsa, som leder till förödande ekologiska konsekvenser. Wu ville utveckla ett ramverk som exakt kunde förutsäga och förebygga negativa utfall och styra utformningen av nya syntetiska mutualistiska system.

"Eftersom dessa system var så olika, tidigare ramar var antingen endast tillämpliga på specifika mutualistiska system, som växtpollinator eller fröspridningsnät, eller de var för generella och beskrev inte den fina gränsen mellan förhållanden som gör att systemen kan samexistera, kontra dem som tvingar systemet att kollapsa, "sa Wu.

För att undersöka om det kan finnas en enande kvantitativ riktlinje för mutualistiska system, Wu studerade systematiskt 52 differentialekvationsmodeller som fångar mångfalden av mutualistiska system. Dessa system delade samma grundläggande struktur:när den kollektiva nyttan var större än den kollektiva stressen, befolkningarna kan samexistera. Om stress är större än den kollektiva nyttan, systemet kommer att kollapsa.

Även om det är relativt enkelt att mäta stress i ett system, det är mer komplicerat att mäta den kollektiva nyttan, som är en funktion av variabler som kostnad, individuella fördelar och andra systemkomplexiteter. Du och hans team insåg att försök att mäta den kollektiva nyttan blev en flaskhals på grund av de komplexa kriterierna för mätning, och det blev ännu mer utmanande när det tillämpades på olika mutualistiska system.

Istället, laget utvecklade en algoritm för maskininlärning för att bestämma den kollektiva nyttan med några få, relativt lätt att samla variabler som temperatur, pH och genetik. Tillvägagångssättet resulterade i ett förenklat mått som kan tillämpas på olika mutualistiska system.

För att testa deras riktlinjer, laget använde experimentella data från tre mutualistiska bakteriesystem och simulerade data för att visa att deras ramar konsekvent och exakt kan förutsäga om ett system skulle samexistera eller kollapsa. Deras regler kan också förutsäga kvantitativ information, inklusive sannolikhet för samexistens, motstånd och total befolkningstäthet.

Teamet är optimistiskt att deras forskning också kan tillämpas på icke-ömsesidiga biologiska system. Till exempel, Du föreslår att du använder deras strategi för att undersöka antibiotikaresistens och de förhållanden som tillåter resistens att kvarstå eller försvinna.

"När vi arbetar inom medicin eller biomedicinsk teknik, vi inser att en viss förenkling är nödvändig för att förstå samspelet mellan de samhällen vi studerar, "sa du." Vår procedur visade oss att det finns en gemensamhet mellan till synes olika biologiska system, och det är viktigt för att vi ska kunna göra de förutsägelser som driver vår forskning. "

Studiemedlemmar inkluderar Charlotte Lee från Duke biology och Sanyan Mukherjee i statistikvetenskap, matematik, datavetenskap, och bioinformatik och biostatistik, liksom två tidigare You lab -medlemmar, Allison Loptkin och Daniel Needs.