Het afleiden van de onderliggende ecologische netwerken van microbiële gemeenschappen is belangrijk om hun structuur en reacties op externe stimuli te begrijpen. Maar het kan een hele uitdaging zijn om nauwkeurige netwerkinferenties te maken. In een paper gepubliceerd in Natuurcommunicatie , onderzoekers van Brigham en Women's Hospital beschrijven een methode om de netwerkinferentie gemakkelijker te maken door gebruik te maken van stabiele gegevens zonder microbiële gemeenschappen te veranderen.

"Bestaande methoden vereisen het aannemen van een bepaald populatiedynamiekmodel, die vooraf niet bekend is, " zei Yang-Yu Liu, doctoraat, van de Channing-divisie van Network Medicine. "Bovendien, die methoden vereisen passende tijdelijke overvloedgegevens, die vaak niet informatief genoeg zijn voor betrouwbare gevolgtrekking."

Om meer informatieve temporele gegevens te verkrijgen, onderzoekers moeten grote verstoringen introduceren om de microbiële gemeenschappen te veranderen, die niet alleen moeilijk zijn in de praktijk, maar ook potentieel ethisch twijfelachtig zijn, vooral voor mens-geassocieerde microbiële gemeenschappen. De nieuwe methode ontwikkeld door BWH-onderzoekers omzeilt dit dilemma.

"Het basisidee is heel eenvoudig. Als het ene stationaire monster alleen van het andere verschilt door toevoeging van één soort X, en het toevoegen van X verlaagt de absolute overvloed aan Y, dan kunnen we concluderen dat X de groei van Y remt, " zei Liu. Het team toonde aan dat dit eenvoudige idee kan worden uitgebreid tot meer gecompliceerde gevallen waarin monsters in stabiele toestand van elkaar verschillen door meer dan één soort. Ze bevestigden dat, als er voldoende onafhankelijke steady-state-gegevens werden verzameld van de microbiële gemeenschappen, dan de microbiële interactietypes (positief, negatieve en neutrale interacties) en de structuur van het netwerk kon worden afgeleid zonder enige populatiedynamiekmodellering. De door het team voorgestelde methode lijkt op andere netwerkreconstructiemethoden op basis van steady-state-gegevens, maar in tegenstelling tot de vorige methoden, er hoeven geen verstoringen op het systeem te worden toegepast. Verder, het team heeft een rigoureus criterium vastgesteld om te controleren of bepaalde steady-state-gegevens consistent waren met het gegeneraliseerde Lotka-Volterra (GLV) -model - een klassiek populatiedynamiekmodel in de ecologie dat de relaties tussen soorten wiskundig beschrijft. Het team ontdekte dat als de microbiële gemeenschap het GLV-model volgde, dan zouden de steady-state-gegevens ook kunnen worden gebruikt om de modelparameters af te leiden - interspecies-interactiesterkten en groeisnelheden.

De methode werd systematisch gevalideerd met behulp van gesimuleerde gegevens die waren gegenereerd op basis van verschillende klassieke populatiedynamische modellen met verschillende niveaus van complexiteit. Daarna werd het toegepast op echte gegevens verzameld uit vier verschillende synthetische microbiële gemeenschappen, vinden dat de afgeleide ecologische netwerken ofwel goed overeenkomen met de grondwaarheid of de reactie van systemen op verstoringen kunnen voorspellen.

Aanvullende inzichten in microbiële ecosystemen zullen voortkomen uit een beter begrip van hun onderliggende ecologische netwerken. Het afleiden van ecologische netwerken van met de mens geassocieerde microbiële gemeenschappen met behulp van de hier ontwikkelde methode zal het ontwerp van gepersonaliseerde op microben gebaseerde "cocktails, " zoals de auteurs schrijven, voor de behandeling van ziekten die verband houden met microbiële dysbiose.

"Ik ben heel enthousiast over deze methode, omdat het de weg kan effenen voor het in kaart brengen van complexere microbiële gemeenschappen zoals de menselijke darmflora, wat ons op zijn beurt zal helpen bij het ontwerpen van betere op microbioom gebaseerde therapieën, " zei Liu.