Microbiële populaties zijn misschien klein, maar ze zijn verrassend complex, waardoor interacties met hun omgeving moeilijk te bestuderen zijn. Maar nu hebben onderzoekers uit Japan ontdekt dat machine learning de tools kan bieden om precies dat te doen. In een onderzoek dat deze maand is gepubliceerd in eLife , hebben onderzoekers van de Universiteit van Tsukuba onthuld dat machinaal leren kan worden toegepast op de groei van bacteriële populaties om te ontdekken hoe het zich verhoudt tot variaties in hun omgeving.

De dynamiek van microbenpopulaties wordt meestal weergegeven door groeicurven. Doorgaans worden drie parameters uit deze curven gebruikt om te evalueren hoe microbiële populaties passen in hun omgeving:vertragingstijd, groeisnelheid en verzadigde populatiegrootte (of draagkracht). Deze drie parameters zijn waarschijnlijk met elkaar verbonden; compromissen zijn waargenomen tussen de groeisnelheid en ofwel de vertragingstijd of populatiegrootte binnen soorten, en met gerelateerde veranderingen in de verzadigde populatieomvang en groeisnelheid tussen genetisch diverse stammen.

"Er bleven twee vragen over:worden deze drie parameters beïnvloed door milieudiversiteit, en zo ja, hoe?" zegt senior auteur van de studie, professor Bei-Wen Ying. "Om deze te beantwoorden, hebben we datagestuurde benaderingen gebruikt om de groeistrategie van bacteriën te onderzoeken."

De onderzoekers bouwden een grote dataset die de dynamiek van Escherichia coli-populaties weerspiegelde onder een breed scala aan omgevingsomstandigheden, met behulp van bijna duizend combinaties van groeimedia samengesteld uit 44 chemische verbindingen onder gecontroleerde laboratoriumomstandigheden. Vervolgens analyseerden ze de big data voor de relaties tussen de groeiparameters en de combinaties van media met behulp van machine learning (ML). ML-algoritmen hebben een model gebouwd op basis van voorbeeldgegevens om voorspellingen of beslissingen te maken zonder dat ze specifiek zijn geprogrammeerd om dit te doen.

Uit de analyse bleek dat voor bacteriële groei de besluitvormingscomponenten verschillend waren tussen verschillende groeifasen, bijvoorbeeld serine, sulfaat en glucose voor respectievelijk groeivertraging (vertraging), groeisnelheid en maximale groei (verzadiging). De resultaten van aanvullende simulaties en analyses toonden aan dat vertakte aminozuren waarschijnlijk fungeren als alomtegenwoordige coördinatoren voor de groei van de bacteriële populatie.

"Onze resultaten onthulden ook een algemene en eenvoudige strategie van risicodiversificatie in omstandigheden waarin de bacteriën overtollige hulpbronnen of honger leden, wat logisch is in zowel een evolutionaire als ecologische context", zegt professor Ying.

De resultaten van deze studie hebben aangetoond dat het verkennen van de wereld van micro-organismen met datagedreven benaderingen nieuwe inzichten kan opleveren die voorheen onbereikbaar waren via traditionele biologische experimenten. Dit onderzoek toont aan dat de ML-ondersteunde benadering, hoewel nog steeds een opkomende technologie die moet worden ontwikkeld in termen van biologische betrouwbaarheid en toegankelijkheid, nieuwe wegen kan openen voor toepassingen in de biowetenschappen, met name microbiologie en ecologie. + Verder verkennen

Voorheen onbekende vorm van bacteriegroei ontdekt