Wetenschappers hebben lang relatief eenvoudige richtlijnen gebruikt om de fysieke wereld te helpen verklaren, van de tweede bewegingswet van Newton tot de wetten van de thermodynamica.

Nutsvoorzieningen, biomedische ingenieurs van Duke University hebben dynamische modellering en machine learning gebruikt om vergelijkbare eenvoudige regels voor complexe biologie te construeren. Ze hebben een raamwerk bedacht om het gedrag van wederzijds voordelige biologische systemen nauwkeurig te interpreteren en te voorspellen, zoals menselijke darmbacteriën, planten en bestuivers, of algen en koralen.

Het onderzoek verschijnt op 16 januari, 2019 in het journaal Natuurcommunicatie .

"In een perfecte wereld, zou je een eenvoudige set moleculaire regels kunnen volgen om te begrijpen hoe elk biologisch systeem werkte, " zei Lingchong You, een professor in Duke's Department of Biomedical Engineering. "Maar in werkelijkheid, het is moeilijk om algemene regels vast te stellen die de immense diversiteit en complexiteit van biologische systemen omvatten. Zelfs als we algemene regels vaststellen, het is nog steeds een uitdaging om ze te gebruiken om verschillende fysieke eigenschappen te verklaren en te kwantificeren."

Jij en Feilun Wu, een afgestudeerde student en eerste auteur van het papier, hebben deze uitdagingen aangepakt door het gedrag van mutualistische systemen te onderzoeken. Deze symbiotische systemen zijn gemaakt van twee of meer populaties die wederzijds voordeel bieden, zoals monarchvlinders en kroontjesplanten.

Onder bepaalde omstandigheden, mutualistische systemen kunnen instorten, met verwoestende ecologische gevolgen. Wu wilde een raamwerk ontwikkelen dat nauwkeurig negatieve uitkomsten kon voorspellen en voorkomen en het ontwerp van nieuwe synthetische mutualistische systemen zou kunnen leiden.

"Omdat deze systemen zo divers waren, eerdere kaders waren ofwel alleen van toepassing op specifieke mutualistische systemen, zoals plantbestuivers of zaadverspreidingsnetwerken, of ze waren te algemeen en beschreven niet de dunne lijn tussen de omstandigheden waardoor de systemen naast elkaar kunnen bestaan, versus degenen die het systeem dwingen in te storten, " zei Wu.

Om te onderzoeken of er een verenigende kwantitatieve richtlijn zou kunnen bestaan ​​voor mutualistische systemen, Wu heeft systematisch 52 differentiaalvergelijkingsmodellen bestudeerd die de diversiteit van mutualistische systemen vastleggen. Deze systemen deelden dezelfde fundamentele structuur:wanneer het collectieve voordeel groter was dan de collectieve stress, de populaties kunnen naast elkaar bestaan. Als stress groter is dan het collectieve voordeel, het systeem zal instorten.

Hoewel het relatief eenvoudig is om stress in een systeem te meten, het is ingewikkelder om het collectieve voordeel te meten, wat een functie is van variabelen zoals kosten, individuele voordelen en andere systeemcomplexiteiten. U en zijn team erkenden dat pogingen om het collectieve voordeel te meten een knelpunt werden vanwege de complexe criteria die beschikbaar zijn voor het meten, en dat werd nog uitdagender wanneer toegepast op verschillende mutualistische systemen.

In plaats daarvan, het team ontwikkelde een machine learning-algoritme om het collectieve voordeel te bepalen met behulp van een paar, relatief eenvoudig te verzamelen variabelen zoals temperatuur, pH en genetica. De aanpak resulteerde in een vereenvoudigde metriek die kan worden toegepast op verschillende mutualistische systemen.

Om hun richtlijnen te testen, het team gebruikte experimentele gegevens van drie mutualistische bacteriële systemen en gesimuleerde gegevens om aan te tonen dat hun raamwerk consistent en nauwkeurig kon voorspellen of een systeem naast elkaar zou bestaan ​​of zou instorten. Hun regels kunnen ook kwantitatieve informatie voorspellen, inclusief de kans op coëxistentie, weerstand en totale bevolkingsdichtheid.

Het team is optimistisch dat hun onderzoek ook kan worden toegepast op niet-mutualistische biologische systemen. Bijvoorbeeld, U stelt voor om hun strategie te gebruiken om antibioticaresistentie te onderzoeken en de omstandigheden waardoor resistentie kan aanhouden of verdwijnen.

"Als we in de geneeskunde of biomedische technologie werken, we beseffen dat een zekere mate van vereenvoudiging nodig is om de interacties van de gemeenschappen die we bestuderen te begrijpen, "zei U. "Onze procedure heeft ons laten zien dat er overeenkomsten zijn tussen schijnbaar diverse biologische systemen, en dat is essentieel om ons in staat te stellen de voorspellingen te doen die ons onderzoek sturen."

Leden van de studie zijn onder meer Charlotte Lee van Duke Biologie en Sanyan Mukherjee in statistische wetenschap, wiskunde, computertechnologie, en bio-informatica en biostatistiek, evenals twee voormalige leden van het You-lab, Allison Loptkin en Daniel Needs.