Машинное обучение показало связь между ростом популяции бактерий и окружающей средой

Популяции микроорганизмов могут быть небольшими, но они удивительно сложны, что затрудняет изучение их взаимодействия с окружающей средой. Но теперь исследователи из Японии обнаружили, что для этого может предоставить инструменты машинное обучение.

В исследовании, опубликованном в этом месяце в журнале eLife, ученые из Университета Цукубы показали, что машинное обучение применимо к росту популяции бактерий, чтобы выяснить, как она связана с изменениями окружающей среды.

Динамика популяций бактерий обычно представлена кривыми роста. Как правило, для оценки соответствия микробных популяций окружающей среде используются три параметра, взятых из этих кривых: время задержки, скорость роста и насыщенный размер популяции (или емкость). Эти три параметра, вероятно, связаны между собой; наблюдались компромиссы между скоростью роста и временем задержки или размером популяции внутри видов, а также соответствующие изменения в насыщенном размере популяции и скорости роста среди генетически разных штаммов.

«Оставались два вопроса: влияет ли на эти три параметра разнообразие окружающей среды, и если это так, то каким образом?» – говорит старший автор исследования, профессор Бэй-Вэнь Ин. «Чтобы ответить на них, мы использовали подходы на основе данных для изучения стратегии роста бактерий».

Исследователи создали обширный набор данных, отражающий динамику популяций Escherichia coli (кишечная палочка) в различных условиях окружающей среды, используя почти тысячу комбинаций сред роста, составленных из 44 химических соединений в контролируемых лабораторных условиях. Затем они проанализировали обширные данные по взаимосвязям между параметрами роста и комбинациями сред с помощью машинного обучения (ML). Алгоритмы ML строят модель на основе данных выборки, чтобы делать прогнозы или принимать решения, не специально запрограммированные для этой цели.

Анализ показал, что для роста бактерий компоненты принятия решений были разными для разных фаз роста, например серин, сульфат и глюкоза для задержки роста (отставания), скорости роста и максимального роста (насыщения) соответственно. Результаты дополнительного моделирования и анализа показали, что аминокислоты с разветвленной цепью, вероятно, действуют как повсеместные координаторы условий для роста бактериальной популяции.

«Наши результаты также выявили общую и простую стратегию диверсификации рисков в условиях, когда бактерии испытывали избыток ресурсов или голод, что имеет смысл как в эволюционном, так и экологическом контексте», - говорит профессор Ин.

Результаты этого исследования показали, что изучение мира микроорганизмов с помощью подходов, базирующихся на данных, может дать новые знания, ранее недоступные с помощью традиционных биологических экспериментов. Это исследование показывает, что подход с использованием ML, хотя и является новой технологией, которую необходимо развивать с точки зрения ее биологической надежности и доступности, может открыть новые возможности для применения в науках о жизни, особенно микробиологии и экологии.

Источник: пресс-релиз Университета Цукубы.

Стаття українською мовою