How far can microbial monocultures predict growth in multi-strain communities?
تُظهر هذه الدراسة أن نهج التعلم الآلي المدرب على بيانات المزارع أحادية النوع وثنائية النوع البسيطة يمكنه التنبؤ بدقة بديناميكيات نمو مجتمعات بكتيريا الإشريكية القولونية (E. coli) متعددة السلالات والمعقدة، مما يشير إلى أن التجارب التي تتضمن أعداداً أكبر من السلالات غالباً ما تكون غير ضرورية بسبب تناقص العوائد.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
غالباً ما تكون الحياة على الأرض أمراً مزدحماً، لا سيما في العالم المجهري حيث تعيش البكتيريا. ففي طبق "بتري" أو في أمعاء الإنسان، نادراً ما توجد هذه الكائنات وحيدة الخلية في عزلة؛ بل تشكل مجتمعات معقدة حيث تتنافس سلالات مختلفة على الغذاء والمساحة. لقد حاول العلماء طويلاً فهم كيفية سلوك هذه المجموعات من خلال مراقبة كيفية نمو السلالات الفردية بمفردها. فعندما توضع نوع واحد من البكتيريا في بيئة غنية بالمغذيات، فإنها تتبع مساراً يمكن التنبؤ به: تبدأ ببطء، ثم تنمو بسرعة، ثم تستقر عندما تنفد الموارد. يُعرف هذا النمط باسم منحنى النمو. لسنوات، وجد الباحثون أنه إذا عرفوا كيف تنمو سلالتان مختلفتان بمفردهما، فغالباً ما يمكنهم التنبؤ بكيفية سلوكهما عند خلطهما معاً. ومع ذلك، بدا أن هذا المنطق البسيط ينهار عندما يتم إشراك أكثر من سلالتين؛ إذ تصبح التفاعلات متشابكة للغاية، وتفشل الأساليب القديمة في التنبؤ بنتيجة هذه المجتمعات الأكبر والأكثر ازدحاماً.
عمد فريق من الباحثين إلى حل هذا اللغز باستخدام نهج مختلف. فبدلاً من الاعتماد على النماذج الرياضية التقليدية التي تحاول وصف كل قاعدة بيولوجية، لجأوا إلى طريقة تسمى "تعلم الآلة". وهذا نوع من برامج الكمبيوتر التي تتعلم الأنماط من البيانات دون إخبارها بالقواعد بشكل صريح. ركز العلماء على بكتيريا شائعة تسمى "إيشيريشيا كولاي" (Escherichia coli)، واختبروا مجتمعات مكونة من ما يصل إلى خمس سلالات مختلفة. بدأوا بقياس كيفية نمو كل سلالة عندما كانت هي الوحيدة في الطبق، ملاحظين السرعة التي تتكاثر بها واللحظة الدقيقة التي تصل فيها إلى أقصى وتيرة لها. ثم خلطوا هذه السلالات في تركيبات متنوعة، من الأزواج وصولاً إلى مجموعات من خمس سلالات، وقاسوا إجمالي كمية البكتيريا المنتجة، وشكل منحنى النمو، ومتى نمت المجموعة بأقصى سرعة.
وكشفت النتائج أن سلوك المجموعة بأكملها كان يتأثر بشدة بالأداء الفردي لأعضائها. وتحديداً، تعلم برنامج الكمبيوتر أن السلالة الأسرع نمواً وتوقيت ذروة سرعتها كانا أهم الأدلة للتنبؤ بكيفية ظهور المجتمع بأكمله. والأمر الأكثر إثارة للدهشة هو أن نموذج تعلم الآلة الذي تم تدريبه على بيانات من مجموعات صغيرة، مثل الأزواج أو الثلاثيات من البكتيريا، كان قادراً على التنبؤ بدقة بسلوك المجموعات الأكبر التي تحتوي على أربع أو خمس سلالات. لم يحتج الكمبيوتر إلى رؤية كل التوليفات الممكنة لفهم النمط؛ فقد تعلم ما يكفي من الخلطات الأبسط لتخمين نتيجة الخلطات الأكثر تعقيداً.
كما كشفت الدراسة عن وجود حد لماهية التعقيد المطلوب فعلياً لإجراء هذه التنبؤات. فقد وجد الباحثون أن إضافة المزيد والمزيد من السلالات إلى بيانات التدريب الخاصة بهم لم يحسن دقة توقعاتهم بشكل كبير. وفي كثير من الحالات، كان معرفة كيفية نمو البكتيريا بمفردها أو في أزواج كافياً بالفعل للتنبؤ بسلوك مجتمع مكون من خمس سلالات بدقة عالية. يشير هذا إلى أن الجهد الإضافي المطلوب لزراعة ودراسة الخلطات الكبيرة والمعقدة من البكتيريا قد يكون غير ضروري في كثير من الأحيان. وتشير النتائج إلى أن القواعد الأساسية التي تحكم هذه المجتمعات الميكروبية أبسط مما كان يُعتقد سابقاً، وأن سلوك المجموعة الكبيرة يمكن غالباً فهمه من خلال النظر عن كثب إلى الأفراد داخلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.