How far can microbial monocultures predict growth in multi-strain communities?

Das Leben auf der Erde ist oft eine geschäftige Angelegenheit, besonders in der mikroskopischen Welt, in der Bakterien leben. In einer Petrischale oder im menschlichen Darm existieren diese einzelligen Organismen selten isoliert; sie bilden komplexe Gemeinschaften, in denen verschiedene Stämme um Nahrung und Platz konkurrieren. Wissenschaftler haben lange versucht zu verstehen, wie diese Gruppen sich verhalten, indem sie untersuchten, wie einzelne Stämme allein wachsen. Wenn ein einzelner Typ von Bakterium in eine nährstoffreiche Umgebung gesetzt wird, folgt er einem vorhersehbaren Pfad: Er beginnt langsam, wächst schnell und flacht dann ab, wenn die Ressourcen zur Neige gehen. Dieses Muster ist als Wachstumskurve bekannt. Jahrelang stellten Forscher fest, dass sie das Verhalten von zwei verschiedenen Stämmen vorhersagen konnten, wenn sie wussten, wie diese beiden alleine wachsen würden. Diese einfache Logik schien jedoch zusammenzubrechen, sobald mehr als zwei Stämme beteiligt waren. Die Interaktionen wurden zu komplex, und die alten Methoden scheiterten daran, das Ergebnis dieser größeren, dichter besiedelten Gemeinschaften vorherzusagen.

Ein Forscherteam setzte sich zum Ziel, dieses Rätsel mit einem anderen Ansatz zu lösen. Anstatt sich auf traditionelle mathematische Modelle zu verlassen, die versuchen, jede biologische Regel zu beschreiben, wandten sie eine Methode namens maschinelles Lernen an. Dies ist eine Art von Computerprogramm, das Muster aus Daten lernt, ohne explizit mit den Regeln instruiert zu werden. Die Wissenschaftler konzentrierten sich auf ein häufig vorkommendes Bakterium namens Escherichia coli und testeten Gemeinschaften, die aus bis zu fünf verschiedenen Stämmen bestanden. Sie begannen damit, das Wachstum jedes Stammes zu messen, wenn er der einzige in der Schale war, wobei sie die Geschwindigkeit der Vermehrung und den exakten Zeitpunkt, an dem er seine höchste Geschwindigkeit erreichte, notierten. Dann mischten sie diese Stämme in verschiedenen Kombinationen, von Paaren bis hin zu Gruppen von fünf, und maßen die Gesamtmenge der produzierten Bakterien, die Form der Wachstumskurve und den Zeitpunkt, zu dem die Gruppe am schnellsten wuchs.

Die Ergebnisse zeigten, dass das Verhalten der gesamten Gruppe stark von der individuellen Leistung ihrer Mitglieder beeinflusst wurde. Insbesondere lernte das Computerprogramm, dass der am schnellsten wachsende Stamm und der Zeitpunkt seiner Spitzengeschwindigkeit die wichtigsten Hinweise waren, um vorherzusagen, wie die gesamte Gemeinschaft aussehen würde. Noch überraschender war, dass das mit Daten aus kleinen Gruppen, wie etwa Paaren oder Trios von Bakterien, trainierte maschinelle Lernmodell in der Lage war, das Verhalten größerer Gruppen mit vier oder fünf Stämmen genau vorherzusagen. Der Computer musste nicht jede mögliche Kombination sehen, um das Muster zu verstehen; er lernte genug aus den einfacheren Mischungen, um das Ergebnis der komplexeren zu erraten.

Die Studie deckte auch eine Grenze auf, wie viel Komplexität tatsächlich nötig ist, um diese Vorhersagen zu treffen. Die Forscher fanden heraus, dass das Hinzufügen immer mehr Stämme zu ihren Trainingsdaten die Genauigkeit ihrer Prognosen nicht signifikant verbesserte. In vielen Fällen war es bereits ausreichend zu wissen, wie die Bakterien alleine oder in Paaren wuchsen, um das Verhalten einer Fünf-Stamm-Gemeinschaft mit hoher Präzision vorherzusagen. Dies deutet darauf hin, dass der zusätzliche Aufwand, der erforderlich ist, um große, komplizierte Bakterienmischungen zu züchten und zu untersuchen, oft unnötig ist. Die Ergebnisse deuten darauf hin, dass die grundlegenden Regeln, die diese mikrobiellen Gemeinschaften steuern, einfacher sind als bisher angenommen, und dass das Verhalten einer großen Gruppe oft verstanden werden kann, indem man die Individuen darin genau betrachtet.