How far can microbial monocultures predict growth in multi-strain communities?
Cette étude démontre qu'une approche d'apprentissage automatique entraînée sur des données de monoculture et de biculture simples peut prédire avec précision la dynamique de croissance de communautés complexes d'E. coli à souches multiples, suggérant que les expériences avec un nombre plus élevé de souches sont souvent inutiles en raison de rendements décroissants.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La vie sur Terre est souvent une affaire de foule, particulièrement dans le monde microscopique où vivent les bactéries. Dans une boîte de Petri ou un intestin humain, ces organismes unicellulaires existent rarement de manière isolée ; ils forment des communautés complexes où différentes souches rivalisent pour la nourriture et l'espace. Les scientifiques ont longtemps tenté de comprendre comment ces groupes se comportent en observant comment des souches individuelles se développent seules. Lorsqu'un type unique de bactérie est placé dans un environnement riche en nutriments, il suit un chemin prévisible : il commence lentement, croît rapidement, puis se stabilise à mesure que les ressources s'épuisent. Ce schéma est connu sous le nom de courbe de croissance. Pendant des années, les chercheurs ont découvert que s'ils savaient comment deux souches différentes croissaient seules, ils pouvaient souvent prédire comment ces deux-là se comporteraient une fois mélangées. Cependant, cette logique simple semblait s'effondrer lorsque plus de deux souches étaient impliquées. Les interactions devenaient trop emmêlées, et les anciennes méthodes échouaient à prévoir le résultat de ces communautés plus grandes et plus encombrées.
Une équipe de chercheurs s'est lancée dans la résolution de ce casse-tête en utilisant une approche différente. Au lieu de s'appuyer sur des modèles mathématiques traditionnels qui tentent de décrire chaque règle biologique, ils se sont tournés vers une méthode appelée apprentissage automatique (machine learning). Il s'agit d'un type de programme informatique qui apprend des schémas à partir de données sans qu'on lui dicte explicitement les règles. Les scientifiques se sont concentrés sur une bactérie commune, l'Escherichia coli, en testant des communautés composées d'jusqu'à cinq souches différentes. Ils ont commencé par mesurer la croissance de chaque souche lorsqu'elle était la seule présente dans la boîte, en notant la vitesse à laquelle elle se multipliait et le moment exact où elle atteignait son rythme le plus rapide. Ils ont ensuite mélangé ces souches en diverses combinaisons, allant de paires jusqu'à des groupes de cinq, et ont mesuré la quantité totale de bactéries produites, la forme de la courbe de croissance et le moment où le groupe a crû le plus rapidement.
Les résultats ont révélé que le comportement de l'ensemble du groupe était fortement influencé par la performance individuelle de ses membres. Plus précisément, le programme informatique a appris que la souche à la croissance la plus rapide et le moment de son pic de vitesse étaient les indices les plus importants pour prédire l'issue de toute la communauté. Plus surprenant encore, le modèle d'apprentissage automatique entraîné sur des données provenant de petits groupes, tels que des paires ou des trios de bactéries, a été capable de prédire avec précision le comportement de groupes plus larges contenant quatre ou cinq souches. L'ordinateur n'avait pas besoin de voir toutes les combinaisons possibles pour comprendre le schéma ; il en a appris suffisamment à partir des mélanges plus simples pour deviner l'issue des plus complexes.
L'étude a également mis en lumière une limite à la quantité de complexité réellement nécessaire pour effectuer ces prédictions. Les chercheurs ont constaté que l'ajout de de plus en plus de souches aux données d'entraînement n'améliorait pas de manière significative la précision de leurs prévisions. Dans de nombreux cas, savoir comment les bactéries croissaient seules ou en paires était déjà suffisant pour prédire le comportement d'une communauté de cinq souches avec une grande précision. Cela suggère que l'effort supplémentaire requis pour cultiver et étudier de grands mélanges complexes de bactéries est souvent inutile. Les conclusions indiquent que les règles fondamentales régissant ces communautés microbiennes sont plus simples qu'on ne le pensait, et que le comportement d'un grand groupe peut souvent être compris en examinant attentivement les individus qui le composent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.