Models trained with noisy genomes extend bacterial phenotype prediction into deep time
Addestrando modelli di apprendimento automatico sul contenuto genico batterico con l'aggiunta di rumore per migliorare la generalizzazione attraverso le distanze evolutive, i ricercatori sono riusciti a prevedere i fenotipi ancestrali e hanno concluso che l'ultimo antenato comune batterico era probabilmente un organismo anaerobico, a doppia membrana e moderatamente termofilo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immagina di avere una biblioteca massiccia di manuali di istruzioni (genomi) per ogni batterio vivente che puoi trovare oggi. Gli scienziati hanno già capito come usare questi manuali moderni per prevedere l'aspetto e il comportamento dei batteri (i loro fenotipi), un po' come indovinare la velocità di un'auto leggendo solo il suo manuale del motore.
Questo articolo riguarda l'idea di prendere questo concetto e riportare l'orologio indietro di miliardi di anni per indovinare come fossero i primissimi batteri.
Ecco la scomposizione semplice di come ci sono riusciti e di cosa hanno scoperto:
La Macchina del Tempo "Rumorosa"
I ricercatori hanno costruito un modello informatico (un algoritmo di apprendimento automatico) per apprendere la connessione tra i geni di un batterio e i suoi tratti. Tuttavia, c'è un problema: più si torna indietro nel tempo, più i "manuali di istruzioni" cambiano e si frammentano. È come cercare di leggere una ricetta di 1.000 anni fa dove alcune parole mancano e altre sono scritte male.
Per risolvere il problema, gli scienziati hanno fatto una cosa intelligente: hanno intenzionalmente aggiunto del "rumore" (errori casuali o pezzi mancanti) ai dati genetici moderni durante l'addestramento del computer. Pensa a esercitarsi per un esame studiando con un libro di testo sfuocato e leggermente danneggiato. Imparando a fare buone ipotesi anche quando i dati sono disordinati, il computer è diventato molto più bravo a gestire i dati genetici "sfocati" degli antenati antichi.
I Risultati: Quanto Indietro Potevano Vedere?
Il modello funzionava diversamente a seconda del tratto:
- I Tratti del Quadro Generale: Per le caratteristiche complesse che dipendono dal lavoro coordinato di molti geni diversi — come se un batterio ha bisogno di ossigeno, com'è fatta la sua membrana esterna o quale temperatura preferisce — l'addestramento "rumoroso" ha permesso al modello di vedere chiaramente fino all'inizio stesso dell'albero genealogico batterico.
- I Tratti Specifici: Per tratti più semplici o specifici, come la composizione chimica del loro DNA o se possono formare spore, la visione del modello si è fatta sfocata molto prima. Non riusciva a prevedere questi tratti così a lungo indietro nel tempo.
Il Ritratto del Primo Batterio
Poiché il modello poteva vedere i tratti del "Quadro Generale" con tanta chiarezza, gli scienziati sono stati in grado di dipingere un ritratto dell'Ultimo Antenato Comune Batterico (LBCA) — il grande-grande-grande-bisnonno di tutti i batteri vivi oggi.
In base alle loro scoperte, questo antico antenato era probabilmente:
- Anaerobico: Non aveva bisogno di ossigeno per sopravvivere (viveva in un mondo senza di esso).
- A Doppia Membrana: Aveva una pelle esterna a doppio strato.
- Termofilo: Amava il calore, prosperando in temperature tra i 46°C e i 75°C (circa 115°F e 167°F).
La Conclusione
In breve, insegnando ai computer come gestire i dati "disordinati", i ricercatori hanno creato un nuovo modo per guardare nel passato remoto. Hanno usato con successo questo metodo per dedurre come fossero i primissimi batteri, dimostrando che possiamo imparare la prima evoluzione della vita studiando gli indizi genomici lasciati alle spalle.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.