How far can microbial monocultures predict growth in multi-strain communities?
Questo studio dimostra che un approccio di apprendimento automatico addestrato su dati semplici di monocultura e bicultura può prevedere accuratamente la dinamica di crescita di complesse comunità di *E. coli* multi-ceppo, suggerendo che gli esperimenti con un numero maggiore di ceppi siano spesso superflui a causa di rendimenti decrescenti.
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
La vita sulla Terra è spesso un affare affollato, specialmente nel mondo microscopico dove vivono i batteri. In una piastra di Petri o nell'intestino umano, questi organismi unicellulari raramente esistono in isolamento; essi formano comunità complesse dove diversi ceppi competono per il cibo e lo spazio. Gli scienziati hanno a lungo cercato di capire come si comportino questi gruppi osservando come i singoli ceppi crescono da soli. Quando un singolo tipo di batterio viene posto in un ambiente ricco di nutrienti, segue un percorso prevedibile: inizia lentamente, cresce rapidamente e poi si stabilizza man mano che le risorse si esauriscono. Questo schema è noto come curva di crescita. Per anni, i ricercatori hanno scoperto che, se conoscevano come due ceppi diversi crescessero da soli, potevano spesso prevedere come quei due si sarebbero comportati una volta mescolati. Tuttavia, questa semplice logica sembrava interrompersi quando venivano coinvolti più di due ceppi. Le interazioni diventavano troppo intricate e i vecchi metodi non riuscivano a prevedere l'esito di queste comunità più grandi e affollate.
Un team di ricercatori ha deciso di risolvere questo enigma utilizzando un approccio diverso. Invece di affidarsi ai modelli matematici tradizionali che cercano di descrivere ogni regola biologica, si sono rivolti a un metodo chiamato apprendimento automatico (machine learning). Questo è un tipo di programma informatico che apprende schemi dai dati senza che gli vengano esplicitamente insegnate le regole. Gli scienziati si sono concentrati su un comune batterio chiamato Escherichia coli, testando comunità composte da fino a cinque ceppi diversi. Hanno iniziato misurando come ogni ceppo cresceva quando era l'unico nella piastra, annotando la velocità con cui si moltiplicava e il momento esatto in cui raggiungeva il suo ritmo massimo. Hanno poi mescolato questi ceppi in varie combinazioni, dalle coppie fino a gruppi di cinque, e hanno misurato la quantità totale di batteri prodotti, la forma della curva di crescita e quando il gruppo cresceva più velocemente.
I risultati hanno rivelato che il comportamento dell'intero gruppo era fortemente influenzato dalla performance individuale dei suoi membri. Nello specifico, il programma informatico ha imparato che il ceppo a crescita più rapida e il tempismo del suo picco di velocità erano gli indizi più importanti per prevedere come sarebbe risultati l'intera comunità. Ancora più sorprendente, il modello di apprendimento automatico addestrato su dati provenienti da piccoli gruppi, come coppie o trii di batteri, è stato in grado di prevedere accuratamente il comportamento di gruppi più grandi contenenti quattro o cinque ceppi. Il computer non aveva bisogno di vedere ogni possibile combinazione per comprendere lo schema; ha imparato abbastanza dalle miscele più semplici per indovinare l'esito di quelle più complesse.
Lo studio ha anche scoperto un limite a quanta complessità sia effettivamente necessaria per effettuare queste previsioni. I ricercatori hanno scoperto che aggiungere sempre più ceppi ai loro dati di addestramento non migliorava significativamente l'accuratezza delle loro previsioni. In molti casi, conoscere come i batteri crescessero da soli o in coppie era già sufficiente per prevedere il comportamento di una comunità di cinque ceppi con alta precisione. Ciò suggerisce che l'ulteriore sforzo richiesto per coltivare e studiare miscele grandi e complicate di batteri possa spesso essere superfluo. I risultati indicano che le regole fondamentali che governano queste comunità microbiche sono più semplici di quanto precedentemente pensato, e che il comportamento di un grande gruppo può spesso essere compreso guardando attentamente gli individui al suo interno.
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.