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

지구상의 생명체는 종종 북적이는 일들을 겪으며, 특히 박테리아가 살아가는 미생물의 세계에서는 더욱 그러합니다. 배양 접시나 인간의 장 속에서, 이 단세포 생물들은 좀처럼 고립되어 존재하지 않습니다. 그들은 서로 다른 균주들이 먹이와 공간을 두고 경쟁하는 복잡한 공동체를 형성합니다. 과학자들은 개별 균주가 홀로 어떻게 성장하는지를 관찰함으로써 이 집단들이 어떻게 행동하는지 이해하려고 오랫동안 노력해 왔습니다. 단일 종류의 박테리아를 영양분이 풍부한 환경에 두면, 그것은 예측 가능한 경로를 따릅니다. 즉, 천천히 시작하여 빠르게 성장하다가 자원이 고갈됨에 따라 정체기에 접어듭니다. 이 패턴을 성장 곡선이라고 합니다. 수년간 연구자들은 두 가지 서로 다른 균주가 각각 홀로 어떻게 성장하는지 알면, 그 두 균주가 함께 섞였을 때 어떻게 행동할지도 종종 예측할 수 있다는 사실을 발견했습니다. 그러나 이러한 단순한 논리는 두 개 이상의 균주가 관여될 때 무너지는 듯 보였습니다. 상호작용이 너무 얽히면서 기존의 방식으로는 더 크고 더 붐비는 공동체의 결과를 예측하는 데 실패했습니다.

한 연구팀은 다른 접근 방식을 사용하여 이 수수께끼를 풀기 위해 나섰습니다. 모든 생물학적 규칙을 설명하려는 전통적인 수학적 모델에 의존하는 대신, 그들은 머신러닝이라 불리는 방법을 사용했습니다. 이것은 명시적으로 규칙을 전달받지 않고도 데이터로부터 패턴을 학습하는 일종의 컴퓨터 프로그램입니다. 과학자들은 대장균(Escherichia coli)이라는 흔한 박테리아에 집중하여, 최대 5가지의 서로 다른 균주로 구성된 공동체를 테스트했습니다. 그들은 먼저 각 균주가 접시 안에 혼자 있을 때 어떻게 성장하는지 측정하며, 증식 속도와 가장 빠른 속도에 도달하는 정확한 시점을 기록했습니다. 그런 다음 이 균주들을 쌍부터 다섯 개 그룹까지 다양한 조합으로 섞었고, 박테리아가 생성한 총량, 성장 곡선의 형태, 그리고 집단이 가장 빠르게 성장한 시점을 측정했습니다.

결과는 전체 집단의 행동이 구성원 개개인의 성과에 의해 크게 영향을 받는다는 것을 보여주었습니다. 구체적으로, 컴퓨터 프로그램은 가장 빠르게 성장하는 균주와 그 정점 속도의 타이밍이 전체 공동체가 어떻게 나타날지를 예측하는 데 있어 가장 중요한 단서라는 것을 학습했습니다. 더욱 놀랍게도, 두 개 또는 세 개의 박테리아와 같은 작은 집단의 데이터로 학습된 머신러닝 모델은 네 개 또는 다섯 개의 균주를 포함하는 더 큰 집단의 행동을 정확하게 예측할 수 있었습니다. 컴퓨터는 패턴을 이해하기 위해 가능한 모든 조합을 볼 필요가 없었습니다. 단순한 혼합물로부터 충분히 학습하여 더 복잡한 것들의 결과를 추측해 낸 것입니다.

이 연구는 또한 예측을 하는 데 있어 실제로 어느 정도의 복잡성이 필요한지에 대한 한계를 밝혀냈습니다. 연구진은 훈련 데이터에 점점 더 많은 균주를 추가하는 것이 예측의 정확도를 유의미하게 향상시키지 않는다는 것을 발견했습니다. 많은 경우, 박테리아가 홀로 또는 쌍으로 어떻게 성장하는지를 아는 것만으로도 다섯 가지 균주 공동체의 행동을 높은 정밀도로 예측하기에 충분했습니다. 이는 크고 복잡한 박테리아 혼합물을 배양하고 연구하는 데 드는 추가적인 노력이 종종 불필요할 수 있음을 시사합니다. 이 결과는 미생물 공동체를 지배하는 근본적인 규칙이 이전에 생각했던 것보다 더 단순하며, 큰 집단의 행동은 종종 그 안의 개별 존재들을 면밀히 살펴봄으로써 이해될 수 있다는 것을 나타냅니다.