eBiota: Designing microbial communities from large seed pools with desired function using rapid optimization and deep learning

eBiota is een digitaal platform dat gebruikmaakt van snelle optimalisatie en diep leren om rationeel functionele microbiele gemeenschappen te ontwerpen uit een grote zaadpool, waarmee het niet alleen de optimale stamcombinaties voor de productie van gewenste stoffen identificeert, maar ook gemeenschapsdynamiek en interacties nauwkeurig simuleert.

De kern

eBiota: De 'Super-architect' voor Microben

Stel je voor dat je een enorm groot, levend bouwbedrijf wilt starten. Je hebt een enorme voorraad van 21.514 verschillende soorten bakstenen (microben) in je magazijn. Je doel is om een heel specifieke machine te bouwen die bijvoorbeeld waterstofgas maakt, of ziektekiemen verslaat.

Het probleem? Er zijn zoveel bakstenen dat het onmogelijk is om ze één voor één te proberen. Het zou eeuwen duren om te zien welke combinatie werkt. Het is alsof je in een bibliotheek van miljarden boeken probeert één specifiek verhaal te vinden door elk boek van voor tot achter te lezen.

eBiota is de nieuwe, slimme computerprogramma die dit probleem oplost. Het is als een super-architect die in een paar weken doet wat mensen in eeuwen zouden doen.

---

Hoe werkt deze 'Super-architect'?

eBiota werkt in drie stappen, net als een slimme zoektocht in een gigantisch labyrint:

1. De Snelle Filter (CoreBFS): "De Schatzoeker"

Stel je voor dat je op zoek bent naar een specifieke schat (bijvoorbeeld waterstof). In plaats van elke kamer in het kasteel te doorzoeken, kijkt de 'Schatzoeker' eerst alleen naar de kaarten van de gangen.

• Wat doet het? Het kijkt snel of een microbe de juiste 'gereedschapskist' (stofwisseling) heeft om de schat te maken.
• Het resultaat: Het filtert direct 99% van de ongeschikte bakstenen weg. In plaats van 21.000 opties, houd je er slechts een paar duizend over die misschien wel kunnen werken.

2. De Efficiëntie-test (ProdFBA): "De Testbaan"

Nu heb je nog steeds duizenden kandidaten. Maar welke werken het snelst en slimst samen?

• De analogie: Stel je voor dat je een race organiseert. Veel auto's kunnen rijden, maar welke auto's zijn snel én verbruiken weinig benzine?
• Wat doet het? eBiota simuleert een virtuele race. Het kijkt niet alleen of de microbe kan groeien, maar of hij ook productief is. Het zoekt de perfecte teamcombinatie waarbij de microben elkaar helpen (zoals een pitcrew in de Formule 1) om het maximale resultaat te halen zonder dat ze elkaar vertragen.

3. De Sociale Radar (DeepCooc): "De Vriendenlijst"

Zelfs als twee microben goed kunnen werken, willen ze misschien niet samenwonen. In de natuur hebben sommige bacteriën een hekel aan elkaar, terwijl anderen beste vrienden zijn.

• De analogie: Stel je voor dat je een feestje organiseert. Je wilt niet dat de gasten ruzie maken. Je hebt een systeem nodig dat weet wie met wie kan opschieten.
• Wat doet het? Dit deel van eBiota is een kunstmatige intelligentie die is getraind op 23.000 foto's van natuurlijke microbiomen (zoals de darmflora van mensen of bodem). Het leert patronen: "Deze twee bacteriën komen altijd samen voor, die twee nooit." Het voorspelt dus welke combinaties stabiel zijn en niet uit elkaar vallen.

---

Wat hebben ze bewezen?

De wetenschappers hebben eBiota getest in de echte wereld (in het lab):

1. Waterstofproductie: Ze lieten eBiota teams ontwerpen om waterstof te maken. De computer vond combinaties die inderdaad beter werkten dan wat mensen eerder hadden bedacht. Het was alsof de architect een snellere auto ontwierp dan de ingenieurs zelf hadden kunnen bedenken.
2. Ziektekiemen bestrijden: Ze gebruikten 94 verschillende bacteriën uit plantenwortels om te zien welke de plantenziekte R. solanacearum kon stoppen. eBiota voorspelde precies welke bacteriën de ziekte zouden onderdrukken.
3. De Grote Mix: Ze mengden al die 94 bacteriën in één bakje. eBiota voorspelde hoe groot elke soort zou worden. De voorspelling kwam bijna perfect overeen met wat er in het lab gebeurde. Het was alsof de architect de exacte verdeling van mensen in een stad kon voorspellen voordat de stad zelfs gebouwd was.

Waarom is dit belangrijk?

Vroeger was het ontwerpen van microben-combinaties als gokken met een dobbelsteen in een donkere kamer. Je gooide een paar bacteriën bij elkaar en hoopte dat het werkte.

Met eBiota heb je nu een digitale tweeling van de microbenwereld. Je kunt in de computer "spelen" met duizenden combinaties, zien wat er gebeurt, en alleen de winnende teams in het echte lab bouwen.

Kort samengevat:
eBiota is de GPS voor de wereld van microben. Het helpt ons niet langer te dwalen in de duisternis, maar leidt ons direct naar de beste teams van bacteriën om onze wereld schoner, gezonder en energiezuiniger te maken. Of het nu gaat om het maken van groene brandstof, het verbeteren van de landbouw of het genezen van ziektes: we hebben nu de blauwdruk om het te bouwen.

Technische samenvatting

Probleemstelling

Het rationeel ontwerpen van microbiele gemeenschappen (consortia) voor specifieke functies, zoals de productie van biochemische stoffen of het afbreken van verontreinigingen, is een cruciale uitdaging in biotechnologie en synthetische biologie. Bestaande methoden hebben te kampen met drie fundamentele beperkingen:

1. De "curse of dimensionality": De enorme zoekruimte die ontstaat door het selecteren van stammen uit grote zaadpools (duizenden tot tienduizenden genoomsequenties). Traditionele methoden zijn beperkt tot pools van slechts enkele honderden stammen vanwege de exponentiële toename in rekentijd en kosten.
2. Onvoldoende optimalisatie van productie: Bestaande Flux Balance Analysis (FBA) methoden maximaliseren vaak alleen de groeisnelheid, wat niet noodzakelijk leidt tot maximale productie of afbraak van een doelwit. Er is een gebrek aan deterministische voorspellingen voor productie-efficiëntie in gemeenschappen waar leden groeivoordeel inruilen voor metabolietuitwisseling.
3. Ecologische stabiliteit: Het is moeilijk om te voorspellen of ontworpen gemeenschappen ecologisch stabiel zijn en of de leden kunnen coëxisteren. Bestaande statistische methoden voor co-occurrence (samen voorkomen) kunnen geen nieuwe taxa voorspellen en machine learning-modellen hebben vaak te weinig trainingsdata en generaliseren slecht.

Methodologie: Het eBiota-platform

Om deze uitdagingen aan te pakken, hebben de auteurs eBiota ontwikkeld, een geïntegreerd platform dat drie specifieke modules combineert om microbiele gemeenschappen ab initio (vanaf nul) te ontwerpen uit een zaadpool van 21.514 bacteriestammen.

1. CoreBFS (Snelle Screening):

   • Een grafgebaseerd breedte-zoekalgoritme (Breadth-First Search) dat is aangepast aan de schaalvrije en "small-world" eigenschappen van metabolische netwerken.
   • Doel: Het snel filteren van stammen die complete metabolische paden bezitten om een specifiek substraat om te zetten in een doelproduct.
   • Innovatie: Het negeert "valuta-metabolieten" (zoals ATP, ionen) die in te veel reacties voorkomen en gebruikt vooraf opgeslagen paden om de zoekruimte drastisch te verkleinen zonder nauwkeurigheid te verliezen.

2. ProdFBA (Productie-Optimalisatie):

   • Een uitgebreide Flux Balance Analysis die de voordelen van parsimonious FBA (pFBA) en Flux Variability Analysis (FVA) combineert via meervoudige optimalisatiestappen.
   • Doel: Het identificeren van consortia die een maximale productie- of afbraakflux bereiken terwijl de groeisnelheid ten minste 99% van het maximum blijft (om groei te garanderen).
   • Innovatie: Het lost het probleem van oplossingsredundantie op en levert deterministische fluxverdelingen op die zowel groei als productie optimaliseren, in tegenstelling tot klassieke FBA die alleen op groei focust.

3. DeepCooc (Ecologische Stabiliteit):

   • Een deep learning-model (gebaseerd op ResNet) getraind op 23.323 microbioomsamples uit diverse omgevingen (o.a. Earth Microbiome Project).
   • Doel: Het voorspellen van co-occurrence patronen (samen voorkomen) en wederzijdse uitsluiting, zowel voor paren als voor hogere-orde combinaties (triplets).
   • Innovatie: Het model gebruikt transportreacties uit de GEM's (Genome-Scale Metabolic Models) als input en is in staat om patronen te voorspellen voor nieuwe taxa die niet in de trainingsdata zaten, wat het generalisatievermogen vergroot.

Werkstroom: Eerst filtert CoreBFS de pool op functionele capaciteit. Vervolgens gebruikt ProdFBA deze kandidaten om gemeenschappen te assembleren die de productie maximaliseren. Ten slotte gebruikt DeepCooc om te voorspellen of deze gemeenschappen ecologisch stabiel zullen zijn.

Belangrijkste Resultaten

• Schaalbaarheid: eBiota slaagde erin om uit een pool van 21.514 stammen en 496 potentiële substraten/producten miljoenen mogelijke combinaties te screenen en te reduceren tot een haalbaar aantal ontworpen consortia (bijv. 18,8 miljoen gemeenschappen voor 247 producten) binnen enkele weken, wat voor bestaande tools onmogelijk was.
• Validatie op Hydrogenproductie:
  • In simulaties van monoculturen en consortia (tot 6 leden) toonde eBiota een sterke overeenkomst met experimentele data voor waterstofproductie (F1-score > 0,8).
  • Het presteerde significant beter dan bestaande tools zoals MICOM, vooral bij complexe consortia (3+ leden) waar MICOM faalde.
  • Het kon bekende productieprocessen (zoals donkere fermentatie en foto-fermentatie) en interspecifieke elektronoverdracht correct simuleren.
• Experimentele Validatie (In vitro):
  • Pathogenonderdrukking: In experimenten met 94 bacteriestammen en de plantpathogeen R. solanacearum voorspelde eBiota correct welke stammen de pathogeen inhibeerden. Het model kon competitieve relaties en metabolische afstand nauwkeurig kwantificeren.
  • Gemeenschapsopbouw: Bij een synthetische gemeenschap van 94 stammen voorspelde eBiota de relatieve abundanties met een sterke correlatie (Spearman R = 0,827) met experimentele 16S-rRNA sequencing data.
• Meerdere Metabolieten: Het platform slaagde erin om de productie van 28 verschillende metabolieten (aminozuren, vetzuren, vitaminen) in co-culturen nauwkeurig te voorspellen, met een recall van 0,770, vergeleken met 0,361 voor MICOM.

Bijdragen en Significantie

• Digitale Tweeling van het Microbioom: eBiota fungeert als een "digitale tweeling" die niet alleen de aanwezigheid van organismen simuleert, maar ook hun interacties, kruisvoeding, relatieve abundantie en productie-efficiëntie.
• Overbrugging van Schaal: Het is het eerste platform dat in staat is om functionele gemeenschappen rationeel te ontwerpen uit een zaadpool van meer dan 20.000 stammen, waardoor het de "curse of dimensionality" doorbreekt.
• Geïntegreerde Aanpak: Het combineert voor het eerst topologische netwerkanalyse, metabolische flux-optimalisatie en datagedreven ecologische inferentie in één workflow.
• Toepassingsgebied: Het platform opent nieuwe perspectieven voor de synthese van geneesmiddelen, duurzame landbouw (biologische bestrijding), groene energieproductie en industriële fermentatie.

Beperkingen: Het huidige model gebruikt automatisch gereconstrueerde GEM's (in plaats van handmatig curatie zoals AGORA), is beperkt tot bacteriën (geen schimmels of archaea), en simuleert statische steady-state toestanden in plaats van dynamische evolutie. Toekomstige versies zullen deze aspecten moeten integreren voor nog hogere nauwkeurigheid.

Kortom, eBiota markeert een doorbraak in het veld van synthetische ecologie door het mogelijk te maken om complexe, functionele microbiele gemeenschappen op grote schaal en met hoge precisie te ontwerpen.