A Flux-to-AI Discovery Framework Reveals Carbon-Regulated Intermittent Non-Canonical Nitrification in Achromobacter xylosoxidans

Het leven op aarde is afhankelijk van een delicate, onzichtbare uitwisseling van stikstof, een element dat essentieel is voor het opbouwen van eiwitten en DNA. In de natuurlijke wereld fungeren bacteriën als de primaire ingenieurs van deze cyclus, waarbij ze stikstof uit de lucht of de bodem transformeren naar vormen die planten en dieren kunnen gebruiken. Terwijl sommige bacteriën dit werk verrichten met behulp van zonlicht of anorganische chemicaliën, vertrouwen anderen, bekend als heterotrofen, op organische koolstof—in essentie voedsel—om hun stikstoftransformaties aan te drijven. Decennialang hebben wetenschappers de standaardpaden voor dit proces begrepen, maar een verborgen, alternatieve route is in bepaalde bacteriën ongrijpbaar gebleven. Dit mysterie is bijzonder relevant voor de menselijke gezondheid, aangezien sommige van deze bacteriën opportunistische pathogenen zijn die gedijen in de longen van mensen met cystic fibrosis, een genetische aandoening die dik, plakkerig slijm veroorzaakt. Het begrijpen van hoe deze bacteriën overleven en zich aanpassen in een dergelijke harde, nutriëntenrijke omgeving, zou nieuwe manieren kunnen onthullen om chronische infecties te beheersen.

Een team onderzoekers van San Diego State University heeft nu een verborgen metabole strategie ontdekt die wordt gebruikt door een specifieke bacterie genaamd Achromobacter xylosoxidans. Door geavanceerde computermodellering te combineren met laboratoriumexperimenten en kunstmatige intelligentie, ontdekten zij dat deze bacterie haar methode voor energieproductie kan aanpassen afhankelijk van hoeveel voedsel er beschikbaar is. Wanneer voedsel overvloedig is, groeien de bacteriën normaal gesproken. Maar wanneer voedsel schaars wordt, activeren ze een uniek, intermittent proces om energie te genereren door stikstof te oxideren, een gedrag dat voorheen niet duidelijk was gekarakteriseerd. Deze ontdekking vult niet alleen een gat in ons begrip van de wereldwijde stikstofcyclus, maar werpt ook licht op hoe deze bacteriën in het menselijk lichaam kunnen voortbestaan, wat potentieel nieuwe doelwitten voor behandeling biedt.

De reis naar deze ontdekking begon met een enorme inspanning om het genetische blauwdruk van Achromobacter xylosoxidans in kaart te brengen. De onderzoekers verzamelden genomische gegevens van 133 verschillende stammen van de bacterie, inclusief 21 nieuwe stammen die zij hadden geïsoleerd uit het sputum van cystic fibrosis-patiënten in de Verenigde Staten. Deze stammen kwamen uit diverse omgevingen, waaronder bodem, water, dieren en mensen. Het team ontdekte dat de mensgebonden stammen, met name die van cystic fibrosis-patiënten, iets kleinere genomen hadden dan hun omgevingsgenoten, wat suggereert dat ze onnodig genetisch materiaal hebben afgestoten om zich aan te passen aan het leven in het menselijk lichaam. Ondanks deze verschillen deelden de bacteriën een kernset van genen die hintten op een gedeelde capaciteit om een zeldzaam type stikstofverwerking uit te voeren.

Om te begrijpen hoe deze bacterie functioneert, bouwden de onderzoekers een gedetailleerd computermodel van haar metabolisme, wat in feite een digitale tweeling creëert van de chemische reacties van de cel. Dit model, dat zij iGC1310 noemden, werd geconstrueerd door de genen van de bacterie in kaart te brengen tegen bekende biochemische reacties en het vervolgens rigoureus te testen tegen echte gegevens. Het team kweekte de bacteriën in het laboratorium op 285 verschillende voedselbronnen, variërend van eenvoudige suikers tot complexe aminozuren, om te zien met welke zij konden gedijen. Ze vergeleken deze experimentele resultaten vervolgens met de voorspellingen van het computermodel. Door middel van een proces van trial-and-error verfijnden ze het model totdat het de groeigedrag van de bacterie in meer dan 91 procent van de gevallen nauwkeurig kon voorspellen. Dit hoge niveau van nauwkeurigheid gaf de onderzoekers het vertrouwen om het model te gebruiken om vragen te verkennen die moeilijk in het laboratorium te beantwoorden waren.

Een van de meest significante bevindingen kwam naar voren toen de onderzoekers simuleerden hoe de bacterie met stikstof omgaat onder verschillende voedingsomstandigheden. Het model voorspelde dat de bacterie beschikt over een reeks enzymen die in staat zijn om ammonium, een vorm van stikstof, om te zetten in nitriet. Dit proces, bekend als nitrificatie, wordt doorgaans geassocieend met bacteriën die niet afhankelijk zijn van organisch voedsel. Echter, het model suggereerde dat Achromobacter xylosoxidans deze taak alleen uitvoert wanneer de aanvoer van organische koolstof laag is. Om dit te testen, kweekten de onderzoekers de bacteriën in het laboratorium en monitorden hun chemische output over de tijd. Ze observeerden dat terwijl de bacteriën ammonium consumeerden tijdens hun snelle groeifase, ze pas nitriet begonnen te produceren nadat ze het grootste deel van hun voedsel hadden verbruikt en in een tragere, stationaire fase waren gegaan. Dit bevestigde de voorspelling van de computer: de bacterie schakelt over naar deze stikstofverwerkingsmodus als een overlevingsstrategie wanneer de primaire voedselbron opraakt.

De onderzoekers ontdekten ook dat deze stikstofverwerkingscapaciteit niet uniform is over alle stammen van de bacterie. Door de genomen van de 133 stammen te analyseren, vonden zij dat de genen die nodig zijn voor een gerelateerd proces genaamd denitrificatie—waarmee bacteriën nitraat als voedselbron kunnen gebruiken—volledig ontbreken in de stammen die bij menselijke patiënten zijn geïsoleerd. In contrast hiermee waren deze genen wel aanwezig in stammen gevonden in bodem en water. Dit suggereert dat de mensgebonden bacteriën het vermogen hebben verloren om nitraat te gebruiken, waarschijnlijk omdat dit geen nuttige bron is in de menselijke longomgeving. In plaats daarvan hebben deze menselijke stammen de capaciteit behouden en gespecialiseerd om stikstof op een manier te verwerken die hen helpt te overleven wanneer andere nutriënten schaars zijn.

Om deze complexe patronen over zoveel verschillende stammen heen te duiden, maakte het team gebruik van een nieuwe benadering die zij "Flux-to-AI" noemen. Zij voedden de voorspellingen van het computermodel over hoe elke stam op verschillende nutriënten zou groeien in een systeem van kunstmatige intelligentie. De AI analyseerde de gegevens om specifieke patronen te vinden die de mensgebonden bacteriën onderscheidden van de in het milieu voorkomende bacteriën. Het systeem identificeerde drie belangrijke nutriënten die fungeerden als sterke markers voor mensgebonden stammen: een klein peptide genaamd Gly-Met, een verbinding genaamd acetoacetaat, en het aminozuur L-cysteïne. Deze stoffen staan erom bekend overvloedig aanwezig te zijn in de longen van cystic fibrosis-patiënten, waar ze vrijkomen door de afbraak van dode cellen en eiwitten. De AI-analyse suggereerde dat mensgebonden bacteriën geëvolueerd zijn om specifiek deze aminozuurrijke omgevingen te exploiteren, waarbij ze deze als primaire energiebron gebruiken terwijl ze tegelijkertijd hun stikstofbalans beheren.

De studie benadrukt een geavanceerde adaptatiestrategie waarbij deze bacteriën hun genetische gereedschapskist hebben gestroomlijnd om in een specifieke niche te passen. Door het vermogen te verliezen om bepaalde omgevingsnutriënten zoals nitraat te gebruiken, hebben ze hun inzet verdubbeld voor het gedijen in het aminozuurrijke slijm van de menselijke long. De intermitterende aard van hun nitrificatieproces, dat pas aangaat wanneer het voedsel laag is, lijkt een cruciale mechanisme te zijn voor het handhaven van energiemiddelen tijdens perioden van stress. Deze bevinding daagt de eerdere visie uit dat deze bacteriën simpelweg passieve bewoners van de long zijn, en suggereert in plaats daarvan dat zij actieve metabole ingenieurs zijn die constant hun interne chemie aanpassen om te overleven.

De implicaties van dit werk reiken verder dan een enkele bacterie. De onderzoekers hebben een robuust kader gecreëerd dat genetische gegevens, metabool modelleren en kunstmatige intelligentie combineert om te voorspellen hoe bacteriën zich in verschillende omgevingen zullen gedragen. Deze "Flux-to-AI"-benadering kan worden toegepast op andere microben om verborgen metabole paden te ontsluieren en te begrijpen hoe zij zich aanpassen aan gastheren of veranderende klimaten. Voor de medische gemeenschap biedt de identificatie van specifieke nutriënten waarvan mensgebonden stammen afhankelijk zijn, de deur naar nieuwe therapeutische strategieën. Door de paden te targeten die deze bacteriën in staat stellen om aminozuren te verwerken of over te schakelen op energie op basis van stikstof, kan het mogelijk zijn om hun vermogen om in de longen van cystic fibrosis-patiënten te persistre de verstoren. De studie biedt geen onmiddellijk geneesmiddel, maar levert een heldere, gedetailleerde kaart van het metabole landschap waarin deze bacteriën zich bevinden, wat een nieuw perspectief biedt op hoe men dit landschap kan navigeren.