🤖 machine learning

Knowledge-Inclusive Adaptive Physics-Informed Neural Network for Microbial Interaction Modelling

本文提出了一种知识包含型自适应物理信息神经网络（Knowledge-Inclusive Adaptive Physics-Informed Neural Network, PINN）框架，该框架通过将来自文献和网络结构的辅助知识与实验数据相结合，增强了微生物相互作用建模，在预测微生物群落动态方面实现了较现有最先进方法的显著精度提升。

原作者： Ravisha Rupasinghe, Rajith Vidanaarachchi, Asela Hevapathige, Sachith Seneviratne, Sen-Lin Tang, Saman Halgamuge

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ravisha Rupasinghe, Rajith Vidanaarachchi, Asela Hevapathige, Sachith Seneviratne, Sen-Lin Tang, Saman Halgamuge

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测一群人在拥挤的房间里会如何互动。你有一段视频摄像机记录了谁站在哪里以及房间里有多少人（这是你的实验数据）。但你也知道，人们的反应会因音乐、温度或刚刚听到的八卦而各不相同（这是背景知识）。

长期以来，试图模拟微生物（如人类肠道或植物根部等微小生命体）如何相互作用的科学家们，一直只观察“摄像机”数据。他们使用了一种名为广义 Lotka-Volterra (gLV) 的标准数学配方来猜测这些微生物如何影响彼此。然而，这个配方经常失败，因为它不知道关于微生物行为变化的“八卦”或“音乐”——即外部因素。

这篇论文介绍了一种更聪明的新型建模方法，称为 KI-APINN（知识集成自适应物理信息神经网络）。以下是它的工作原理，通过简单的概念进行拆解：

1. 问题所在：“盲目的”数学家

想象一位数学家正在解一个谜题，但他只能看到最终的图像，而不能看到拼图碎片或说明书。他必须仅通过观察结果来推测游戏的规则。

旧方法： 以前的方法试图仅通过观察微生物随时间生长和缩减的过程来学习规则。由于忽略了已存在的关于这些微生物功能的庞大科学文献，它们往往会得出错误的规则。
差距： 微生物生活的“规则”（参数）并不是固定的；它们会根据环境而改变。在一种情况下，某种微生物可能是友好的；而在另一种情况下，它可能具有攻击性。

2. 解决方案：“博学多才的”侦探

作者构建了一个系统，这个系统不仅像是一个观察犯罪现场（数据）的侦探，还能在做出推测之前阅读整个警察报告图书馆（科学文献）。

“物理”部分： 他们仍然使用标准的数学配方 (gLV)，因为它是描述生物生长和竞争的一种经过验证的方法。这确保了模型能够立足于生物学现实。
“知识”部分： 系统不仅仅是在猜测规则，它还会阅读成千上万篇关于相关特定微生物的科学论文（特别是标题和摘要）。它将这些文字转化为一种“数字摘要”（文本嵌入）。
“自适应”部分： 系统将视频画面（丰度数据）与图书馆摘要（文本知识）相结合，为那个特定时刻创建一套定制的规则。它会问：“基于我们所看到的以及我们从书中了解到的知识，这些微生物现在应该如何互动？”

3. 引擎：A2G2（大脑）

为了实现这一点，他们构建了一种特定类型的 AI 大脑，称为 A2G2。可以将其看作一个由三部分组成的机器：

倾听者（特征编码器）： 它同时倾听三种不同的声音：谁在那里以及人数的原始数字、一些统计摘要，以及科学文献的“声音”。它使用一种特殊的“注意力”机制来决定哪种声音对当前的预测最重要。
绘图员（结构编码器）： 微生物之间的互动并非直线式的，而是形成一个复杂的网络。这部分负责构建谁与谁相连的地图，但它做得非常高效，不会因为连接过多而应接不暇。
翻译官（重构头）： 它将复杂的地图和综合知识转化为 gLV 方程所需的数学规则（生长率和相互作用强度）。

4. 结果：更聪明的预测

作者在来自人类肠道和姜类植物根部的真实世界数据上测试了该模型。

缺乏知识时： 即便没有阅读书籍，他们的新模型在预测微生物行为方面已经比之前的最优方法高出了 53%。这就像拥有了更好的视力的侦探。
加入知识后： 当他们将科学文献纳入其中时，模型变得更加聪明了。其准确度提升了高达 23%，并使数学拟合度提高了 47%。
“未见”测试： 他们测试了模型是否能猜出它从未见过的微生物会如何表现。通过使用该微生物的文本描述，模型能够进行泛化并做出良好的预测，证明了“阅读”部分有助于它理解新角色。

5. 他们的发现（“啊哈！”时刻）

通过观察模型学到的规则，他们发现了与现实世界科学相匹配的生物模式：

在人类肠道中： 他们发现被称为 Bacteroidaceae 的细菌家族扮演着“关键种”（支撑生态系统的核心支柱）的角色，正如科学家们多年研究中所怀疑的那样。
在姜根中： 他们识别出了特定的细菌，它们充当“枢纽”或领导者，以符合以往关于土壤健康研究的方式支持或竞争其他生物。

总结

简而言之，这篇论文展示了一个不仅会处理数字，还会阅读图书馆的新工具。通过将硬数据（我们看到的）与软知识（我们从书中了解到的）相结合，它创建了一张更准确、更可靠的地图，描绘了微观群落如何生存、战斗与合作。它证明了在科学领域，了解参与者的历史比仅仅观察得分更能帮助你预测比赛。

技术摘要：用于微生物相互作用建模的知识包容性自适应物理信息神经网络

1. 问题陈述

微生物相互作用建模对于理解生态系统功能、宿主健康及生物技术应用至关重要。然而，表征这些相互作用仍然是一个根本性的挑战。微生物动力学受内部两两相互作用和外部环境影响（如温度、营养物质）的共同驱动。虽然广义 Lotka-Volterra (gLV) 方程是建模这些动力学的标准生物学基础，但现有方法面临显著局限性：

数据局限性： 当前方法仅依赖于实验丰度测量，这只能捕捉特定条件下的狭窄系统行为片段，无法解释更广泛的上下文变化。
知识鸿沟： 现有的物理信息神经网络 (PINNs) 参数发现方法严格从数据中学习方程参数，忽略了科学文献和数据库中积累的庞大异构知识（文本、网络结构）。
架构缺陷： 以往的方法往往无法同时捕捉时间动力学、相互作用拓扑结构和上下文知识。基于 LSTM 的方法缺乏拓扑基础，而基于图神经网络 (GNN) 的方法通常缺乏时间表示。此外，现有的基于 gLV 的方法仅从丰度数据中估计参数，忽略了能够提高可靠性的上下文感知知识。

2. 方法论：KI-APINN 与 A2G2

作者提出了知识包容性自适应物理信息神经网络 (KI-APINN)，这是一个模型无关的框架，通过将物理方程参数以“知识包容性”表示的形式进行调节，该表示是通过融合实验数据与辅助知识源形成的。

2.1 框架概述

与参数为固定标量或仅从数据中学习的标准自适应 PINN (APINNs) 不同，KI-APINN 将参数学习为融合表示 ( $z$ ) 的函数。该表示集成了：

实验输入： 微生物丰度谱。
衍生数据： 统计参数和分类丰富度。
上下文知识： 来自同行评审的宏基因组学文献（标题和摘要）的文本嵌入以及网络结构知识。

该框架最小化一个由数据项 ( $L_{Data}$ ) 和物理项 ( $L_{Physics}$ ) 组成的复合损失函数，其中物理参数 ( $\theta$ ) 由参数网络 ( $\theta_\psi$ ) 根据知识包容性表示 $z$ 动态生成。

2.2 A2G2 架构

为了将 KI-APINN 应用于微生物学，作者开发了 A2G2，这是一种特定的神经架构，包含三个组件：

基于注意力的特征编码器： 融合时间丰度谱（通过门控循环单元处理）、统计参数、分类丰富度和文本嵌入。它采用逐模态的注意力机制来权衡各知识源的贡献，从而提供可解释性。
结构编码器 (AnchorGNN)： 一种新型稀疏图编码机制，旨在以亚二次成本捕捉微生物相互作用拓扑结构。它通过学习一组“锚点分类单元 (anchor taxa)”并仅保留与这些锚点相关的边来使相互作用图稀疏化，将计算复杂度从 $O(n^2)$ 降低到 $O(nk)$。
gLV 重建头： 将学习到的表示解码为每个分类单元的生长率 ( $r_v$ ) 和两两相互作用强度 ( $B_{vu}$ )，从而实现了神经架构与 gLV 物理方程之间的闭环。

2.3 流水线

研究评估了两个不同的流水线：

单群落流水线： 专注于单一微生物群落，允许集成群落特有的内部和外部因素。
多群落泛化流水线： 同时对多个群落进行建模，以捕捉共享动力学并泛化到未见分类单元。

3. 核心贡献

KI-APINN 框架： 一种参数发现型 PINN 的泛化形式，它将物理参数调节在学习到的知识包容性表示之上，当不存在辅助知识时，该框架可退化为标准 PINN。
A2G2 架构： 一个结合了多模态注意力融合、基于锚点的稀疏图编码以及基于 gLV 基础的参数解码的具体实例化方案。
全面评估： 该领域迄今为止最广泛的评估，涵盖六个数据集（人类肠道、生姜根际、体外、模拟和新生儿）以及单群落和多群落两种流水线。
生物学洞察： 将推断的相互作用网络与既有生物学知识 (MetagenomicKG) 进行验证，揭示了关键物种和上下文依赖的相互作用模式。

4. 结果

该框架使用基于 Bray-Curtis 差异性 (BCD) 的准确度和 $R^2$ 分数进行了评估。

相对于现有技术的性能： 即使没有辅助知识，A2G2 模型在 BCD 准确度上仍比最先进的水平 (IMPARO 和 LSTM 基准) 提高了高达 53%。
知识集成的影响：
- 肠道微生物组： 文本集成持续提升了建模效果。在单群落流水线中，加入文本后 BCD 准确度提升高达 23%， $R^2$ 提升达 47%。
- 生姜根际： 收益具有处理依赖性，在特定稀释处理 (BV138 200×) 下观察到最强的改进（BCD 提升达 23%， $R^2$ 提升达 47%）。
- 未见分类单元： 在多群落流水线中，文本引导实现了对未见分类单元的稳健泛化，在 25 个未见物种中将 BCD 性能提高了 1.3–2%，将 $R^2$ 提高了 4.0–4.4%。
- 新生儿微生物组： 文本集成显示出混合结果，在肠道样本中观察到收益，但在呼吸道微生物组（咽/鼻）中反应极小，表明了领域特定的适用性。
知识图谱集成： 当与文本结合时，添加结构化知识图谱 (KG) 边嵌入提供了持续的增益（BCD 提升达 19%， $R^2$ 提升达 47%），在某些配置下优于单纯的非结构化文本。
网络分析： 推断的网络识别出了具有生物学合理性的关键物种（例如，男性肠道中的 Bacteroidaceae 和生姜根际中的 Xanthomonadaceae）以及与文献一致的相互作用模式，如互养和协作网络。

5. 重要性与主张

论文声称 KI-APINN 填补了实验数据狭窄范围与科学文献中所蕴含的广泛上下文理解之间的关键空白。通过将异构知识源（文本和网络结构）集成到物理信息学习中，该框架：

增强了参数发现： 超越了纯数据驱动的参数估计，转向上下文感知的推理，提高了准确性和稳定性，特别是在像根际这样简单的 gLV 动力学可能不足以描述的复杂生态系统中。
提供了可解释性： 注意力机制和显式的 gLV 参数输出使研究人员能够理解哪些知识源驱动了预测，并能解释微生物相互作用强度。
提供了泛化能力： 该框架展示了其泛化到未见分类单元和多样化生态环境（人类、植物、合成）的能力，为构建更稳健且可迁移的微生物群落模型提供了路径。

作者得出结论，虽然 gLV 方程并非所有微生物动力学的通用描述，但通过将其参数调节在知识包容性表示之上，可以使模型在保持对已知生物结构的忠实性的同时，适应方程本身无法捕捉的上下文依赖性动力学。