Emergence of mutants in bacterial populations: a simulation-based approach for parameter inference in extended Luria & Delbru&x0308;ck scenarios
本文引入了一种结合近似贝叶斯计算（ABC）的随机模拟框架，用于在传统数学模型因细胞死亡和可变生长率等限制性假设而失效的复杂场景中，准确推断细菌的突变率和适应度效应。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
生命建立在一种持续且无声的、在稳定性与变化之间的张力之上。每当一个细菌分裂以产生自身的副本时，它必须复制其遗传密码——这是一份构建生命细胞的复杂指令手册。这种复制过程很少是完美的；偶尔会出现字母拼错或单词遗漏的情况。这些被称为“突变”的错误，是进化的原材料。其中大多数是无害的，甚至是有害的，会导致细胞功能不佳或死亡。但有时，一次突变会提供新的优势，使生物体能够在恶劣环境中生存或抵抗毒素。为了理解生命如何适应，科学家必须了解这些错误发生的频率。这种变化率是生物学中的一个基本数字，但测量它却出奇地困难，因为这些事件既罕见又具有混沌性。
几十年来，科学家一直依赖一种经典的实验来统计这些罕见的错误。这种被称为“波动实验”（fluctuation test）的方法涉及在平行条件下培养许多独立的细菌培养物。由于突变在每个培养物的生长过程中是随机发生的，每个试管中的突变细胞数量差异巨大。有些试管可能完全没有突变细胞，而另一些则可能有数百个，这取决于第一次错误何时发生。通过计算这些试管中的突变体，研究人员可以反向推算出突变率。然而，用于解决这个谜题的数学公式是建立在一套严格的假设之上的。它们假设所有细菌以相同的速度生长，实验过程中没有细胞死亡，并且每一个突变体都能在培养皿上被发现。在现实世界中，这些假设经常失效。细菌在压力下会死亡，有些突变会使细胞比邻近细胞生长得更快或更慢，而且科学家往往无法对整个培养物进行计数，只能取其中的一小部分。当这些现实世界的复杂情况发生时，旧的公式就会失效，导致关于进化速度的错误结论。
为了解决这个问题，法国的一个研究小组开发了一种新的计算突变率的方法，该方法不依赖于僵化的公式。他们没有试图将复杂的生物现实强行塞入一个简单的方程，而是构建了一个整个实验的数字模拟器。想象一个充当虚拟实验室的计算机程序，其中数百万个虚拟细菌根据特定规则诞生、生长、死亡并发生突变。研究人员编写了这个模拟器，使其能够处理旧数学模型所忽略的混乱细节：细胞以不同的速率死亡，突变改变了细胞生长的速度，以及科学家通常只观察培养物的一部分而非整体的事实。该模拟器运行实验数千次，为任何给定的条件创造一个庞大的可能结果库。
他们新方法的核心是一个匹配过程。研究人员获取来自真实实验的数据——即在一组试管中发现的突变细菌数量——并将其与模拟器生成的数百万个结果进行对比。他们调整模拟器中的参数，例如突变率或死亡率，并再次运行模拟，寻找能产生与真实数据模式最相似的结果的参数集。这种方法使用一种统计技术来寻找最佳拟合，而不需要传统的公式，从而使他们即使在条件远非完美的情况下也能推断出突变率。他们将这种方法与目前科学家使用的最佳工具进行了对比测试。在旧公式适用的简单情况下，他们的新方法表现得同样出色，证明了其准确性。但在引入了细胞死亡或导致生长减缓的突变等复杂情况后，旧工具失效了或给出了极不准确的结果，而他们的基于模拟的方法则能继续找到正确答案。
研究人员还发现了认知的极限。他们发现，虽然他们的方法可以同时准确估计突变率和突变的适应度效应，但如果两者都是未知的，它无法可靠地将突变率与死亡率区分开来。数据本身并不包含足够的信息来区分“高突变率伴随低死亡率”与“低突变率伴随高死亡率”。这是一个至关重要的发现，因为它告诉科学家，要理解这些复杂的场景，必须通过单独的实验来测量细胞死亡，而不是仅仅试图从突变数据中猜测死亡率。该新方法还能处理实验过程中环境发生变化的情况，例如一个在压力下开始随后恢复的培养物，这是目前其他工具无法分析的情景。
这项工作代表了科学家处理复杂生物问题方式的一种转变。通过用一个灵活的、计算机驱动的模型取代单一且脆弱的方程，研究人员为在更接近现实世界的条件下研究进化打开了大门。他们的工具让科学家可以询问关于细菌在抗生素存在下、在拥挤环境或营养压力下的生存问题，而不必担心数学模型会将数据强行塑造成不符合实际的形状。这种方法并不是解决所有问题的万能药；它比旧的公式需要更多的计算能力和时间。然而，研究人员首次拥有了一种可靠的方法，可以在规则变得复杂时测量进化的速度，确保我们对生命如何适应的理解是基于现实而非基于便利的假设。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。