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

地球上的生命活动往往是拥挤的，尤其是在细菌生存的微观世界中。在培养皿或人类肠道中，这些单细胞生物很少孤立存在；它们形成了复杂的群落，不同的菌株在其中为了食物和空间而竞争。科学家们长期以来一直试图通过观察不同菌株单独生长的情况来理解这些群体的行为。当一种类型的细菌被置于营养丰富的环境中时，它会遵循一条可预测的路径：起步缓慢，快速增长，然后随着资源的枯竭而趋于平缓。这种模式被称为生长曲线。多年来，研究人员发现，如果他们了解两种不同菌株各自单独生长的规律，通常就能预测这两者混合在一起时的表现。然而，当涉及两种以上菌株时，这种简单的逻辑似乎失效了。相互作用变得过于错综复杂，旧的方法无法预测这些更大规模、更拥挤的群落的结果。

一个研究小组试图使用一种不同的方法来解决这个谜题。他们没有依赖于试图描述每条生物学规则的传统数学模型，而是转向了一种称为机器学习的方法。这是一种无需被明确告知规则即可从数据中学习模式的计算机程序。科学家们将研究重点放在了一种名为大肠杆菌（Escherichia coli）的常见细菌上，测试了由最多五种不同菌株组成的群落。他们首先测量了每种菌株在作为唯一存在于培养皿中的情况下的生长情况，记录了其繁殖的速度以及达到最快生长节奏的确切时刻。随后，他们将这些菌株以各种组合进行混合，从两两组合到多达五种的组合，并测量了产生的细菌总量、生长曲线的形状以及群体生长最快的时刻。

结果显示，整个群体的行为深受其成员个体表现的影响。具体而言，计算机程序学到了：生长速度最快的菌株及其达到峰值速度的时机，是预测整个群落最终走向的最重要线索。更令人惊讶的是，通过对小型群体（如细菌对或三菌株组合）的数据进行训练后，该机器学习模型能够准确预测包含四种或五种菌株的更大规模群体的行为。计算机并不需要看到所有可能的组合来理解模式；它从较简单的混合物中学到了足够的知识，从而能够推测出更复杂组合的结果。

这项研究还揭示了进行此类预测所需的复杂程度是有极限的。研究人员发现，在训练数据中不断增加更多的菌株并不会显著提高预测的准确性。在许多情况下，仅仅了解细菌单独生长或在配对情况下的生长情况，就已经足以高精度地预测五种菌株群落的行为。这表明，培育和研究大型且复杂细菌混合物所付出的额外努力往往是不必要的。研究结果表明，支配这些微生物群落的基本规则比之前想象的要简单，通过仔细观察其中的个体，往往就能理解一个大型群体的行为。