由密歇根大学和威斯康星大学领导的生物学家和工程师合作开发的新计算机模型现在可以更准确地预测由人类肠道微生物形成的群落。Venturelli实验室中的机器人创建用于训练和测试算法的微生物群落。图片来源：Venturelli实验室

该模型的制作还提出了一条从探索的25种微生物物种扩展到人类消化系统中可能存在的数千种微生物的途径。

“每当我们增加物种数量时，可能的群落数量就会呈指数级增长，”密歇根大学约翰·H·荷兰杰出电子工程和计算机科学教授、共同通讯作者AlfredHero说发表在eLife杂志上的研究。

“这就是为什么我们可以从数百个社区收集的数据中推断出我们未见过的数百万个社区的行为如此重要的原因。”

虽然研究继续揭示微生物群落影响人类健康的多方面方式，但益生菌通常不会辜负炒作。我们没有很好的方法来预测一种菌株的引入将如何影响现有的社区。但是机器学习，一种人工智能方法，算法学习基于数据集进行预测，可以帮助改变这种情况。

“就我们如何模拟社区行为而言，这种规模的问题需要彻底改革，”孟买印度理工学院系统与控制工程副教授、该研究的共同第一作者MayankBaranwal说。

他解释说，与传统生态模型所需的几天到几个月相比，新算法可以在几分钟内绘制出3300万个可能社区的整个景观。

微生物模拟城市

这一重要步骤的组成部分是威斯康星大学生物化学助理教授、该研究的共同通讯作者OpheliaVenturelli。Venturelli的实验室对微生物群落进行实验，将它们保持在模拟哺乳动物肠道环境的低氧环境中。

她的团队用人类大肠中普遍存在的微生物创建了数百个不同的群落，模拟了肠道微生物组的健康状态。然后，他们测量了这些群落如何随着时间的推移而演变，以及微生物分解食物时产生的关键健康相关代谢物或化学物质的浓度。

“代谢物在肠道中以非常高的浓度产生，”Venturelli说。“有些对宿主有益，比如丁酸盐。其他人与宿主和肠道社区的互动更为复杂。”

机器学习模型使团队能够设计具有所需代谢物特征的社区。这种控制最终可能会帮助医生通过引入正确的微生物来发现治疗或预防疾病的方法。

反馈以加快模型构建

虽然人类肠道微生物组研究在提供这种干预之前还有很长的路要走，但该团队开发的方法可以帮助更快地实现这一目标。机器学习算法通常通过两步过程产生：积累训练数据，然后训练算法。但Hero和Venturelli团队添加的反馈步骤为快速改进未来模型提供了模板。

Hero的团队最初在Venturelli实验室的现有数据集上训练机器学习算法。然后，该团队使用该算法来预测Venturelli团队在实验室中构建和测试的新群落的进化和代谢物特征。虽然该模型总体上表现非常好，但一些预测发现了模型性能的弱点，Venturelli的团队通过第二轮实验加强了这一点，关闭了反馈循环。

“这种新的建模方法，加上我们可以在Venturelli实验室测试新群落的速度，可以设计出有用的微生物群落，”该研究的共同第一作者、该研究的博士后研究员RyanClark说。Venturelli进行微生物实验时的实验室。“同时优化多种代谢物的生产要容易得多。”

该小组确定了用于机器学习算法的长短期记忆神经网络，这对序列预测问题很有帮助。然而，与大多数机器学习模型一样，模型本身就是一个“黑匣子”。为了弄清楚哪些因素会影响其预测，该团队使用了经过训练的算法生成的数学地图。它揭示了每种微生物如何影响其他微生物的丰度以及它支持的代谢物类型。然后，他们可以使用这些关系来设计值得通过模型和后续实验探索的社区。

该模型还可以应用于医学以外的不同微生物群落，包括加速塑料和其他材料的分解以净化环境、生产用于生物能源应用的有价值的化合物或改善植物生长。

这项研究得到了陆军研究办公室和美国国立卫生研究院的支持。

Hero还是R.Jamison和BettyWilliams工程学教授，以及生物医学工程和统计学教授。Venturelli还是细菌学和化学与生物工程教授。Clark现在是NimbleTherapeutics的高级科学家。Baranwal还是TataConsultancyServicesResearchandInnovation数据和决策科学部门的科学家。