分析微生物群落的傳統模型通常依賴一段時間內的平均微生物豐度。雖然這些模型可以有效預測時間變化,但它們通常無法捕捉微生物之間的實際相互作用。
一個國際研究小組,包括馬克斯普朗克進化生物學研究所(MPI-EB)、倫敦大學學院(UCL) 和艾克斯-馬賽大學的科學家,他們都參與了基爾大學SFB「元有機體「項目,現已完成解決了這些挑戰並開發了一種遠遠超出這種傳統方法的方法。
「我們的模型不僅考慮了平均值,還考慮了數據點之間的變異性和相關性,使我們能夠更精確地捕捉微生物相互作用,」倫敦大學學院博士後、該研究的主要作者Román Zapién-Campos博士解釋道發表在公共科學圖書館生物學。
研究人員開發了一個基於微觀轉變率(例如出生、遷移或突變)的隨機模型,並計算了微生物組組成的統計矩。這種方法可以確定參數及其不確定性。它不僅提供了關於微生物群落動態的更可靠的預測,而且還能夠詳細識別微生物之間的特定相互作用。
「我們的方法彌合了宏基因組數據和生態模型之間的關鍵差距,」合著者、MPI-EB 理論生物學系主任 Arne Traulsen 說。值得注意的是,該方法適用於相對豐度資料(通常在宏基因組研究中發現)和絕對豐度資料。這顯著拓寬了其適用性,並且無論可用資料類型如何都可以進行分析。
此方法成功應用於模擬數據,這是此方法可靠性的關鍵檢驗。此外,也分析了由十二個特徵明確的物種組成的簡化小鼠微生物組。
「我們不僅能夠揭示這些微生物群落的潛在機制,還能精確量化模型參數的不確定性,」合著者、艾克斯-馬賽大學組長兼 CNRS 研究員 Florence Bansept 博士解釋道。
這項研究代表了對微生物生態系統及其與宿主相互作用的理解的重大進展。新開發的方法為更好地了解醫學微生物組以及環境中的微生物群落提供了廣闊的前景。
更多資訊:
Román Zapién-Campos 等人,隨機模型可以改善從時間序列資料推斷微生物組交互作用,公共科學圖書館生物學(2024)。DOI:10.1371/journal.pbio.3002913
引文:
隨機模型更準確地捕捉微生物組交互作用(2024 年,12 月 5 日)