Считается, что микробные сообщества содержат ключевые виды, которые могут оказывать непропорционально большое влияние на стабильность сообщества, даже если присутствуют в нем в незначительном количестве.
Выявление этих ключевых видов может быть затруднено, особенно в кишечнике человека, поскольку их невозможно выделить путем систематического исключения и эффективный метод систематической идентификации ключевых видов в микробных сообществах до сих пор отсутствует. Исследователи из Brigham and Women's Hospital разработали новую систему идентификации ключевых видов (DKI) на основе данных, которая использует машинное обучение для решения этой проблемы. Их работа опубликована в журнале Nature Ecology & Evolution. Основная идея авторов заключается в изучении принципов сборки микробных сообществ в конкретной среде обитания путем обучения модели глубинного обучения на образцах микробиома, собранных в этой среде обитания.
Используя модель глубинного обучения, обученную на реальных данных микробиома кишечника человека из метагеномной базы данных, исследователи смогли смоделировать удаление любого вида в любом образце микробиома кишечника. Этот "мысленный эксперимент" позволил им рассчитать "ключевость" или относительную важность каждого вида в каждом сообществе. Ученые обнаружили, что предсказанные ключевые виды варьируют в разных сообществах. Некоторые из них имели низкий медианный показатель "ключевости" по всем образцам и вряд ли были важны для какого-либо сообщества. Напротив, виды с высокими медианными баллами, скорее всего, будут ключевыми в одних сообществах, но не в других. Аналогичные результаты были получены также на примере микробиома полости рта человека и микробиома окружающей среды. Эти результаты позволяют предположить, что понятие "ключевые виды микроорганизмов" зависит от конкретного сообщества или контекста.
Известно, что многие виды микроорганизмов кишечника человека выполняют такие важные функции, как расщепление сложных углеводов или поддержание здоровой среды в кишечнике. Авторы смогли использовать свою систему DKI для выявления потенциальных ключевых видов, участвующих в таких функциях, в том числе одного, который помогает пищеварению у детей, находящихся на молочном питании, и взрослых.
Представленный фреймворк DKI демонстрирует возможности машинного обучения в решении фундаментальной проблемы экологии сообществ, прокладывая путь к управлению сложными микробными сообществами на основе данных. "Наша система DKI демонстрирует возможности машинного обучения в решении фундаментальной проблемы экологии сообществ", - сказал соавтор работы Ян-Ю Лю. "Система DKI может быть адаптирована для облегчения будущей работы по изучению сложных микробных сообществ на основе данных".
