Микробные популяции могут быть небольшими, но они удивительно сложны, что затрудняет изучение их взаимодействия с окружающей средой. Но теперь исследователи из Японии обнаружили, что машинное обучение может предоставить инструменты для этого. В исследовании, опубликованном в этом месяце в eLife , исследователи из Университета Цукуба показали, что машинное обучение можно применять к росту популяции бактерий, чтобы выяснить, как он связан с изменениями в их среде.

Динамику популяций микробов обычно изображают кривыми роста. Как правило, три параметра, взятые из этих кривых, используются для оценки того, как микробные популяции соответствуют окружающей среде: время запаздывания, скорость роста и насыщенный размер популяции (или пропускная способность). Эти три параметра, вероятно, связаны; наблюдались компромиссы между скоростью роста и временем задержки или размером популяции внутри видов, а также с соответствующими изменениями в насыщенном размере популяции и скорости роста среди генетически разнообразных штаммов.

«Осталось два вопроса: влияет ли разнообразие окружающей среды на эти три параметра, и если да, то как?» говорит старший автор исследования, профессор Бэй-Вэнь Ин. «Чтобы ответить на эти вопросы, мы использовали подходы, основанные на данных, для изучения стратегии роста бактерий».

Исследователи создали большой набор данных, отражающий динамику популяций кишечной палочки в самых разных условиях окружающей среды, используя почти тысячу комбинаций питательной среды, состоящей из 44 химических соединений, в контролируемых лабораторных условиях. Затем они проанализировали большие данные на предмет взаимосвязи между параметрами роста и комбинациями медиа, используя машинное обучение (ML). Алгоритмы машинного обучения построили модель на основе выборочных данных для прогнозирования или принятия решений без специального программирования для этого.

Анализ показал, что для бактериального роста компоненты принятия решения были разными для разных фаз роста, например, серин, сульфат и глюкоза для задержки роста (отставания), скорости роста и максимального роста (насыщения) соответственно. Результаты дополнительного моделирования и анализа показали, что аминокислоты с разветвленной цепью, вероятно, действуют как вездесущие координаторы условий роста популяции бактерий.

«Наши результаты также выявили общую и простую стратегию диверсификации риска в условиях, когда бактерии испытывали избыточные ресурсы или голодали, что имеет смысл как в эволюционном, так и в экологическом контексте», — говорит профессор Ин.

Результаты этого исследования показали, что изучение мира микроорганизмов с помощью подходов, основанных на данных, может дать новые знания, которые ранее были недоступны с помощью традиционных биологических экспериментов. Это исследование показывает, что подход с помощью машинного обучения, хотя и все еще новая технология , которую необходимо будет развивать с точки зрения ее биологической надежности и доступности, может открыть новые возможности для приложений в науках о жизни, особенно в микробиологии и экологии.