Популяції мікроорганізмів можуть бути невеликими, але вони напрочуд складні, що ускладнює вивчення їх взаємодії з навколишнім середовищем. Але тепер дослідники з Японії виявили, що для цього може надати інструменти машинне навчання.
У дослідженні, опублікованому цього місяця в журналі eLife, вчені з Університету Цукуби показали, що машинне навчання може бути застосоване стосовно зростання популяції бактерій, щоб з'ясувати, як вона пов'язана зі змінами навколишнього середовища.
Динаміка популяцій бактерій зазвичай представлена кривими зростання. Як правило, з метою оцінки відповідності мікробних популяцій навколишньому середовищі використовуються три параметри, взяті з цих кривих: час затримки, швидкість зростання та насичений розмір популяції (або місткість). Ці три параметри ймовірно пов'язані між собою; спостерігалися компроміси між швидкістю зростання й часом затримки, або розміром популяції всередині видів, а також відповідні зміни в насиченому розмірі популяції та швидкості зростання серед генетично різних штамів.
“Залишалися два питання: чи впливає на ці три параметри різноманітність навколишнього середовища, і якщо це так, то яким чином?” – каже старший автор дослідження, професор Бей-Вень Ін. “Щоб відповісти на них, ми використовували підходи на основі даних для вивчення стратегії зростання бактерій”.
Дослідники створили великий набір даних, що відображає динаміку популяцій Escherichia coli (кишкова паличка) в різних умовах навколишнього середовища, використовуючи майже тисячу комбінацій середовищ зростання, складених з 44 хімічних сполук в контрольованих лабораторних умовах. Потім вони проаналізували великі дані щодо взаємозв'язків між параметрами зростання та комбінаціями середовищ за допомогою машинного навчання (ML). Алгоритми ML будують модель на основі даних вибірки, щоб робити прогнози або приймати рішення, не спеціально запрограмовані для цієї мети.
Аналіз показав, що для зростання бактерій компоненти прийняття рішень були різними для різних фаз зростання, наприклад, серин, сульфат та глюкоза для затримки росту (відставання), швидкості росту та максимального зростання (насичення) відповідно. Результати додаткового моделювання та аналізу показали, що амінокислоти з розгалуженим ланцюгом, ймовірно, діють як повсюдні координатори умов зростання бактеріальної популяції.
“Наші результати також виявили загальну та просту стратегію диверсифікації ризиків в умовах, коли бактерії відчували надлишок ресурсів або голод, що має сенс як в еволюційному, так і в екологічному контексті”, - каже професор Ін.
Результати цього дослідження показали, що вивчення світу мікроорганізмів за допомогою підходів, що базуються на даних, може дати нові знання, які раніше були недосяжні за допомогою традиційних біологічних експериментів. Це дослідження показує, що підхід з використанням ML, хоча й є новою технологією, яку необхідно розвивати з точки зору її біологічної надійності і доступності, може відкрити нові можливості для застосування в науках про життя, особливо в мікробіології та екології.
Джерело: пресреліз Університету Цукуби.
Коментарі
Дописати коментар