Da Biologen immer mehr darüber erfahren, wie mikrobielle Gemeinschaften zusammenarbeiten, besteht ein Hauptziel darin, zu verstehen, wie ihre Zusammensetzung die Funktion bestimmt. Welche Stamm- und Artenkombination ist das beste Team, um beispielsweise Schadstoffe abzubauen oder Infektionen abzuwehren? Jahrelang versuchten Wissenschaftler, dieses Problem mit Berechnungen darüber zu lösen, wie mikrobielle Arten miteinander interagieren, aber die nahezu endlosen möglichen Kombinationen von Mikroben in jeder Gemeinschaft machen diese Berechnungen nahezu unmöglich.
Eine neue Studie von Forschern der University of Chicago, der Yale University und der Washington University in St. Louis zeigt, dass ein einfacherer Ansatz möglicherweise besser ist. In ein Papier veröffentlicht in Naturökologie und Evolution Am 2. Oktober 2023 demonstrieren sie ein statistisches Modell, das die Funktionen einer mikrobiellen Gemeinschaft genau vorhersagen kann, indem es einfach das Vorhandensein oder Fehlen verschiedener Arten und nicht die Details ihrer Interaktionen berücksichtigt.
Dieser Ansatz funktionierte mit einer Vielzahl von Datensätzen aus verschiedenen Ökosystemen, was darauf hindeutet, dass er für die Gestaltung mikrobieller Gemeinschaften mit einer spezifischen Funktion für viele verschiedene Anwendungen nützlich sein könnte.
„Vorhersagen mithilfe der Standardansätze sind selbst sehr anspruchsvoll und erfordern viele Daten“, sagte Seppe Kuehn, Ph.D., Assistenzprofessor für Ökologie und Evolution an der UChicago und Co-Senior-Autor der Studie. „In einigen Fällen war dieser Ansatz erfolgreich. Aber was in unserer Arbeit ziemlich überraschend ist, ist, dass wir genauso erfolgreich sind, wenn wir das alles ignorieren.“
Die Forscher verwendeten ein Konzept, das der Genetik entlehnt war. Die Art und Weise, wie sich genetische Mutationen auf die Fitness eines Organismus bzw. die Fähigkeit, zu überleben und genetisches Material an die Nachkommen weiterzugeben, auswirken, wird gemeinhin als „Fitnesslandschaft“ bezeichnet. In diesem Bild werden verschiedene Kombinationen von Mutationen als Punkte auf einer abstrakten „Karte“ möglicher Organismen konzeptualisiert; Die Höhe der Landschaft über jedem Punkt entspricht der Fitness dieses Organismus. Das Ergebnis sieht aus wie eine topografische Karte mit Gipfeln und Tälern, die Organismen mit hoher und niedriger Fitness darstellen.
In der neuen Studie betrachteten die Forscher anstelle von Fitnesslandschaften eine analoge Landschaft der Gemeinschaftsfunktion, in der das Hinzufügen oder Entfernen von Arten „Mutationen“ ähnelt und die topografischen Spitzen Gemeinschaften mit beispielsweise einer hohen Produktionsrate einer Verbindung darstellen.
Im Prinzip könnte die Form solcher Landschaften beliebig komplex oder „schroff“ sein, mit vielen Gipfeln und Tälern. Doch als das Team diesen Ansatz an sechs verschiedenen Datensätzen aus verschiedenen Labors testete, stellte es fest, dass die Landschaften überraschend glatt waren. Diese Glätte bedeutete, dass die Form der Landschaft mit relativ wenigen Daten angenähert werden konnte, was es den Forschern ermöglichte, die Funktion der Gemeinschaft genauso gut vorherzusagen wie die komplizierteren Ansätze, die die Artendynamik und -häufigkeit berücksichtigen.
Die Einfachheit des Ansatzes kann zu seiner Robustheit beitragen. „Das Modell hat im Vergleich zu anderen statistischen Ansätzen gut funktioniert, aber was noch wichtiger ist, es scheint über verschiedene Datensätze hinweg, die sehr unterschiedliche Mikroben für unterschiedliche Funktionen haben, durchweg gut zu funktionieren“, sagte Abby Skwara, die Hauptautorin der Studie, die an der University of Southern California studiert hat UChicago und ist jetzt Doktorand an der Yale University.
Unter den sechs von den Forschern getesteten Beispielen maß eines die Fähigkeit mikrobieller Gemeinschaften, Butyrat zu produzieren, eine kurzkettige Fettsäure, die für eine gesunde Verdauung wichtig ist. In einem anderen Datensatz wurde der Stärkeabbau gemessen.
Die Forscher hoffen, dass dieses neue Landschaftsmodell ein Werkzeug sein kann, um mikrobielle Gemeinschaften für einen bestimmten Zweck zu entwerfen, etwa zum Abbau von Umweltschadstoffen im Boden oder zur Produktion der richtigen Metaboliten, um zur Wiederherstellung gesunder Verdauungssysteme beizutragen. Dabei könnte es auch zu einem besseren Verständnis darüber führen, wie mikrobielle Gemeinschaften überhaupt funktionieren.
„Der Erfolg dieses einfachen Ansatzes ist insofern faszinierend, als er unserer Intuition über die ökologische Komplexität widerspricht“, sagte Mikhail Tikhonov, Ph.D., Assistenzprofessor für Physik an der WashU und Co-Senior-Autor. „Hier sind die Gemeinschaften komplex, die Landschaften ihrer Funktion jedoch nicht. Zu verstehen, warum das so ist, ist eine spannende Frage für die Theorie.“
Mehr Informationen:
Abigail Skwara et al., Statistisches Lernen der Funktionslandschaft mikrobieller Gemeinschaften, Naturökologie und Evolution (2023). DOI: 10.1038/s41559-023-02197-4