Maschinelles Lernen beginnt, den menschlichen Darm zu verstehen

Die von menschlichen Darmmikroben gebildeten Gemeinschaften können jetzt mit einem neuen Computermodell, das in Zusammenarbeit zwischen Biologen und Ingenieuren unter der Leitung der University of Michigan und der University of Wisconsin entwickelt wurde, genauer vorhergesagt werden.

Die Herstellung des Modells schlägt auch einen Weg zur Skalierung von den 25 untersuchten Mikrobenarten auf die Tausenden vor, die im menschlichen Verdauungssystem vorhanden sein könnten.

„Jedes Mal, wenn wir die Anzahl der Arten erhöhen, erhalten wir eine exponentielle Zunahme der Anzahl möglicher Gemeinschaften“, sagte Alfred Hero, John H. Holland Distinguished University Professor of Electrical Engineering and Computer Science an der University of Michigan und Co-korrespondierender Autor der Studie in der Zeitschrift eLife.

„Deshalb ist es so wichtig, dass wir aus den gesammelten Daten einiger hundert Gemeinden extrapolieren können, um das Verhalten der Millionen von Gemeinden vorherzusagen, die wir nicht gesehen haben.“

Während die Forschung weiterhin die vielfältigen Möglichkeiten aufdeckt, wie mikrobielle Gemeinschaften die menschliche Gesundheit beeinflussen, werden Probiotika dem Hype oft nicht gerecht. Wir haben keine gute Möglichkeit vorherzusagen, wie sich die Einführung einer Sorte auf die bestehende Gemeinschaft auswirken wird. Aber maschinelles Lernen, ein Ansatz für künstliche Intelligenz, bei dem Algorithmen lernen, Vorhersagen auf der Grundlage von Datensätzen zu treffen, könnte dazu beitragen, dies zu ändern.

„Probleme dieser Größenordnung erforderten eine vollständige Überarbeitung der Art und Weise, wie wir das Verhalten von Gemeinschaften modellieren“, sagte Mayank Baranwal, außerordentlicher Professor für System- und Steuerungstechnik am Indian Institute of Technology in Bombay und Mit-Erstautor der Studie.

Er erklärte, dass der neue Algorithmus die gesamte Landschaft von 33 Millionen möglichen Gemeinschaften in Minuten kartieren könne, verglichen mit den Tagen bis Monaten, die für herkömmliche ökologische Modelle benötigt würden.

Mikrobielle Sim-Städte

Wesentlicher Bestandteil dieses wichtigen Schritts war Ophelia Venturelli, Assistenzprofessorin für Biochemie an der University of Wisconsin und Mitautorin der Studie. Das Labor von Venturelli führt Experimente mit mikrobiellen Gemeinschaften durch und hält sie in sauerstoffarmen Umgebungen, die die Umgebung des Säugetierdarms nachahmen.

Ihr Team schuf Hunderte verschiedener Gemeinschaften mit Mikroben, die im menschlichen Dickdarm vorherrschen, und ahmte den gesunden Zustand des Darmmikrobioms nach. Anschließend maßen sie, wie sich diese Gemeinschaften im Laufe der Zeit entwickelt haben, und die Konzentrationen wichtiger gesundheitsrelevanter Metaboliten oder Chemikalien, die beim Abbau von Lebensmitteln durch Mikroben entstehen.

„Metaboliten werden in sehr hohen Konzentrationen im Darm produziert“, sagte Venturelli. „Einige sind für den Wirt von Vorteil, wie Butyrat. Andere haben komplexere Wechselwirkungen mit der Wirts- und Darmgemeinschaft.“

Das maschinelle Lernmodell ermöglichte es dem Team, Gemeinschaften mit gewünschten Metabolitenprofilen zu entwerfen. Diese Art der Kontrolle kann Ärzten schließlich dabei helfen, Wege zur Behandlung oder zum Schutz vor Krankheiten zu finden, indem sie die richtigen Mikroben einführen.

Feedback für schnelleren Modellbau

Während die Erforschung des menschlichen Darmmikrobioms noch einen langen Weg vor sich hat, bevor sie diese Art von Intervention anbieten kann, könnte der vom Team entwickelte Ansatz dazu beitragen, schneller dorthin zu gelangen. Algorithmen für maschinelles Lernen werden häufig in einem zweistufigen Prozess erstellt: Sammeln Sie die Trainingsdaten und trainieren Sie dann den Algorithmus. Aber der vom Team von Hero und Venturelli hinzugefügte Feedback-Schritt bietet eine Vorlage für die schnelle Verbesserung zukünftiger Modelle.

Das Team von Hero trainierte den maschinellen Lernalgorithmus zunächst mit einem vorhandenen Datensatz aus dem Venturelli-Labor. Das Team verwendete dann den Algorithmus, um die Entwicklung und Metabolitenprofile neuer Gemeinschaften vorherzusagen, die das Team von Venturelli konstruierte und im Labor testete. Während das Modell insgesamt sehr gut funktionierte, identifizierten einige der Vorhersagen Schwächen in der Modellleistung, die das Team von Venturelli mit einer zweiten Experimentrunde untermauerte und die Rückkopplungsschleife schloss.

„Dieser neue Modellierungsansatz, gepaart mit der Geschwindigkeit, mit der wir neue Gemeinschaften im Venturelli-Labor testen konnten, könnte das Design nützlicher mikrobieller Gemeinschaften ermöglichen“, sagte Ryan Clark, Mit-Erstautor der Studie, der Postdoktorand in war Venturellis Labor, als er die mikrobiellen Experimente durchführte. „Es war viel einfacher, die Produktion mehrerer Metaboliten gleichzeitig zu optimieren.“

Die Gruppe entschied sich für ein neuronales Netzwerk mit langem Kurzzeitgedächtnis für den maschinellen Lernalgorithmus, der sich gut für Sequenzvorhersageprobleme eignet. Wie die meisten maschinellen Lernmodelle ist das Modell selbst jedoch eine „Black Box“. Um herauszufinden, welche Faktoren in seine Vorhersagen einflossen, verwendete das Team die mathematische Karte, die vom trainierten Algorithmus erstellt wurde. Es enthüllte, wie jede Art von Mikrobe die Häufigkeit der anderen beeinflusste und welche Arten von Metaboliten sie unterstützten. Sie könnten diese Beziehungen dann nutzen, um Gemeinschaften zu entwerfen, die es wert sind, durch das Modell und in Folgeexperimenten erkundet zu werden.

Das Modell kann auch auf verschiedene mikrobielle Gemeinschaften außerhalb der Medizin angewendet werden, einschließlich der Beschleunigung des Abbaus von Kunststoffen und anderen Materialien zur Umweltreinigung, der Produktion wertvoller Verbindungen für Bioenergieanwendungen oder der Verbesserung des Pflanzenwachstums.