Neues Modell ermöglicht das Lernen und die Vorhersage mikrobieller Interaktionen

Eine winzige, aber fruchtbare Welt von Mikroben umfasst alles um uns herum, sowohl innen als auch außen. Mikrobiome, die aus verschiedenen Mikrobengemeinschaften bestehen, spielen eine entscheidende Rolle bei der Gestaltung der menschlichen Gesundheit, doch die Feinheiten, wie unterschiedliche mikrobielle Zusammensetzungen unser Wohlbefinden beeinflussen, sind noch weitgehend unbekannt.

In einer aktuellen Studie veröffentlicht In Verfahren der Nationalen Akademie der Wissenschaftenbeschreiben Forscher der University of Illinois Urbana-Champaign einen neuen Rahmen, den sie geschaffen haben, um vorherzusagen, wie Arten innerhalb von Mikrobiomen miteinander interagieren, um einzigartige Zusammensetzungen zu schaffen.

„Mikroben können in der Medizin eingesetzt werden, auch bekannt als ‚Käfer als Medikamente‘, und diese mikrobiellen Therapeutika könnten die Antwort auf viele der Krankheiten sein, mit denen wir heute konfrontiert sind“, sagte Shreya Arya, eine Doktorandin im O’Dwyer-Labor.

„Wir versuchen, zur Lösung dieser Probleme auf den Einsatz von Antibiotika zu verzichten, da Bakterien im Laufe der Zeit Antibiotikaresistenzen entwickelt haben. Wenn der Darm durch einen Krankheitserreger infiziert wird, suchen wir nach einer Möglichkeit, die Zusammensetzung des Darms zu ändern.“ Mikrobiom, so dass das Darmmikrobiom wieder in einen gesunden Zustand versetzt und die Häufigkeit des Krankheitserregers unterdrückt wird.

Leider würde die Beurteilung der Wechselwirkungen zwischen den einzelnen Mikrobenarten in verschiedenen Umgebungen eine exponentielle Menge an experimentellen Daten erfordern, die nicht modellierbar wären. Um diese Hürde zu überwinden, versuchten James O’Dwyer (CAIM), außerordentlicher Professor für Pflanzenbiologie, zusammen mit Arya und Ashish George, einem ehemaligen Postdoktoranden in O’Dwyers Labor, ein Modell zu entwickeln, das die Ergebnisse mikrobieller Gemeinschaften vorhersagen konnte auf die zu Beginn vorhandenen Mikroben.

Das Modell würde einen „Landschaftsinteraktionswert“ zwischen jeder Mikrobe liefern, der im Wesentlichen charakterisiert, wie viel Einfluss jede der Mikroben auf die Häufigkeit einer anderen Mikrobe und das Ergebnis des Mikrobioms hat.

„Bei dieser Modellierung ist es wichtig, die richtige Frage zu stellen“, sagte O’Dwyer. „Wir könnten versuchen, alle paarweisen Vergleiche und Interaktionen höherer Ordnung zwischen Arten umfassend zu modellieren, was uns die volle Dynamik der Veränderungen der Gemeinschaft im Laufe der Zeit liefern würde, aber das würde buchstäblich ewig dauern. Stattdessen fragten wir am Ende von Wer ist bei all diesen mikrobiellen Interaktionen noch da? Wie häufig gibt es sie und welche Funktionen haben sie dann in dieser Endpunktgemeinschaft?“

Um diese Fragen zu beantworten, begann das Forschungsteam mit einem Rechenmodell, das in der Lage ist, mikrobielle Gemeinschaften zu simulieren und ihre Ergebnisse vorherzusagen. Dabei entdeckten sie eine überraschende Entdeckung: Die meisten Landschaftsinteraktionen zwischen Mikroben waren nahezu Null. Dies bedeutet, dass die meisten Mikroben nur einen minimalen Einfluss auf das Endergebnis des Mikrobioms hatten und nur einige wenige eine entscheidende Rolle bei der Vorhersage dieser Ergebnisse spielten.

Anschließend nutzten die Forscher eine Methode aus dem Bereich der Signalerkennung namens Compressive Sensing, die es ermöglicht, mehr Informationen aus Datensätzen mit spärlicher Darstellung zu extrahieren.

Das Modell wurde mithilfe bestehender Mikrobiom-Datensätze trainiert und die Ergebnisse dieser Interaktionen wurden durch reale Experimente mit denselben Mikrobiomen überprüft, um festzustellen, ob die resultierenden Interaktionen und die Zusammensetzung mit den Vorhersagen übereinstimmten. Interessanterweise stellten die Forscher fest, dass die „Spärlichkeit“ oder Fülle von Nullen der Landschaftsinteraktionen sowohl im Modell als auch in den Experimenten in der realen Welt zutraf.

„Ich denke, wir können daraus viel über ökologische Gemeinschaften im Allgemeinen lernen“, sagte O’Dwyer. „Wir denken oft, dass es all diese komplexen Interaktionen gibt, und das führt dazu, dass die Struktur und die Community-Funktionen schwer vorherzusagen sind. Aber das zeigt, dass die Ergebnisse manchmal etwas einfacher sind, als man erwarten würde. Der Zauber dabei ist, dass man es nicht hat.“ um alles über jeden Anfangszustand bis hin zu jedem Endzustand zu erfahren. Man muss nur ein bisschen davon lernen, und es kann einem genug Informationen geben, um die ganze Sache zu wissen.“

Das Team ist nun daran interessiert, zu erforschen, warum so viele mikrobielle Landschaftsinteraktionen nahezu Null waren, und größere Datensätze auszuprobieren, um herauszufinden, ob sich dadurch die gefundenen Muster ändern.

„Wir wollen verstehen, warum diese Spärlichkeit überhaupt vorhanden ist, wenn uns das etwas darüber sagen kann, wie Mikrobiome grundsätzlich zusammengesetzt sind und wie diese Arten miteinander interagieren“, erklärte Arya. „Obwohl ein Bodenmikrobiom beispielsweise taxonomisch sehr unterschiedliche Arten aufweist als der menschliche Darm, kann es Ähnlichkeiten in der Art und Weise geben, wie mikrobielle Arten miteinander interagieren, die wir anhand der Umgebung vorhersagen können.“

Arya hofft, das Modell weiter verfeinern zu können, damit es zur Untersuchung bestimmter Mikrobiome von Interesse verwendet werden kann und vielfältigere Datensätze berücksichtigt. Ein ultimatives Ziel besteht darin, das Modell in der personalisierten Medizin nutzen zu können, um vorherzusagen, ob bei Patienten im Vergleich zu anderen das Risiko besteht, dass sich bestimmte Krankheitserreger in ihrem Mikrobiom ansiedeln.

„Um mikrobielle Therapeutika zu entwickeln, müssen wir verstehen, welche mikrobiellen Spezies wir in welchen Umgebungen kombinieren müssen, um die beste Funktion zu erzielen. Und dies ist ein erster Schritt in Richtung dieses Ziels“, sagte Arya.