Les communautés formées par les microbes intestinaux humains peuvent désormais être prédites avec plus de précision grâce à un nouveau modèle informatique développé dans le cadre d’une collaboration entre biologistes et ingénieurs, dirigée par l’Université du Michigan et l’Université du Wisconsin.
La fabrication du modèle suggère également une voie vers la mise à l’échelle des 25 espèces de microbes explorées aux milliers qui peuvent être présentes dans les systèmes digestifs humains.
« Chaque fois que nous augmentons le nombre d’espèces, nous obtenons une augmentation exponentielle du nombre de communautés possibles », a déclaré Alfred Hero, professeur émérite John H. Holland de génie électrique et d’informatique à l’Université du Michigan et co-auteur correspondant. de l’étude dans la revue eVie.
« C’est pourquoi il est si important que nous puissions extrapoler à partir des données collectées sur quelques centaines de communautés pour prédire les comportements des millions de communautés que nous n’avons pas vues. »
Alors que la recherche continue de dévoiler les multiples facettes dont les communautés microbiennes influencent la santé humaine, les probiotiques ne sont souvent pas à la hauteur du battage médiatique. Nous n’avons pas un bon moyen de prédire comment l’introduction d’une souche affectera la communauté existante. Mais l’apprentissage automatique, une approche de l’intelligence artificielle dans laquelle les algorithmes apprennent à faire des prédictions basées sur des ensembles de données, pourrait aider à changer cela.
« Des problèmes de cette ampleur ont nécessité une refonte complète de la façon dont nous modélisons le comportement de la communauté », a déclaré Mayank Baranwal, professeur adjoint de systèmes et d’ingénierie de contrôle à l’Institut indien de technologie de Bombay et co-premier auteur de l’étude.
Il a expliqué que le nouvel algorithme pourrait cartographier l’ensemble du paysage de 33 millions de communautés possibles en quelques minutes, par rapport aux jours ou mois nécessaires pour les modèles écologiques conventionnels.
Villes Sim microbiennes
Ophelia Venturelli, professeur adjoint de biochimie à l’Université du Wisconsin et co-auteur correspondant de l’étude, faisait partie intégrante de cette étape majeure. Le laboratoire de Venturelli mène des expériences avec des communautés microbiennes, les gardant dans des environnements à faible teneur en oxygène qui imitent l’environnement de l’intestin des mammifères.
Son équipe a créé des centaines de communautés différentes avec des microbes répandus dans le gros intestin humain, imitant l’état sain du microbiome intestinal. Ils ont ensuite mesuré l’évolution de ces communautés au fil du temps et les concentrations de métabolites importants pour la santé ou de produits chimiques produits lorsque les microbes décomposent les aliments.
« Les métabolites sont produits à des concentrations très élevées dans les intestins », a déclaré Venturelli. « Certains sont bénéfiques pour l’hôte, comme le butyrate. D’autres ont des interactions plus complexes avec l’hôte et la communauté intestinale. »
Le modèle d’apprentissage automatique a permis à l’équipe de concevoir des communautés avec les profils de métabolites souhaités. Ce type de contrôle peut éventuellement aider les médecins à découvrir des moyens de traiter ou de se protéger contre les maladies en introduisant les bons microbes.
Commentaires pour une construction de modèle plus rapide
Bien que la recherche sur le microbiome intestinal humain ait encore un long chemin à parcourir avant de pouvoir proposer ce type d’intervention, l’approche développée par l’équipe pourrait aider à y parvenir plus rapidement. Les algorithmes d’apprentissage automatique sont souvent produits avec un processus en deux étapes : accumuler les données d’entraînement, puis entraîner l’algorithme. Mais l’étape de rétroaction ajoutée par l’équipe de Hero et Venturelli fournit un modèle pour améliorer rapidement les futurs modèles.
L’équipe de Hero a initialement formé l’algorithme d’apprentissage automatique sur un ensemble de données existant du laboratoire Venturelli. L’équipe a ensuite utilisé l’algorithme pour prédire l’évolution et les profils de métabolites de nouvelles communautés que l’équipe de Venturelli a construites et testées en laboratoire. Bien que le modèle ait très bien fonctionné dans l’ensemble, certaines des prédictions ont identifié des faiblesses dans les performances du modèle, que l’équipe de Venturelli a renforcées avec une deuxième série d’expériences, fermant la boucle de rétroaction.
« Cette nouvelle approche de modélisation, associée à la vitesse à laquelle nous pourrions tester de nouvelles communautés dans le laboratoire Venturelli, pourrait permettre la conception de communautés microbiennes utiles », a déclaré Ryan Clark, co-premier auteur de l’étude, qui était chercheur postdoctoral en Le laboratoire de Venturelli quand il a mené les expériences microbiennes. « Il était beaucoup plus facile d’optimiser la production de plusieurs métabolites à la fois. »
Le groupe a opté pour un réseau de neurones à mémoire à court terme pour l’algorithme d’apprentissage automatique, ce qui est bon pour les problèmes de prédiction de séquence. Cependant, comme la plupart des modèles d’apprentissage automatique, le modèle lui-même est une « boîte noire ». Pour déterminer quels facteurs sont entrés dans ses prédictions, l’équipe a utilisé la carte mathématique produite par l’algorithme formé. Il a révélé comment chaque type de microbe affectait l’abondance des autres et quels types de métabolites il supportait. Ils pourraient ensuite utiliser ces relations pour concevoir des communautés dignes d’être explorées à travers le modèle et dans des expériences de suivi.
Le modèle peut également être appliqué à différentes communautés microbiennes au-delà de la médecine, notamment en accélérant la dégradation des plastiques et autres matériaux pour le nettoyage de l’environnement, la production de composés précieux pour les applications bioénergétiques ou l’amélioration de la croissance des plantes.
Mayank Baranwal et al, Les réseaux de neurones récurrents permettent la conception de la dynamique du microbiome intestinal humain synthétique multifonctionnel, eVie (2022). DOI : 10.7554/eLife.73870