Correlazione della crescita batterica alla diversità ambientale. (A) Diagramma di flusso delle condizioni sperimentali e del raggiungimento dei dati. La gradazione di colore indica il gradiente di concentrazione del composto chimico puro utilizzato nelle combinazioni di mezzi. (B) Variazione di concentrazione dei componenti che compongono le combinazioni medie. La variazione di colore indica le categorie di elementi. Le concentrazioni sono indicate su scala logaritmica. Credito:eLife (2022). DOI:10.7554/eLife.76846
Le popolazioni microbiche possono essere piccole ma sono sorprendentemente complesse, rendendo difficile lo studio delle interazioni con l'ambiente circostante. Ma ora i ricercatori giapponesi hanno scoperto che l'apprendimento automatico può fornire gli strumenti per fare proprio questo. In uno studio pubblicato questo mese su eLife , i ricercatori dell'Università di Tsukuba hanno rivelato che l'apprendimento automatico può essere applicato alla crescita della popolazione batterica per scoprire come si collega alle variazioni nel loro ambiente.
La dinamica delle popolazioni microbiche è solitamente rappresentata da curve di crescita. Tipicamente, tre parametri presi da queste curve vengono utilizzati per valutare come le popolazioni microbiche si adattano al loro ambiente:tempo di ritardo, tasso di crescita e dimensione della popolazione satura (o capacità di carico). Questi tre parametri sono probabilmente collegati; sono stati osservati compromessi tra il tasso di crescita e il tempo di ritardo o la dimensione della popolazione all'interno delle specie, e con i relativi cambiamenti nella dimensione della popolazione satura e nel tasso di crescita tra ceppi geneticamente diversi.
"Rimanevano due domande:questi tre parametri sono influenzati dalla diversità ambientale e, se sì, come?" afferma l'autore senior dello studio, il professor Bei-Wen Ying. "Per rispondere a queste domande, abbiamo utilizzato approcci basati sui dati per studiare la strategia di crescita dei batteri".
I ricercatori hanno costruito un ampio set di dati che rifletteva la dinamica delle popolazioni di Escherichia coli in un'ampia varietà di condizioni ambientali, utilizzando quasi mille combinazioni di mezzi di crescita composti da 44 composti chimici in condizioni di laboratorio controllate. Hanno quindi analizzato i big data per le relazioni tra i parametri di crescita e le combinazioni di media utilizzando il machine learning (ML). Gli algoritmi ML hanno costruito un modello basato su dati campione per fare previsioni o prendere decisioni senza essere specificamente programmati per farlo.
L'analisi ha rivelato che per la crescita batterica, i componenti decisionali erano distinti tra le diverse fasi di crescita, ad esempio serina, solfato e glucosio rispettivamente per ritardo di crescita (ritardo), tasso di crescita e crescita massima (saturazione). I risultati di ulteriori simulazioni e analisi hanno mostrato che gli amminoacidi a catena ramificata probabilmente agiscono come coordinatori onnipresenti per le condizioni di crescita della popolazione batterica.
"I nostri risultati hanno anche rivelato una strategia comune e semplice di diversificazione del rischio in condizioni in cui i batteri hanno sperimentato risorse in eccesso o fame, il che ha senso sia in un contesto evolutivo che ecologico", afferma il professor Ying.
I risultati di questo studio hanno rivelato che esplorare il mondo dei microrganismi con approcci basati sui dati può fornire nuove intuizioni che in precedenza erano irraggiungibili tramite esperimenti biologici tradizionali. Questa ricerca mostra che l'approccio assistito da ML, sebbene sia ancora una tecnologia emergente che dovrà essere sviluppata in termini di affidabilità biologica e accessibilità, potrebbe aprire nuove strade per applicazioni nelle scienze della vita, in particolare microbiologia ed ecologia. + Esplora ulteriormente
