Машинное обучение начинает понимать микробиом кишечника человека
Новая компьютерная модель, разработанная в сотрудничестве биологов и инженеров под руководством Мичиганского и Висконсинского университетов, позволяет точнее предсказывать сообщества микробов в кишечнике человека.
Создание модели также указывает путь к масштабированию — от 25 изученных видов микробов до тысяч, потенциально присутствующих в пищеварительной системе.
"Всякий раз, когда мы увеличиваем количество видов, мы получаем экспоненциальный рост числа возможных сообществ. Вот почему так важно, что мы можем экстраполировать данные, собранные на нескольких сотнях сообществ, чтобы предсказать поведение миллионов сообществ, которых мы не видели", — сказал Альфред Херо, соавтор исследования в журнале eLife.
Машинное обучение может помочь предсказать, как введение нового штамма повлияет на существующее сообщество, что является ключевой проблемой для эффективных пробиотиков.
"Проблемы такого масштаба потребовали полного пересмотра того, как мы моделируем поведение сообщества", — отметил Маянк Баравал, соавтор исследования.
Новый алгоритм смог за минуты составить карту всего ландшафта из 33 миллионов возможных сообществ, в отличие от дней или месяцев, требуемых для традиционных экологических моделей.
Эксперименты в условиях, имитирующих кишечник
Лаборатория Офелии Вентурилли (Университет Висконсина) провела эксперименты с микробными сообществами в условиях с низким содержанием кислорода, имитирующих среду кишечника млекопитающих.
Команда создала сотни различных сообществ из микробов, преобладающих в толстом кишечнике человека, и измерила их эволюцию во времени, а также концентрации ключевых метаболитов, влияющих на здоровье.
"Метаболиты производятся в очень высоких концентрациях в кишечнике. Некоторые полезны для хозяина, как бутират. Другие имеют более сложное взаимодействие с хозяином и сообществом кишечника", — пояснила Вентурилли.
Модель машинного обучения позволила команде проектировать сообщества с желаемыми профилями метаболитов, что в перспективе может помочь в лечении заболеваний.
Обратная связь для ускоренного построения модели
Команда использовала инновационный подход с обратной связью:
- Первоначальное обучение алгоритма на существующем наборе данных.
- Использование алгоритма для предсказания эволюции новых сообществ, которые затем были созданы и протестированы в лаборатории.
- Выявление слабых мест в предсказаниях модели и их устранение с помощью второго раунда экспериментов.
"Этот новый подход к моделированию в сочетании со скоростью, с которой мы могли тестировать новые сообщества в лаборатории, может позволить проектировать полезные микробные сообщества. Было гораздо проще оптимизировать производство нескольких метаболитов одновременно", — сказал Райан Кларк, соавтор исследования.
Команда использовала рекуррентную нейронную сеть с долгой краткосрочной памятью (LSTM). Чтобы понять логику предсказаний «черного ящика», они использовали математическую карту, созданную обученным алгоритмом. Она выявила, как каждый вид микроба влияет на численность других и какие метаболиты он поддерживает.
Модель также может быть применена к различным микробным сообществам за пределами медицины: для ускорения разложения пластиков, производства ценных соединений в биоэнергетике или улучшения роста растений.