机器学习模型可以预测复杂微生物群落的定植结果

微生物群落不断受到外源物种的入侵，这可能显著改变其组成和功能。微生物群落抵抗入侵的能力被认为是其组成物种之间复杂相互作用产生的一种新特性。

预测和改变定植结果(即防止病原体植入和促进益生菌植入)的能力对于营养和医学中基于微生物群的个性化干预至关重要。尽管积累了越来越多的实证研究，但由于对物种间相互作用的了解有限，预测复杂群落中的定植结果仍然是一项根本挑战。

最近，中国科学院深圳先进技术研究院戴蕾教授团队与其他研究人员合作，开发了一种数据驱动的方法，该方法不依赖于任何动态模型，可以在不详细了解底层生态和生化过程的情况下预测外源物种在复杂微生物群落中的定殖结果。

该研究于3月16日发表在《自然通讯》杂志上。

在这项研究中，研究人员使用从经典生态动力学模型和体外人类粪便来源的微生物群落生成的合成数据系统地评估了所提出的数据驱动方法。他们发现，如果训练数据中的样本量足够大[大约为 ~O(N)]，则可以使用机器学习模型预测定植结果(即外源物种是否可以定植以及如果定植其丰度会是多少)。

研究人员随后生成了大规模数据集，其中包含两种代表性物种在人类粪便微生物群落中定植的体外实验结果。他们验证了机器学习模型也可以预测实验中的定植结果(AUROC > 0.8)。

此外，研究人员使用机器学习模型来识别具有显著殖民影响的物种，并通过实证证明，引入高度相互作用的物种可以显著改变殖民结果。

戴教授说：“我们的研究结果表明，复杂微生物群落的定植结果可以通过数据驱动的方法进行预测，并且可以进行调整。”