Ученые уже давно используют относительно простые принципы, помогающие объяснить физический мир, от второго закона Ньютона до законов термодинамики.
Теперь инженеры-биомедики из Университета Дьюка использовали динамическое моделирование и машинное обучение, чтобы построить такие же простые правила для сложной биологии. Они разработали основу для точной интерпретации и прогнозирования поведения взаимовыгодных биологических систем, таких как кишечные бактерии человека, растения и опылители, водоросли и кораллы.
Исследование опубликовано 16 января 2019 года в журнале Nature Communications.
«В идеальном мире вы могли бы следовать простому набору молекулярных правил, чтобы понять, как работает каждая биологическая система», - сказал Линчонг Ю, профессор кафедры биомедицинской инженерии Университета Дьюка. «Но на самом деле трудно установить общие правила, охватывающие огромное разнообразие и сложность биологических систем. Даже когда мы устанавливаем общие правила, все еще сложно использовать их для объяснения и количественной оценки различных физических свойств».
Вы и Фейлун Ву, аспирант и первый автор статьи, решили эти проблемы, изучив поведение мутуалистических систем. Эти симбиотические системы состоят из двух или более популяций, которые обеспечивают взаимную выгоду, например, бабочки-монархи и растения молочая.
При определенных условиях мутуалистические системы могут разрушиться, что приведет к разрушительным экологическим последствиям. Ву хотел разработать структуру, которая могла бы точно предсказывать и предотвращать негативные последствия, а также направлять разработку новых синтетических мутуалистических систем.
Поскольку эти системы были настолько разнообразны, предыдущие концепции либо были применимы только к конкретным мутуалистическим системам, таким как сети растений-опылителей или распространения семян, либо они были слишком общими и не описывали тонкую грань между условиями, которые позволяют системам сосуществовать, а не тем, которые заставляют систему рушиться», - сказал Ву.
Чтобы выяснить, может ли существовать единый количественный ориентир для мутуалистических систем, Ву систематически изучил 52 модели дифференциальных уравнений, которые охватывают разнообразие мутуалистических систем. Эти системы имели одну и ту же фундаментальную структуру: когда коллективная польза превышала коллективный стресс, популяции могли сосуществовать. Если стресс превышает коллективную выгоду, система рухнет.
В то время как стресс в системе относительно легко измерить, гораздо сложнее измерить коллективную выгоду, которая является функцией таких переменных, как затраты, индивидуальные выгоды и другие сложности системы. Вы и его команда поняли, что попытка измерить коллективную выгоду стала узким местом из-за сложных критериев, доступных для измерения, и это стало еще более сложным, когда они применялись к различным мутуалистическим системам.
Вместо этого команда разработала алгоритм машинного обучения для определения коллективной выгоды с использованием нескольких относительно легко собираемых переменных, таких как температура, pH и генетика. Подход привел к упрощенной метрике, которую можно применять к различным мутуалистическим системам.
Чтобы проверить свои рекомендации, команда использовала экспериментальные данные из трех мутуалистических бактериальных систем и смоделированные данные, чтобы показать, что их структура может последовательно и точно предсказывать, будет ли система сосуществовать или рухнет. Их правила могли также предсказывать количественную информацию, включая вероятность сосуществования, сопротивление и общую плотность населения..
Команда с оптимизмом смотрит на то, что их исследования могут быть применены и к немутуалистическим биологическим системам. Например, Ю предлагает использовать их стратегию для изучения устойчивости к антибиотикам и условий, при которых устойчивость сохраняется или исчезает.
«Когда мы работаем в области медицины или биомедицинской инженерии, мы понимаем, что необходим некоторый уровень упрощения для понимания взаимодействия изучаемых нами сообществ», - сказал Ю. «Наша процедура показала нам, что между внешне разными биологическими системами существует общность, и это важно для того, чтобы мы могли делать прогнозы, лежащие в основе наших исследований».