Машинное обучение выявило связи между ростом бактериальной популяции и средой

Исследователи из Японии показали, что машинное обучение (ML) можно применять для изучения роста бактериальных популяций и его связи с изменениями в окружающей среде. Результаты опубликованы в журнале eLife.

• Традиционный подход: Динамика популяций микробов обычно описывается кривыми роста с тремя ключевыми параметрами: время задержки (lag time), скорость роста (growth rate) и предельный размер популяции (saturated population size или carrying capacity).
• Новый метод: Учёные создали обширный набор данных, отражающий динамику популяций Escherichia coli почти в тысяче различных сред, составленных из 44 химических соединений. Затем они проанализировали эти "большие данные" с помощью алгоритмов машинного обучения.
• Результаты анализа: ML-алгоритмы выявили, что ключевые компоненты среды, влияющие на принятие "решений" о росте, различны для разных фаз:
  • Задержка роста: серин.
  • Скорость роста: сульфат.
  • Предельный рост: глюкоза.
• Важная роль аминокислот: Дополнительное моделирование показало, что разветвлённые аминокислоты, вероятно, выступают в роли универсальных координаторов условий роста бактериальной популяции.
• Стратегия бактерий: Результаты также выявили общую и простую стратегию диверсификации рисков в условиях избытка ресурсов или голодания, что имеет смысл с эволюционной и экологической точек зрения.

Это исследование демонстрирует, что изучение мира микроорганизмов с помощью подходов, основанных на данных, может дать новые, ранее недостижимые в традиционных биологических экспериментах результаты. ML-подход, хотя и нуждающийся в дальнейшем развитии с точки зрения биологической надёжности, открывает новые возможности для применения в науках о жизни, особенно в микробиологии и экологии.