Le modèle neuf tient compte de l’apprentissage et de la prédiction des interactions microbiennes

Un monde minuscule mais prolifique de microbes englobe tout ce qui nous entoure, tant à l’intérieur qu’à l’extérieur. Les microbiomes, composés de diverses communautés de microbes, jouent un rôle central dans le façonnement de la santé humaine, mais les subtilités de la manière dont les différentes compositions microbiennes influencent notre bien-être restent largement inconnues.

Dans une étude récente publiée dans Actes de l’Académie nationale des sciencesdes chercheurs de l’Université de l’Illinois à Urbana-Champaign décrivent un nouveau cadre qu’ils ont créé pour prédire comment les espèces des microbiomes interagissent les unes avec les autres pour créer des compositions uniques.

“Les microbes peuvent être utilisés en médecine, c’est-à-dire les “insectes comme médicaments”, et ces thérapies microbiennes pourraient être la réponse à de nombreuses maladies auxquelles nous sommes confrontés aujourd’hui”, a déclaré Shreya Arya, étudiante diplômée du laboratoire O’Dwyer.

“Nous essayons d’éviter d’utiliser des antibiotiques pour résoudre ces problèmes car, au fil du temps, les bactéries ont développé une résistance aux antibiotiques. Si l’intestin est infecté à cause d’un agent pathogène, nous voulons trouver un moyen de modifier la composition de l’intestin. microbiome afin que le microbiome intestinal retrouve un état sain et que l’abondance de l’agent pathogène soit supprimée.

Malheureusement, évaluer les interactions entre chaque espèce de microbe dans divers environnements nécessiterait un volume exponentiel de données expérimentales qu’il ne serait pas possible de modéliser. Pour surmonter cet obstacle, James O’Dwyer (CAIM), professeur agrégé de biologie végétale, avec Arya et Ashish George, ancien chercheur postdoctoral dans le laboratoire d’O’Dwyer, ont cherché à créer un modèle capable de prédire les résultats des communautés microbiennes basé sur sur les microbes initialement présents au départ.

Le modèle fournirait une « valeur d’interaction paysagère » entre chaque microbe qui caractérise essentiellement l’effet de chacun des microbes sur l’abondance d’un autre et sur le résultat du microbiome.

“Lors de cette modélisation, il est important de poser la bonne question”, a déclaré O’Dwyer. “Nous pourrions essayer de modéliser de manière exhaustive toutes les comparaisons par paires et les interactions d’ordre supérieur entre les espèces, ce qui nous donnerait toute la dynamique de l’évolution de la communauté au fil du temps, mais cela prendrait littéralement une éternité. Au lieu de cela, nous avons demandé, à la fin de ” Toutes ces interactions microbiennes, qui est encore là ? Quelle est leur abondance, et quelles sont leurs fonctions dans cette communauté finale ? ”

Pour répondre à ces questions, l’équipe de recherche a commencé avec un modèle informatique capable de simuler les communautés microbiennes et de prédire leurs résultats. Au cours de ce processus, ils ont découvert une révélation surprenante : la plupart des interactions paysagères entre les microbes étaient proches de zéro. Cela signifie que la plupart des microbes ont eu un impact minimal sur le résultat final du microbiome, seuls quelques-uns jouant un rôle crucial dans la prédiction de ces résultats.

Les chercheurs ont ensuite utilisé une méthode issue du domaine de la détection de signaux appelée détection compressive, qui permet d’extraire davantage d’informations à partir d’ensembles de données avec une représentation clairsemée.

Le modèle a été formé à l’aide d’ensembles de données de microbiome existants, et les résultats de ces interactions ont été vérifiés par des expériences réelles avec les mêmes microbiomes pour voir si les interactions et la composition résultantes correspondaient aux prédictions. Curieusement, les chercheurs ont découvert que la « rareté », ou l’abondance de zéros, des interactions paysagères était vraie, à la fois dans le modèle et dans les expériences du monde réel.

“Je pense que nous pouvons en apprendre beaucoup sur les communautés écologiques en général”, a déclaré O’Dwyer. “Nous pensons souvent qu’il existe toutes ces interactions complexes, ce qui rend difficile la prévision de la structure et des fonctions de la communauté. Mais cela montre que parfois les résultats sont un peu plus simples que prévu. La magie ici est que vous n’avez pas pour tout savoir de chaque condition initiale jusqu’à chaque état final. Il vous suffit d’en apprendre un peu, et cela peut vous donner suffisamment d’informations pour tout savoir.

L’équipe souhaite maintenant explorer pourquoi tant d’interactions avec le paysage microbien étaient proches de zéro et essayer des ensembles de données plus grands pour voir si cela modifie les modèles trouvés.

“Nous voulons comprendre pourquoi cette rareté est présente en premier lieu si cela peut nous dire quelque chose sur la façon dont les microbiomes sont fondamentalement assemblés et comment ces espèces interagissent les unes avec les autres”, a expliqué Arya. “Par exemple, même si le microbiome du sol comprend des espèces taxonomiquement très différentes de celles de l’intestin humain, il peut exister des similitudes dans la manière dont les espèces microbiennes interagissent les unes avec les autres, que nous pouvons prédire en fonction de l’environnement.”

Arya espère continuer à affiner le modèle afin qu’il puisse être utilisé pour étudier des microbiomes d’intérêt particuliers et s’adapter à des ensembles de données plus diversifiés. L’un des objectifs ultimes est de pouvoir utiliser le modèle en médecine personnalisée pour aider à prédire si les patients courent un risque que certains agents pathogènes s’établissent dans leur microbiome par rapport à d’autres.

“Afin de créer des thérapies microbiennes, nous devons comprendre quelles espèces microbiennes nous devons combiner dans quels environnements afin d’obtenir le meilleur fonctionnement. Et c’est un premier pas vers cet objectif”, a déclaré Arya.