传统的用于分析微生物群落的模型通常依赖于随时间变化的微生物丰度平均值。虽然这些模型可以有效预测时间变化，但往往无法捕捉到微生物之间的实际相互作用。一个由马克斯普朗克进化生物学研究所（MPI-EB）、伦敦大学学院（UCL）和艾克斯-马赛大学的研究人员组成的国际研究团队，参与了基尔大学SFB“元生物体”项目，现在解决了这些挑战并开发了一种方法，远远超出了传统方法。
“我们的模型不仅考虑了平均值，还纳入了数据点之间的变异性和相关性，使我们能够更精确地捕捉微生物之间的相互作用，”该研究的主要作者、UCL博士后研究员罗曼·扎皮恩-卡姆波斯（Román Zapién-Campos）解释说，该研究发表在《PLOS Biology》上。
研究人员基于微观转换率（如出生、迁移或突变）开发了一个随机模型，并计算了微生物组组成的统计矩。这种方法不仅能够确定参数及其不确定性，还提供了关于微生物群落动态的更可靠预测，并能够详细识别特定微生物之间的相互作用。
“我们的方法弥合了宏基因组数据与生态模型之间的关键差距，”共同作者阿内·特劳尔森（Arne Traulsen）表示，他是MPI-EB理论生物学系主任。值得注意的是，该方法既适用于相对丰度数据（通常在宏基因组研究中发现），也适用于绝对丰度数据。这大大扩展了其适用范围，允许无论数据类型如何都能进行分析。
该方法成功应用于模拟数据，这是评估方法可靠性的关键测试。此外，还分析了一个简化的小鼠微生物组，由十二个特征明确的物种组成。“我们不仅能够揭示这些微生物群落的潜在机制，还能够精确量化模型参数的不确定性，”共同作者佛罗伦萨·班塞普特（Florence Bansept）解释说，她是艾克斯-马赛大学的课题组长和CNRS研究员。
这项研究代表了对微生物生态系统及其与宿主相互作用的理解的重大进展。新开发的方法为更好地理解医学中的微生物组以及环境中的微生物群落提供了有前景的前景。
更多信息：罗曼·扎皮恩-卡姆波斯等，《随机模型允许从时间序列数据中改进微生物组相互作用的推断》，《PLOS Biology》（2024）。DOI: 10.1371/journal.pbio.3002913
(全文结束)
