肠道菌群“堡垒”是否坚固？深圳科研团队用数据驱动预测

健康的肠道菌群像一座坚固的“堡垒”，能够识别并抵御病原体等外来物种入侵。如何预测肠道菌群“堡垒”对入侵者的抵抗能力，并提高其牢固度？

3月16日，中国科学院深圳先进技术研究院合成生物学研究所戴磊课题组在《自然—通讯》上发表最新研究成果，提出数据驱动的研究范式，通过收集不同微生物群落的组成和外源菌定殖结果作为训练数据，运用机器学习模型准确预测外源物种在肠道菌群中的定殖结果，并推断验证了能够显著提高定殖抗性的关键物种。

“通过针对关键物种的调控，防止致病菌的定殖或促进益生菌的定殖，对人体健康、农业生产都有非常重要的应用价值。”论文通讯作者、深圳先进院合成所研究员戴磊说道。

戴磊科研团队。（受访者供图）

数据驱动预测微生物群落“殖民入侵”

人体内肠道微生物群落阻止外来致病菌入侵的过程，被称为定殖抗性。当前，由于学术界对控制微生物动力学的不同机制了解有限，加之微生物群落成员相互作用的复杂性，预测外源物种在复杂群落中的定殖结果是微生物生态学中的一个基本挑战。

为了解决这一问题，研究团队采用了数据驱动的研究范式，首先通过洛特卡－沃尔泰拉模型解析推导和计算模拟，成功验证了机器学习模型可以基于肠道菌群的物种组成，准确预测外源物种的定殖与否和稳态丰度，并强调了数据量对预测准确性的重要性。

随后，团队收集了大量样品，通过机器学习模型来预测和理解复杂群落的定殖抗性。“我们搜集了24位志愿者不同种类的肠道菌群，并使用12种不同的抗生素处理方法，得到了超三百个体外培养的肠道菌群样品，并最终通过测序确定定殖结果。”团队成员吴璐介绍，该研究选择了致病菌屎肠球菌和益生菌嗜黏蛋白阿克曼菌这两类在肠道中常见的外来入侵微生物，在粪便来源的体外微生物群落中进行了定殖实验，表征了来源自不同个体和抗生素处理后的肠道菌群的定殖抗性。

吴璐指出，在进行真实群落入侵实验时，需要人工进行每日近千个样品的传代实验，同时要求实验操作者“快又稳”。而部分实验环节如DNA提取和文库构建等，则利用了合成生物研究重大科技基础设施的自动化技术，显著提高了实验效率和结果的准确度。

推进AI技术与生物科技融合

“IT技术与BT技术相融合，能够为微生物群落的定殖抗性研究带来更多应用的可能。通过更深入的研究，有望提前预防并提升肠道菌群以及其他微生物群落的抗性。”戴磊说道。

论文评审人表示，该研究极大地提高了对微生物群落中定殖抗性机制的理解，该方法在体外定殖实验的成功应用，将有望广泛适用到更多的测试群落中，是一次开拓性的尝试。

“未来，数据驱动的研究范式可以广泛用于预测和理解复杂微生物群落的功能，进而指导理性调控和设计。”据戴磊介绍，团队下一步将联合哈佛大学团队，围绕机器学习、生态网络、肠道菌群个性化调控等方面进行合作，以跨学科、跨领域的合作模式共同推进人工智能技术在生物科技领域的应用。