近年来，肠道菌群健康及其对疾病预防和治疗已成为热门话题。人体肠道微生物组在抵抗致病菌定殖过程中发挥着重要作用，健康的肠道菌群像是一座坚固的城堡，定殖抗性则是城堡的防御系统，能够识别并抵御外来入侵物种如病原体、益生菌等。

有趣的是，似乎每个城堡“构造”都不一样，就像“千变万化”的肠道菌群。那么，如何预测肠道菌群城堡对入侵者的抵抗能力，提高城堡的牢固度呢？

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。在该研究中，研究团队提出了微生物生态学的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(致病菌或益生菌)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。

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。在自然界中，微生物群落通过错综复杂的相互作用网络，形成各种精妙的生态系统，定殖抗性则是复杂生态系统的一个表型，微生物的相互作用可以导致外源物种的不同定殖结果。

当前，学术界由于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仍然是微生物生态学中的一个基本挑战。

为了解决这个问题，研究人员采用了数据驱动的研究范式，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。机器学习因其强大的预测能力和信息处理潜力，被认为是一个重要的可推进微生物组，特别是微生物组的表型研究的有力工具。

戴磊团队首先通过洛特卡－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。

在样本采集方面，研究团队在真实复杂群落中进行定殖抗性的预测，通过自主招募24位志愿者搜集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。

论文共同第一作者、深圳先进院助理研究员吴璐指出，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，需要实验操作者“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。

“BT+IT”推进合成生物广阔应用

在生态动力学中，调控复杂微生物群落的应用十分广阔，但针对微生物的定殖抗性预测和调控仍存在挑战，而将信息技术（IT）与生物信息（BT）相融合，将为微生物群落的定殖抗性研究带来更多应用的可能。

“我们基于已知的科学假设进行创新，打破以往研究领域的现象驱动机制，研发探索数据驱动的模式，除了利用数据驱动方法解决定制抗性预测问题，通过更深入的研究，将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，在未来可广泛应用于包括人体健康、农业生产以及环境保护等多个领域”，戴磊说道。

戴磊团队 深圳先进院供图

有评审人表示，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。此研究极大地提高了对微生物群落中定殖抗性机制的理解。文章使用“数据驱动”的方法，给定的入侵物种在大量的“训练”群落中观察到的定殖结果被用作输入数据，以拟合机器学习模型，从而将定殖结果推断到其他“测试”群落。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。”戴磊表示。下一步，戴磊团队与哈佛大学的刘洋彧团队还将围绕机器学习、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。

相关论文信息：https://www.nature.com/articles/s41467-024-46766-y