哈佛刘洋彧组通过深度学习寻找菌群中的基石物种
先前的研究表明,微生物群落可能包含基石物种,其移除可能导致群落的结构和功能发生剧烈变化。然而,我们一直缺乏一个系统且有效地识别微生物群落中基石物种的方法。哈佛大学医学院附属布雷根女子医院的刘洋彧研究团队最近提出了一个基于深度学习的数据驱动的基石物种识别框架。研究结果近期发表在Nature Ecology & Evolution上。
虽然微生物群落中可能含有基石物种,那些针对宏观生态系统开发的基石物种识别方法(例如实验操控,统计比较)并不能直接被应用于复杂的微生物群落。对于实验操控,用当前的微生物技术,针对复杂群落中每一个物种的靶向清除是不可能的,更不用说这种靶向清除对于宿主相关微生物群落(如人类肠道微生物组)可能引发的相应伦理问题。至于统计比较,寻找对于仅有一个物种的存在性不同的两个群落是相当困难的,特别是对于组成非常个性化的复杂宿主相关微生物群落(例如人类肠道微生物组)。此外,我们甚至缺乏一个被广泛接受的基石性的操作性定义——一个量化物种作为基石物种的可能性的指标。
刘洋彧团队的研究人员首先基于普遍可获得的相对丰度数据,提出了一个针对微生物物种基石性的操作性定义。然后,他们提出了一个数据驱动的关键物种识别(DKI)框架来计算物种的基石性。DKI框架不假设任何特定的生态动力学模型,自然避免了模型错误设定的问题。此外,DKI框架量化了每个群落(样本)中每个物种的基石性。因此,它自然考虑了物种基石性的群落特异性。该框架的核心思想是通过使用从特定环境中收集的微生物组样本训练深度学习模型,隐式地学习该环境中微生物群落的组装规则。这个充分训练的深度学习模型使我们能够通过进行物种移除的假想实验,从而量化该环境中任何微生物组样本中每一个物种的基石性。
DKI识别基石物种框架。a:使用深度学习隐式地学习微生物群落的组装规则;b:进行假想实验预测物种基石性。
研究人员使用从群落生态学中的经典种群动态模型生成的合成数据系统验证了这个DKI框架。然后,应用DKI分析了人类肠道和口腔微生物组、土壤和珊瑚微生物组数据。DKI框架展示了机器学习在解决群落生态学的一个基本问题上的能力,为复杂微生物群落的数据驱动管理铺平了道路。
使用从群落生态学中的经典种群动态模型生成的合成数据系统验证DKI框架
原文:Xu-Wen Wang,Zheng Sun,Marco Tulio Angulo,Lei Dai,Huijue Jia,Sebastian Michel-Mata,Xuesong He,Scott T. Weiss & Yang-Yu Liu. Identifying keystone species in microbial communities using deep learning. Nature ecology & evolution. https://doi.org/10.1038/s41559-023-02250-2
更多推荐
(▼ 点击跳转)
iMeta | 德国国家肿瘤中心顾祖光发表复杂热图(ComplexHeatmap)可视化方法
iMeta | 浙大倪艳组MetOrigin实现代谢物溯源和肠道微生物组与代谢组整合分析
1卷1期
1卷2期
1卷3期
1卷4期
2卷1期
2卷2期
2卷3期
2卷4期
期刊简介
“iMeta” 是由威立、肠菌分会和本领域数百位华人科学家合作出版的开放获取期刊,主编由中科院微生物所刘双江研究员和荷兰格罗宁根大学傅静远教授担任。目的是发表原创研究、方法和综述以促进宏基因组学、微生物组和生物信息学发展。目标是发表前10%(IF > 15)的高影响力论文。期刊特色包括视频投稿、可重复分析、图片打磨、青年编委、前3年免出版费、50万用户的社交媒体宣传等。2022年2月正式创刊发行!
联系我们
iMeta主页:http://www.imeta.science
出版社:https://onlinelibrary.wiley.com/journal/2770596x
投稿:https://mc.manuscriptcentral.com/imeta
邮箱:office@imeta.science