Inferir las redes ecológicas subyacentes de las comunidades microbianas es importante para comprender su estructura y respuestas a estímulos externos. Pero puede ser muy difícil hacer inferencias de red precisas. En un artículo publicado en Comunicaciones de la naturaleza , los investigadores del Brigham and Women's Hospital detallan un método para facilitar la inferencia de la red utilizando datos de estado estacionario sin alterar las comunidades microbianas.
"Los métodos existentes requieren asumir un modelo de dinámica de población particular, que no se conoce de antemano", dijo Yang-Yu Liu, PhD, de la División Channing de Network Medicine. "Además, esos métodos requieren datos de abundancia temporal adecuados, que a menudo sonno es lo suficientemente informativo para una inferencia confiable "
Para obtener datos temporales más informativos, los investigadores deben introducir grandes perturbaciones para alterar las comunidades microbianas, que no solo son difíciles en la práctica sino que también son potencialmente éticamente cuestionables, especialmente para las comunidades microbianas asociadas a los humanos. El nuevo método desarrollado por los investigadores de BWH evitaeste dilema
"La idea básica es muy simple. Si una muestra en estado estacionario difiere de otra solo por la adición de una especie X, y la adición de X reduce la abundancia absoluta de Y, entonces podemos concluir que X inhibe el crecimiento de Y".dijo Liu. El equipo demostró que esta idea simple puede extenderse a casos más complicados donde las muestras en estado estacionario difieren entre sí por más de una especie. Verificaron que, si se recolectaban suficientes datos independientes del estado estacionario de las comunidades microbianas, entoncesLos tipos de interacción microbiana interacciones positivas, negativas y neutrales y la estructura de la red podrían inferirse sin requerir ningún modelo de dinámica de población.El método propuesto por el equipo se parece a otros métodos de reconstrucción de la red basados en datos de estado estacionario, pero a diferencia de los anterioresmétodos, no se requieren perturbaciones para ser aplicadas al sistema Además, el equipo estableció un criterio riguroso para verificar si algún dato de estado estacionario era consistente conEl modelo generalizado de Lotka-Volterra GLV: un modelo clásico de dinámica de poblaciones en ecología que describe matemáticamente las relaciones entre especies.El equipo descubrió que si la comunidad microbiana seguía el modelo GLV, los datos de estado estacionario también podrían usarse para deducir los parámetros del modelo: las fuerzas de interacción entre especies y las tasas de crecimiento.
El método fue validado sistemáticamente utilizando datos simulados generados a partir de diferentes modelos clásicos de dinámica de poblaciones con varios niveles de complejidad. Luego se aplicó a datos reales recolectados de cuatro comunidades microbianas sintéticas diferentes, encontrando que las redes ecológicas inferidas coinciden bien con el terrenoverdad o puede predecir la respuesta de los sistemas a las perturbaciones.
Las percepciones adicionales sobre los ecosistemas microbianos surgirán de una mejor comprensión de sus redes ecológicas subyacentes. Inferir redes ecológicas de comunidades microbianas asociadas con humanos usando el método desarrollado aquí facilitará el diseño de "cócteles" personalizados basados en microbios, como escriben los autores, para tratar enfermedades relacionadas con la disbiosis microbiana.
"Estoy bastante entusiasmado con este método, porque puede allanar el camino para mapear comunidades microbianas más complejas, como la microbiota intestinal humana, que a su vez nos ayudará a diseñar mejores terapias basadas en microbiomas", dijo Liu.
Fuente de la historia :
Materiales proporcionados por Hospital Brigham y de mujeres . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :