Si ritiene che le comunità microbiche contengano specie chiave di volta, che possono influenzare in modo sproporzionato la stabilità delle comunità, anche se presenti solo in basse abbondanze. Identificare queste specie chiave può essere difficile, soprattutto nell’intestino umano, poiché non è possibile isolarle attraverso l’eliminazione sistematica.
I ricercatori guidati da un team del Brigham and Women’s Hospital, membro fondatore del sistema sanitario Mass General Brigham, hanno progettato un nuovo quadro di identificazione delle specie chiave di volta (DKI) basato sui dati che utilizza l’apprendimento automatico per risolvere questa difficoltà.
Utilizzando un modello di deep learning addestrato su dati reali del microbioma intestinale umano provenienti da un database metagenomico curato, i ricercatori sono stati in grado di simulare la rimozione di qualsiasi specie in qualsiasi campione di microbioma intestinale. Questo “esperimento mentale” ha permesso loro di calcolare la “chiave di volta” o la relativa essenzialità di ciascuna specie in ciascuna comunità.
Gli scienziati hanno scoperto che le specie chiave di volta previste variavano da una comunità all’altra. Alcuni hanno ottenuto un valore medio basso in tutti i campioni ed era improbabile che fossero essenziali per qualsiasi comunità. Al contrario, le specie con punteggi medi elevati erano probabilmente fondamentali in alcune comunità, ma non in altre. Risultati simili sono stati osservati anche dal microbioma orale umano e dai microbiomi ambientali. Questi risultati implicano che la nozione di specie microbica chiave è specifica della comunità o dipendente dal contesto.
È noto che molte specie microbiche dell’intestino umano hanno funzioni essenziali come la scomposizione degli amidi complessi o il mantenimento di ambienti intestinali sani. Gli autori sono stati in grado di utilizzare il loro quadro DKI per identificare potenziali specie chiave coinvolte in tali funzioni, inclusa una che aiuta la digestione nei neonati e negli adulti alimentati con latte artificiale.
“Il nostro framework DKI dimostra il potere dell’apprendimento automatico nell’affrontare un problema fondamentale nell’ecologia della comunità”, ha affermato Yang-Yu Liu, PhD, della Channing Division of Network Medicine presso il Brigham and Women’s Hospital. “Il nostro quadro DKI può essere adattato per facilitare il futuro lavoro basato sui dati su comunità microbiche complesse”.
Da un’altra testata giornalistica. news de www.sciencedaily.com
