Inferir las redes ecológicas subyacentes de las comunidades microbianas es importante para comprender su estructura y respuestas a los 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 mediante el uso de datos de estado estable 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, Doctor, de la División de Medicina de Redes de Channing. "Es más, esos métodos requieren que se ajusten los datos de abundancia temporal, que a menudo no son lo suficientemente informativos para una inferencia confiable ".

Para obtener datos temporales más informativos, los investigadores tienen que introducir grandes perturbaciones para alterar las comunidades microbianas, que no solo son difíciles en la práctica, sino también potencialmente cuestionables desde el punto de vista ético, especialmente para las comunidades microbianas asociadas a humanos. El nuevo método desarrollado por los investigadores de BWH evita este 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 suma 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 simple idea puede extenderse a casos más complicados en los que las muestras en estado estacionario difieren entre sí en más de una especie. Verificaron que, si se recopilaran suficientes datos independientes del estado estacionario de las comunidades microbianas, luego los tipos de interacción microbiana (positiva, interacciones negativas y neutrales) y la estructura de la red podría inferirse sin requerir ningún modelo de dinámica poblacional. El método propuesto por el equipo se asemeja a otros métodos de reconstrucción de red basados ​​en datos de estado estable, pero a diferencia de los métodos anteriores, no es necesario aplicar perturbaciones al sistema. Es más, El equipo estableció un criterio riguroso para verificar si algún dato de estado estable dado era consistente con el modelo Generalized 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, luego, los datos de estado estacionario también podrían usarse para deducir los parámetros del modelo:fuerzas de interacción entre especies y tasas de crecimiento.

El método fue validado sistemáticamente utilizando datos simulados generados a partir de diferentes modelos clásicos de dinámica poblacional con varios niveles de complejidad. Luego se aplicó a datos reales recopilados de cuatro comunidades microbianas sintéticas diferentes, encontrar que las redes ecológicas inferidas concuerdan bien con la verdad fundamental o pueden predecir la respuesta de los sistemas a las perturbaciones.

A partir de una mejor comprensión de sus redes ecológicas subyacentes, surgirán conocimientos adicionales sobre los ecosistemas microbianos. Inferir redes ecológicas de comunidades microbianas asociadas a humanos utilizando 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 muy emocionado con este método, porque puede allanar el camino para mapear comunidades microbianas más complejas, como la microbiota intestinal humana, lo que a su vez nos ayudará a diseñar mejores terapias basadas en microbiomas, "dijo Liu.