Las poblaciones microbianas pueden ser pequeñas, pero son sorprendentemente complejas, lo que dificulta el estudio de las interacciones con el entorno que las rodea. Pero ahora, investigadores de Japón han descubierto que el aprendizaje automático puede proporcionar las herramientas para hacer precisamente eso. En un estudio publicado este mes en eLife , investigadores de la Universidad de Tsukuba han revelado que el aprendizaje automático se puede aplicar al crecimiento de la población bacteriana para descubrir cómo se relaciona con las variaciones en su entorno.

La dinámica de las poblaciones de microbios suele representarse mediante curvas de crecimiento. Por lo general, se utilizan tres parámetros tomados de estas curvas para evaluar cómo las poblaciones microbianas se adaptan a su entorno:tiempo de retraso, tasa de crecimiento y tamaño de la población saturada (o capacidad de carga). Estos tres parámetros probablemente estén relacionados; Se han observado compensaciones entre la tasa de crecimiento y el tiempo de retraso o el tamaño de la población dentro de las especies, y con cambios relacionados en el tamaño de la población saturada y la tasa de crecimiento entre cepas genéticamente diversas.

"Quedaban dos preguntas:¿estos tres parámetros se ven afectados por la diversidad ambiental y, de ser así, cómo?" dice el autor principal del estudio, el profesor Bei-Wen Ying. "Para responder a esto, utilizamos enfoques basados ​​en datos para investigar la estrategia de crecimiento de las bacterias".

Los investigadores construyeron un gran conjunto de datos que reflejaba la dinámica de las poblaciones de Escherichia coli en una amplia variedad de condiciones ambientales, utilizando casi mil combinaciones de medios de cultivo compuestos por 44 compuestos químicos en condiciones de laboratorio controladas. Luego analizaron los grandes datos para las relaciones entre los parámetros de crecimiento y las combinaciones de medios utilizando el aprendizaje automático (ML). Los algoritmos de ML crearon un modelo basado en datos de muestra para hacer predicciones o tomar decisiones sin estar específicamente programados para hacerlo.

El análisis reveló que para el crecimiento bacteriano, los componentes de toma de decisiones eran distintos entre las diferentes fases de crecimiento, por ejemplo, serina, sulfato y glucosa para el retraso del crecimiento (retraso), la tasa de crecimiento y el crecimiento máximo (saturación), respectivamente. Los resultados de simulaciones y análisis adicionales mostraron que los aminoácidos de cadena ramificada probablemente actúan como coordinadores ubicuos para las condiciones de crecimiento de la población bacteriana.

"Nuestros resultados también revelaron una estrategia común y simple de diversificación de riesgos en condiciones en las que la bacteria experimentó exceso de recursos o inanición, lo que tiene sentido tanto en un contexto evolutivo como ecológico", dice el profesor Ying.

Los resultados de este estudio han revelado que explorar el mundo de los microorganismos con enfoques basados ​​en datos puede proporcionar nuevos conocimientos que antes eran inalcanzables a través de experimentos biológicos tradicionales. Esta investigación muestra que el enfoque asistido por ML, aunque todavía es una tecnología emergente que deberá desarrollarse en términos de su confiabilidad y accesibilidad biológica, podría abrir nuevas vías para aplicaciones en las ciencias de la vida, especialmente en microbiología y ecología. + Explora más

Se descubre un modo previamente desconocido de crecimiento bacteriano