Los científicos han empleado durante mucho tiempo pautas relativamente simples para ayudar a explicar el mundo físico, desde la segunda ley del movimiento de Newton hasta las leyes de la termodinámica.

Ahora, Los ingenieros biomédicos de la Universidad de Duke han utilizado el modelado dinámico y el aprendizaje automático para construir reglas igualmente simples para la biología compleja. Han ideado un marco para interpretar y predecir con precisión el comportamiento de sistemas biológicos mutuamente beneficiosos, como las bacterias intestinales humanas, plantas y polinizadores, o algas y corales.

La investigación aparece el 16 de enero de 2019 en la revista Comunicaciones de la naturaleza .

"En un mundo perfecto, podría seguir un conjunto simple de reglas moleculares para comprender cómo funciona cada sistema biológico, "dijo Lingchong You, profesor en el Departamento de Ingeniería Biomédica de Duke. "Pero en la realidad, Es difícil establecer reglas generales que abarquen la inmensa diversidad y complejidad de los sistemas biológicos. Incluso cuando establecemos reglas generales, sigue siendo un desafío utilizarlos para explicar y cuantificar varias propiedades físicas ".

Tú y Feilun Wu, estudiante de posgrado y primer autor del artículo, abordó estos desafíos examinando el comportamiento de los sistemas mutualistas. Estos sistemas simbióticos están formados por dos o más poblaciones que brindan un beneficio recíproco, como las mariposas monarca y las plantas de algodoncillo.

Bajo ciertas condiciones, los sistemas mutualistas pueden colapsar, conduciendo a devastadoras consecuencias ecológicas. Wu quería desarrollar un marco que pudiera predecir y prevenir con precisión resultados negativos y guiar el diseño de nuevos sistemas mutualistas sintéticos.

"Debido a que estos sistemas eran tan diversos, los marcos anteriores eran aplicables únicamente a sistemas mutualistas específicos, como redes de plantas polinizadoras o de dispersión de semillas, o eran demasiado generales y no describían la delgada línea entre las condiciones que permiten que los sistemas coexistan, frente a los que obligan al sistema a colapsar, "dijo Wu.

Para investigar si podría existir una guía cuantitativa unificadora para los sistemas mutualistas, Wu estudió sistemáticamente 52 modelos de ecuaciones diferenciales que capturan la diversidad de sistemas mutualistas. Estos sistemas compartían la misma estructura fundamental:cuando el beneficio colectivo era mayor que el estrés colectivo, las poblaciones pueden coexistir. Si el estrés es mayor que el beneficio colectivo, el sistema colapsará.

Si bien es relativamente fácil medir el estrés en un sistema, es más complicado medir el beneficio colectivo, que es una función de variables como el costo, beneficios individuales y otras complejidades del sistema. Usted y su equipo reconocieron que intentar medir el beneficio colectivo se convirtió en un cuello de botella debido a los complejos criterios disponibles para medir, y eso se volvió aún más desafiante cuando se aplicó a diferentes sistemas mutualistas.

En lugar de, el equipo desarrolló un algoritmo de aprendizaje automático para determinar el beneficio colectivo utilizando algunos, variables relativamente fáciles de recopilar como la temperatura, pH y genética. El enfoque resultó en una métrica simplificada que se puede aplicar a diversos sistemas mutualistas.

Para probar sus pautas, El equipo utilizó datos experimentales de tres sistemas bacterianos mutualistas y datos simulados para mostrar que su marco podía predecir de manera consistente y precisa si un sistema coexistiría o colapsaría. Sus reglas también podrían predecir información cuantitativa, incluida la probabilidad de convivencia, resistencia y densidad de población total.

El equipo es optimista en cuanto a que su investigación también se puede aplicar a sistemas biológicos no mutualistas. Por ejemplo, Sugiere utilizar su estrategia para examinar la resistencia a los antibióticos y las condiciones que permiten que la resistencia persista o desaparezca.

"Cuando trabajamos en medicina o ingeniería biomédica, nos damos cuenta de que es necesario cierto nivel de simplificación para comprender las interacciones de las comunidades que estamos estudiando, "dijo usted." Nuestro procedimiento nos mostró que hay una similitud entre sistemas biológicos aparentemente diversos, y eso es esencial para permitirnos hacer las predicciones que impulsan nuestra investigación ".

Los miembros del estudio incluyen a Charlotte Lee de Duke biology y Sanyan Mukherjee en ciencia estadística, matemáticas, Ciencias de la Computación, y bioinformática y bioestadística, así como dos ex miembros de You lab, Allison Loptkin y Daniel Needs.