Nat. Microbiol. | MDSINE2 揭示微生物组驱动的生态系统动态全景

DrugAI

发布于 2026-01-06 12:38:04

990

文章被收录于专栏：DrugAIDrugAI

DRUGONE

动力学系统模型是分析微生物生态系统的强大工具，但由于数据复杂性和模型解释难度，其在微生物组研究中的应用受限。研究人员提出了 MDSINE2（Microbial Dynamical Systems Inference Engine 2），一种基于贝叶斯框架的方法，能够从微生物组时间序列数据中学习紧凑且可解释的生态系统级动力学模型。MDSINE2 将微生物动态建模为由“相互作用模块”驱动的随机过程，这些模块代表了具有相似相互作用结构和扰动响应的微生物群体，同时还显式建模了数据噪声特征。该开源软件包提供了多种解释工具，包括模块的系统发育/分类信息、稳定性分析、相互作用拓扑和关键性指标。研究人员通过两个小鼠群体的实验（人类粪菌移植后再施加饮食和抗生素扰动）生成了高时间分辨率的微生物组数据，并用其进行基准测试。结果表明，MDSINE2 超越了现有方法，揭示了肠道微生物组中的关键模块性相互作用。

微生物组本质上是动态的，其变化由微生物间相互作用和外部扰动共同驱动。动力学系统模型在生态学和生物医学中有着悠久的应用历史，能够揭示生态系统的稳定性、相互作用模式和对干预的响应。然而，由于哺乳动物肠道微生物群落庞大且复杂，数据中还存在测序噪声和实验设计限制，直接推断其动力学模型一直是重大挑战。尤其在系统处于稳态时，可获得的信息有限；只有在扰动之后，瞬态行为才能揭示关键的相互作用结构。为解决这些挑战，研究人员开发了 MDSINE2，并同时提供了迄今最密集采样的带扰动设计的微生物组时间序列数据集。

结果

MDSINE2：开放源码的计算工具

MDSINE2 能够输入微生物丰度时间序列（如 16S rRNA 扩增子或宏基因组数据）、总细菌浓度（如 qPCR 测量）及样本元数据，并推断出可解释的大规模动力学系统模型。其核心创新包括：

全贝叶斯建模：显式考虑测量不确定性，并提供参数的可信度量；
随机动态建模：捕捉未测量因素导致的轨迹波动；
相互作用模块学习：自动识别具有相似相互作用和扰动响应的微生物群体，减少模型参数规模，提高可解释性。

高时间分辨率小鼠实验数据

研究人员设计了两组“人源化”无菌小鼠实验：一组移植健康供体粪便，另一组移植溃疡性结肠炎患者粪便。稳定三周后，小鼠依次接受高脂饮食、万古霉素和庆大霉素处理，持续采集粪便样本达 65 天，总计 686 个样本，获得了高质量的 ASV 时间序列数据。这些数据为 MDSINE2 的推断提供了理想的扰动和时间分辨率。

与现有方法的比较

在预测被留出的个体小鼠微生物组动态时，MDSINE2 在准确性上显著优于经典的 gLV-L2 和 gLV-net 方法。即使在不包含总浓度数据的情况下，MDSINE2 在相对丰度预测上也表现更好。更重要的是，MDSINE2 在保持接近预测性能的同时，大幅减少了参数数量（相比数万参数缩减 70 倍以上）。

合成与半合成数据验证

在完全合成数据上，MDSINE2 显著优于现有方法，准确恢复了动力学参数和相互作用网络。在半合成数据（基于真实小鼠数据生成并加入噪声）中，MDSINE2 同样表现出色，能够可靠识别相互作用的存在与强度、模块结构及扰动效应。

案例分析：健康小鼠群体

MDSINE2 在健康组数据中识别出 17 个相互作用模块，通过 56 条具有“决定性证据”的相互作用连接起来。这种模块化表示使参数数量减少了 97%，同时仍保持了预测性能。进一步分析表明，模块内的微生物具有显著的系统发育和分类学富集特征。

关键性分析：识别出正关键模块（移除后群落丰度下降）和负关键模块（移除后群落丰度上升）。例如，富含 Ruminococcaceae 的 M3 是正关键模块，而 M4 则是负关键模块，抑制多个其他模块。
稳定性分析：推断的生态网络在统计上比随机网络更稳定，且互利/竞争关系比例显著低于随机水平，符合健康生态系统的理论预测。