p Inferir as redes ecológicas subjacentes de comunidades microbianas é importante para compreender sua estrutura e respostas a estímulos externos. Mas pode ser muito desafiador fazer inferências de rede precisas. Em um artigo publicado em Nature Communications , pesquisadores do Brigham and Women's Hospital detalham um método para tornar a inferência da rede mais fácil, utilizando dados em estado estacionário sem alterar as comunidades microbianas. p "Os métodos existentes exigem a suposição de um modelo de dinâmica populacional específico, que não é conhecido de antemão, "disse Yang-Yu Liu, PhD, da Divisão de Medicina de Rede de Channing. "Além disso, esses métodos requerem o ajuste de dados de abundância temporal, que muitas vezes não são informativos o suficiente para uma inferência confiável. "

p Para obter dados temporais mais informativos, pesquisadores têm que introduzir grandes perturbações para alterar as comunidades microbianas, que não são apenas difíceis na prática, mas também potencialmente questionáveis ​​do ponto de vista ético, especialmente para comunidades microbianas associadas a humanos. O novo método desenvolvido pelos pesquisadores do BWH evita esse dilema.

p "A ideia básica é muito simples. Se uma amostra em estado estacionário difere de outra apenas pela adição de uma espécie X, e adicionar X reduz a abundância absoluta de Y, então podemos concluir que X inibe o crescimento de Y, "disse Liu. A equipe mostrou que esta ideia simples pode ser estendida a casos mais complicados onde as amostras em estado estacionário diferem umas das outras em mais de uma espécie. Eles verificaram que, se dados de estado estacionário independentes suficientes fossem coletados das comunidades microbianas, em seguida, os tipos de interação microbiana (positiva, interações negativas e neutras) e a estrutura da rede poderia ser inferida sem a necessidade de qualquer modelagem de dinâmica populacional. O método proposto pela equipe se assemelha a outros métodos de reconstrução de rede com base em dados de estado estacionário, mas ao contrário dos métodos anteriores, nenhuma perturbação é necessária para ser aplicada ao sistema. Além disso, um critério rigoroso foi estabelecido pela equipe para verificar se algum dado de estado estacionário era consistente com o modelo Lotka-Volterra Generalizado (GLV) - um modelo de dinâmica populacional clássico em ecologia que descreve matematicamente as relações entre as espécies. A equipe descobriu que se a comunidade microbiana seguisse o modelo GLV, então, os dados em estado estacionário também poderiam ser usados ​​para deduzir os parâmetros do modelo - intensidades de interação entre espécies e taxas de crescimento.

p O método foi validado sistematicamente usando dados simulados gerados a partir de diferentes modelos clássicos de dinâmica populacional com vários níveis de complexidade. Em seguida, foi aplicado a dados reais coletados de quatro comunidades microbianas sintéticas diferentes, descobrir que as redes ecológicas inferidas concordam bem com a verdade fundamental ou podem prever a resposta dos sistemas às perturbações.

p Insights adicionais sobre os ecossistemas microbianos surgirão de uma melhor compreensão de suas redes ecológicas subjacentes. A inferência de redes ecológicas de comunidades microbianas associadas a humanos usando o método desenvolvido aqui irá facilitar o projeto de coquetéis "personalizados" baseados em micróbios, "como os autores escrevem, para tratar doenças relacionadas à disbiose microbiana.

p "Estou muito animado com este método, porque pode abrir caminho para o mapeamento de comunidades microbianas mais complexas, como a microbiota intestinal humana, que, por sua vez, nos ajudará a desenvolver melhores terapias baseadas em microbiomas, "disse Liu.