Populações microbianas podem ser pequenas, mas são surpreendentemente complexas, dificultando o estudo das interações com o ambiente circundante. Mas agora, pesquisadores do Japão descobriram que o aprendizado de máquina pode fornecer as ferramentas para fazer exatamente isso. Em um estudo publicado este mês na eLife , pesquisadores da Universidade de Tsukuba revelaram que o aprendizado de máquina pode ser aplicado ao crescimento da população bacteriana para descobrir como ele se relaciona com as variações em seu ambiente.
A dinâmica das populações de micróbios é geralmente representada por curvas de crescimento. Normalmente, três parâmetros retirados dessas curvas são usados ​​para avaliar como as populações microbianas se ajustam ao seu ambiente:tempo de atraso, taxa de crescimento e tamanho da população saturada (ou capacidade de carga). Esses três parâmetros provavelmente estão vinculados; trade-offs foram observados entre a taxa de crescimento e o tempo de atraso ou o tamanho da população dentro das espécies, e com mudanças relacionadas no tamanho da população saturada e na taxa de crescimento entre linhagens geneticamente diversas.

"Duas questões permaneceram:esses três parâmetros são afetados pela diversidade ambiental e, em caso afirmativo, como?" diz o autor sênior do estudo, o professor Bei-Wen Ying. “Para responder a isso, usamos abordagens baseadas em dados para investigar a estratégia de crescimento de bactérias”.

Os pesquisadores construíram um grande conjunto de dados que refletia a dinâmica das populações de Escherichia coli sob uma ampla variedade de condições ambientais, usando quase mil combinações de meios de crescimento compostos por 44 compostos químicos sob condições controladas de laboratório. Eles então analisaram o big data para as relações entre os parâmetros de crescimento e as combinações de mídia usando aprendizado de máquina (ML). Os algoritmos de ML construíram um modelo com base em dados de amostra para fazer previsões ou decisões sem serem especificamente programados para isso.

A análise revelou que, para o crescimento bacteriano, os componentes de tomada de decisão foram distintos entre as diferentes fases de crescimento, por exemplo, serina, sulfato e glicose para atraso de crescimento (lag), taxa de crescimento e crescimento máximo (saturação), respectivamente. Os resultados de simulações e análises adicionais mostraram que os aminoácidos de cadeia ramificada provavelmente atuam como coordenadores onipresentes para as condições de crescimento da população bacteriana.

"Nossos resultados também revelaram uma estratégia comum e simples de diversificação de risco em condições em que as bactérias experimentaram excesso de recursos ou fome, o que faz sentido tanto no contexto evolutivo quanto no ecológico", diz o professor Ying.

Os resultados deste estudo revelaram que explorar o mundo dos microrganismos com abordagens baseadas em dados pode fornecer novos insights que antes eram inatingíveis por meio de experimentos biológicos tradicionais. Esta pesquisa mostra que a abordagem assistida por ML, embora ainda seja uma tecnologia emergente que precisará ser desenvolvida em termos de confiabilidade e acessibilidade biológica, pode abrir novos caminhos para aplicações nas ciências da vida, especialmente microbiologia e ecologia. + Explorar mais

Descoberto um modo de crescimento bacteriano anteriormente desconhecido