Os cientistas há muito empregam diretrizes relativamente simples para ajudar a explicar o mundo físico, da segunda lei do movimento de Newton às leis da termodinâmica.

Agora, engenheiros biomédicos da Duke University usaram modelagem dinâmica e aprendizado de máquina para construir regras simples semelhantes para biologia complexa. Eles desenvolveram uma estrutura para interpretar e prever com precisão o comportamento de sistemas biológicos mutuamente benéficos, como bactérias do intestino humano, plantas e polinizadores, ou algas e corais.

A pesquisa aparece em 16 de janeiro, 2019 no jornal Nature Communications .

"Em um mundo perfeito, você seria capaz de seguir um conjunto simples de regras moleculares para entender como cada sistema biológico operava, "disse Lingchong You, professor do Departamento de Engenharia Biomédica da Duke. "Mas na realidade, é difícil estabelecer regras gerais que englobem a imensa diversidade e complexidade dos sistemas biológicos. Mesmo quando estabelecemos regras gerais, ainda é um desafio usá-los para explicar e quantificar várias propriedades físicas. "

Você e Feilun Wu, um estudante de pós-graduação e primeiro autor do artigo, abordou esses desafios examinando o comportamento de sistemas mutualistas. Esses sistemas simbióticos são feitos de duas ou mais populações que fornecem benefício recíproco, como borboletas monarca e plantas Milkweed.

Sob certas condições, sistemas mutualísticos podem entrar em colapso, levando a consequências ecológicas devastadoras. Wu queria desenvolver uma estrutura que pudesse prever e prevenir resultados negativos com precisão e guiar o projeto de novos sistemas mutualísticos sintéticos.

"Como esses sistemas eram tão diversos, estruturas anteriores eram aplicáveis ​​apenas a sistemas mutualísticos específicos, como redes de polinização de plantas ou de dispersão de sementes, ou eram muito gerais e não descreviam a linha tênue entre as condições que permitem que os sistemas coexistam, versus aqueles que forçam o sistema a entrar em colapso, "disse Wu.

Para investigar se uma diretriz quantitativa unificadora poderia existir para sistemas mutualísticos, Wu estudou sistematicamente 52 modelos de equações diferenciais que capturam a diversidade de sistemas mutualísticos. Esses sistemas compartilhavam a mesma estrutura fundamental:quando o benefício coletivo era maior do que o estresse coletivo, as populações podem coexistir. Se o estresse for maior do que o benefício coletivo, o sistema entrará em colapso.

Embora seja relativamente fácil medir o estresse em um sistema, é mais complicado medir o benefício coletivo, que é uma função de variáveis ​​como custo, benefícios individuais e outras complexidades do sistema. Você e sua equipe reconheceram que tentar medir o benefício coletivo se tornou um gargalo devido aos critérios complexos disponíveis para medir, e isso se tornou ainda mais desafiador quando aplicado a diferentes sistemas mutualísticos.

Em vez de, a equipe desenvolveu um algoritmo de aprendizado de máquina para determinar o benefício coletivo usando alguns, variáveis ​​relativamente fáceis de coletar, como temperatura, pH e genética. A abordagem resultou em uma métrica simplificada que pode ser aplicada a diversos sistemas mutualísticos.

Para testar suas diretrizes, a equipe usou dados experimentais de três sistemas bacterianos mutualísticos e dados simulados para mostrar que sua estrutura poderia prever de forma consistente e precisa se um sistema coexistiria ou entraria em colapso. Suas regras também podem prever informações quantitativas, incluindo probabilidade de coexistência, resistência e densidade populacional total.

A equipe está otimista de que sua pesquisa também pode ser aplicada a sistemas biológicos não mutualísticos. Por exemplo, Você sugere o uso de sua estratégia para examinar a resistência aos antibióticos e as condições que permitem que a resistência persista ou desapareça.

"Quando trabalhamos com medicina ou engenharia biomédica, percebemos que algum nível de simplificação é necessário para entender as interações das comunidades que estamos estudando, "disse Você." Nosso procedimento nos mostrou que há semelhança entre sistemas biológicos aparentemente diversos, e isso é essencial para nos permitir fazer as previsões que orientam nossa pesquisa. "

Os membros do estudo incluem Charlotte Lee da Duke biology e Sanyan Mukherjee em ciência estatística, matemática, Ciência da Computação, e bioinformática e bioestatística, bem como dois ex-membros do You lab, Allison Loptkin e Daniel Needs.