Déduire les réseaux écologiques sous-jacents des communautés microbiennes est important pour comprendre leur structure et leurs réponses aux stimuli externes. Mais il peut être très difficile de faire des inférences de réseau précises. Dans un article publié en Communication Nature , des chercheurs du Brigham and Women's Hospital détaillent une méthode pour faciliter l'inférence de réseau en utilisant des données à l'état stable sans altérer les communautés microbiennes.

« Les méthodes existantes nécessitent de supposer un modèle de dynamique de population particulier, ce qui n'est pas connu à l'avance, " dit Yang-Yu Liu, Doctorat, de la division Channing de médecine de réseau. "De plus, ces méthodes nécessitent l'ajustement des données d'abondance temporelle, qui ne sont souvent pas assez informatifs pour une inférence fiable."

Pour obtenir des données temporelles plus informatives, les chercheurs doivent introduire de grandes perturbations pour altérer les communautés microbiennes, qui sont non seulement difficiles en pratique mais aussi potentiellement éthiquement discutables, en particulier pour les communautés microbiennes associées à l'homme. La nouvelle méthode développée par les chercheurs de BWH évite ce dilemme.

"L'idée de base est très simple. Si un échantillon à l'état stationnaire ne diffère d'un autre que par l'addition d'une espèce X, et l'ajout de X fait baisser l'abondance absolue de Y, alors nous pouvons conclure que X inhibe la croissance de Y, " a déclaré Liu. L'équipe a montré que cette idée simple peut être étendue à des cas plus compliqués où les échantillons à l'état stationnaire diffèrent les uns des autres par plus d'une espèce. Ils ont vérifié que, si suffisamment de données indépendantes à l'état d'équilibre étaient collectées auprès des communautés microbiennes, puis les types d'interactions microbiennes (positives, interactions négatives et neutres) et la structure du réseau pourrait être déduite sans nécessiter de modélisation de la dynamique des populations. La méthode proposée par l'équipe ressemble à d'autres méthodes de reconstruction de réseau basées sur des données en régime permanent, mais contrairement aux méthodes précédentes, aucune perturbation ne doit être appliquée au système. Par ailleurs, un critère rigoureux a été établi par l'équipe pour vérifier si des données à l'état d'équilibre données étaient cohérentes avec le modèle généralisé de Lotka-Volterra (GLV), un modèle classique de dynamique des populations en écologie qui décrit mathématiquement les relations entre les espèces. L'équipe a découvert que si la communauté microbienne suivait le modèle GLV, ensuite, les données à l'état stationnaire pourraient également être utilisées pour déduire les paramètres du modèle – les forces d'interaction interspécifiques et les taux de croissance.

La méthode a été systématiquement validée à l'aide de données simulées générées à partir de différents modèles classiques de dynamique des populations avec différents niveaux de complexité. Ensuite, il a été appliqué à des données réelles collectées auprès de quatre communautés microbiennes synthétiques différentes, constatant que les réseaux écologiques inférés s'accordent bien avec la vérité terrain ou peuvent prédire la réponse des systèmes aux perturbations.

Des informations supplémentaires sur les écosystèmes microbiens émergeront d'une meilleure compréhension de leurs réseaux écologiques sous-jacents. Déduire des réseaux écologiques de communautés microbiennes associées à l'homme à l'aide de la méthode développée ici facilitera la conception de "cocktails personnalisés à base de microbes, " comme l'écrivent les auteurs, pour traiter les maladies liées à la dysbiose microbienne.

"Je suis très enthousiasmé par cette méthode, car cela peut ouvrir la voie à la cartographie de communautés microbiennes plus complexes telles que le microbiote intestinal humain, ce qui nous aidera à concevoir de meilleures thérapies basées sur le microbiome, " dit Liu.