Les populations microbiennes peuvent être petites mais elles sont étonnamment complexes, ce qui rend les interactions avec leur environnement environnant difficiles à étudier. Mais maintenant, des chercheurs japonais ont découvert que l'apprentissage automatique peut fournir les outils pour y parvenir. Dans une étude publiée ce mois-ci dans eLife , des chercheurs de l'Université de Tsukuba ont révélé que l'apprentissage automatique peut être appliqué à la croissance des populations bactériennes pour découvrir son lien avec les variations de leur environnement.

La dynamique des populations de microbes est généralement représentée par des courbes de croissance. En règle générale, trois paramètres tirés de ces courbes sont utilisés pour évaluer la façon dont les populations microbiennes s'adaptent à leur environnement :le temps de latence, le taux de croissance et la taille de la population saturée (ou capacité de charge). Ces trois paramètres sont probablement liés; des compromis ont été observés entre le taux de croissance et le temps de latence ou la taille de la population au sein des espèces, et avec des changements connexes dans la taille de la population saturée et le taux de croissance parmi les souches génétiquement diverses.

"Deux questions demeurent :ces trois paramètres sont-ils affectés par la diversité environnementale, et si oui, comment ?" dit l'auteur principal de l'étude, le professeur Bei-Wen Ying. "Pour y répondre, nous avons utilisé des approches basées sur les données pour étudier la stratégie de croissance des bactéries."

Les chercheurs ont construit un vaste ensemble de données reflétant la dynamique des populations d'Escherichia coli dans une grande variété de conditions environnementales, en utilisant près d'un millier de combinaisons de milieux de croissance composés de 44 composés chimiques dans des conditions de laboratoire contrôlées. Ils ont ensuite analysé les mégadonnées pour les relations entre les paramètres de croissance et les combinaisons de médias à l'aide de l'apprentissage automatique (ML). Les algorithmes de ML ont construit un modèle basé sur des exemples de données pour faire des prédictions ou prendre des décisions sans être spécifiquement programmés pour le faire.

L'analyse a révélé que pour la croissance bactérienne, les composants de prise de décision étaient distincts entre les différentes phases de croissance, par exemple, la sérine, le sulfate et le glucose pour le retard de croissance (décalage), le taux de croissance et la croissance maximale (saturation), respectivement. Les résultats de simulations et d'analyses supplémentaires ont montré que les acides aminés à chaîne ramifiée agissent probablement comme des coordonnateurs omniprésents pour les conditions de croissance de la population bactérienne.

"Nos résultats ont également révélé une stratégie commune et simple de diversification des risques dans des conditions où les bactéries ont connu des ressources excessives ou une famine, ce qui est logique à la fois dans un contexte évolutif et écologique", explique le professeur Ying.

Les résultats de cette étude ont révélé que l'exploration du monde des micro-organismes avec des approches basées sur les données peut fournir de nouvelles informations qui étaient auparavant inaccessibles via des expériences biologiques traditionnelles. Cette recherche montre que l'approche assistée par ML, bien qu'encore une technologie émergente qui devra être développée en termes de fiabilité biologique et d'accessibilité, pourrait ouvrir de nouvelles voies d'applications dans les sciences de la vie, notamment la microbiologie et l'écologie. + Explorer plus loin

Découverte d'un mode de croissance bactérienne jusque-là inconnu