Les scientifiques ont longtemps utilisé des directives relativement simples pour aider à expliquer le monde physique, de la deuxième loi du mouvement de Newton aux lois de la thermodynamique.

Maintenant, Les ingénieurs biomédicaux de l'Université Duke ont utilisé la modélisation dynamique et l'apprentissage automatique pour construire des règles tout aussi simples pour une biologie complexe. Ils ont conçu un cadre pour interpréter et prédire avec précision le comportement de systèmes biologiques mutuellement bénéfiques, comme les bactéries intestinales humaines, plantes et pollinisateurs, ou des algues et des coraux.

La recherche paraît le 16 janvier, 2019 dans la revue Communication Nature .

"Dans un monde parfait, vous seriez capable de suivre un ensemble simple de règles moléculaires pour comprendre comment fonctionne chaque système biologique, " dit Lingchong You, professeur au département de génie biomédical de Duke. "Mais en réalité, il est difficile d'établir des règles générales qui englobent l'immense diversité et complexité des systèmes biologiques. Même lorsque nous établissons des règles générales, il est toujours difficile de les utiliser pour expliquer et quantifier diverses propriétés physiques."

Toi et Feilun Wu, un étudiant diplômé et premier auteur de l'article, ont relevé ces défis en examinant le comportement des systèmes mutualistes. Ces systèmes symbiotiques sont constitués de deux ou plusieurs populations qui offrent des avantages réciproques, comme les papillons monarques et les plantes asclépiades.

Sous certaines conditions, les systèmes mutualistes peuvent s'effondrer, entraînant des conséquences écologiques dévastatrices. Wu souhaitait développer un cadre capable de prédire et de prévenir avec précision les résultats négatifs et de guider la conception de nouveaux systèmes mutualistes synthétiques.

« Parce que ces systèmes étaient si divers, les cadres précédents n'étaient applicables qu'à des systèmes mutualistes spécifiques, comme les réseaux de pollinisateurs végétaux ou de dispersion de graines, ou ils étaient trop généraux et ne décrivaient pas la ligne fine entre les conditions qui permettent aux systèmes de coexister, contre ceux qui forcent le système à s'effondrer, " dit Wu.

Pour rechercher si une directive quantitative unificatrice pourrait exister pour les systèmes mutualistes, Wu a systématiquement étudié 52 modèles d'équations différentielles qui capturent la diversité des systèmes mutualistes. Ces systèmes partageaient la même structure fondamentale :lorsque le bénéfice collectif était supérieur au stress collectif, les populations peuvent coexister. Si le stress est supérieur au bénéfice collectif, le système va s'effondrer.

Bien qu'il soit relativement facile de mesurer le stress dans un système, il est plus compliqué de mesurer le bénéfice collectif, qui est fonction de variables telles que le coût, avantages individuels et autres complexités du système. Vous et son équipe avez reconnu que tenter de mesurer le bénéfice collectif est devenu un goulot d'étranglement en raison des critères complexes disponibles pour mesurer, et cela est devenu encore plus difficile lorsqu'il est appliqué à différents systèmes mutualistes.

Au lieu, l'équipe a développé un algorithme d'apprentissage automatique pour déterminer le bénéfice collectif en utilisant quelques-uns, des variables relativement faciles à rassembler comme la température, pH et génétique. L'approche a abouti à une métrique simplifiée qui peut être appliquée à divers systèmes mutualistes.

Pour tester leurs directives, l'équipe a utilisé des données expérimentales de trois systèmes bactériens mutualistes et des données simulées pour montrer que leur cadre pouvait prédire de manière cohérente et précise si un système coexisterait ou s'effondrerait. Leurs règles pourraient également prédire des informations quantitatives, y compris la probabilité de coexistence, résistance et densité de population totale.

L'équipe est optimiste quant au fait que leurs recherches peuvent également être appliquées à des systèmes biologiques non mutualistes. Par exemple, Vous suggère d'utiliser leur stratégie pour examiner la résistance aux antibiotiques et les conditions qui permettent à la résistance de persister ou de disparaître.

"Quand on travaille en médecine ou en génie biomédical, nous nous rendons compte qu'une certaine simplification est nécessaire pour comprendre les interactions des communautés que nous étudions, " a dit You. " Notre procédure nous a montré qu'il y a des points communs entre des systèmes biologiques apparemment divers, et c'est essentiel pour nous permettre de faire les prédictions qui guident nos recherches. »

Les membres de l'étude comprennent Charlotte Lee de Duke biologie et Sanyan Mukherjee en science statistique, mathématiques, l'informatique, et bioinformatique &biostatistique, ainsi que deux anciens membres du You lab, Allison Loptkin et Daniel Besoins.