Mikrobielle Gemeinschaften sind ständig der Invasion von exogenen Arten ausgesetzt, die ihre Zusammensetzung und Funktion signifikant verändern können. Die Resistenz einer mikrobiellen Gemeinschaft gegen Invasion wird als emergente Eigenschaft angesehen, die aus den komplexen Interaktionen der einzelnen Arten resultiert. Die Vorhersage und Modifikation von Kolonisationsergebnissen (d.h. Verhinderung der Ansiedlung von Pathogenen und Förderung der Ansiedlung von Probiotika) ist entscheidend für personalisierte mikrobiota-basierte Interventionen in Ernährung und Medizin. Trotz vieler empirischer Studien bleibt die Vorhersage von Kolonisationsergebnissen in komplexen Gemeinschaften aufgrund des begrenzten Wissens über Interaktionen zwischen Arten eine grundlegende Herausforderung.
Ein Team von Forschern unter der Leitung von Prof. Dai Lei vom Shenzhen Institute of Advanced Technology (SIAT) der Chinesischen Akademie der Wissenschaften hat kürzlich einen datengesteuerten Ansatz entwickelt, um die Kolonisationsergebnisse exogener Arten in komplexen mikrobiellen Gemeinschaften vorherzusagen, ohne detailliertes Wissen über die zugrunde liegenden ökologischen und biochemischen Prozesse. Die Forscher konnten mit maschinellen Lernmodellen die Kolonisationsergebnisse vorhersagen, wenn ausreichend Trainingsdaten vorhanden waren. Durch die Verwendung von großen Datensätzen konnten die Forscher die Vorhersage der Kolonisationsergebnisse in Experimenten validieren und zeigten, dass die Einführung von hoch interagierenden Arten die Kolonisationsergebnisse wesentlich verändern kann.
Die Ergebnisse der Studie haben gezeigt, dass die Kolonisationsergebnisse komplexer mikrobieller Gemeinschaften mithilfe datengesteuerter Ansätze vorhersagbar und beeinflussbar sind. Dies könnte einen Paradigmenwechsel im Studium der Stabilität und Funktion komplexer ökologischer Systeme darstellen und bedeutende Anwendungen in der Gesundheitsversorgung und Landwirtschaft ermöglichen. Machine-learning-Modelle können somit die Kolonisationsauswirkungen komplexer mikrobieller Gemeinschaften vorhersagen.