基于组成数据，利用迭代方法求解广义Lotka-Volterra方程来量化微生物之间的相互作用

《PLOS Computational Biology》：Quantifying microbial interactions based on compositional data using an iterative approach for solving generalized Lotka-Volterra equations

本研究提出迭代洛塔克-沃尔terra模型（iLV），解决传统模型依赖绝对丰度数据的问题，通过迭代优化和分步非线性优化提高参数估计精度，并在雪兔-猞猁、Stylonychia pustula-P. caudatum共培养及奶酪微生物群等案例中验证其有效性，显著优于cLV和gLV_relative方法。

　　在微生物生态学研究中，理解微生物之间的相互作用对于揭示微生物群落的动态变化至关重要。微生物群落内部的物种相互作用不仅影响群落的稳定性，还可能对宿主健康产生深远影响。传统的广义Lotka-Volterra (gLV) 模型在研究这些相互作用方面具有广泛应用，它能够描述多种生态系统的非线性动态变化，包括微生物群落和宏观生物种群。然而，gLV模型依赖于绝对丰度数据，这在微生物组研究中往往难以获得，因为大多数实验数据是以相对丰度形式呈现的。为了解决这一限制，研究者们开发了多种适应相对丰度数据的模型，例如组合Lotka-Volterra (cLV) 模型，该模型将动态过程映射到一个受约束的简单形体上，以满足相对丰度的总和约束条件。然而，这些模型在处理相对丰度数据时仍存在一定的局限性，例如线性近似带来的精度不足，以及无法准确恢复原始的相互作用系数等问题。

为克服这些挑战，本文提出了一种新的模型框架——迭代Lotka-Volterra (iLV) 模型。该模型结合了gLV的理论基础与相对丰度数据的特性，通过迭代优化策略和非线性优化方法，提高了参数估计的准确性。iLV模型的核心创新在于两方面：首先，它将传统的gLV模型适应于相对丰度数据，同时考虑了物种间的绝对丰度总和；其次，它采用迭代线性近似和非线性优化相结合的方法，逐步改进参数估计，从而在不同噪声水平和时间分辨率下实现更精确的预测。通过在模拟数据和真实数据集上的测试，iLV模型在恢复相互作用系数和预测物种轨迹方面表现优于现有的方法，例如cLV和gLV_relative。此外，iLV模型在处理实际数据时展现出良好的稳定性和可靠性，尤其在涉及复杂自相互作用的系统中，其表现更加突出。

在方法部分，研究者详细介绍了iLV模型的构建过程。该模型分为两个子程序：迭代子程序和最小二乘估计子程序。迭代子程序通过线性优化生成参数的初始估计值，这一过程基于对相对丰度数据的初步处理，假设总绝对丰度保持不变。随后，最小二乘估计子程序使用这些初始估计值作为起点，通过非线性优化进一步细化参数，以达到更优的预测效果。在优化过程中，研究者比较了多种非线性优化方法，包括leastsq()、least_squares(method='lm')和least_squares(method='trf')，并发现leastsq()在大多数情况下提供了最低的轨迹均方根误差 (RMSE)。此外，为了提高模型的鲁棒性，研究者在优化过程中采用了多次重复运行的方法，选择其中RMSE最小的参数作为最终结果。

为了验证iLV模型的性能，研究者使用了多种基准测试方法。在模拟数据中，研究者生成了不同噪声水平和时间分辨率下的数据集，并比较了iLV与cLV、gLV_relative以及gLV_absolute（使用绝对丰度数据）在恢复相互作用系数方面的表现。结果表明，iLV模型在所有测试条件下都表现出色，特别是在噪声较大的情况下，其性能优于其他基于线性近似的模型。此外，研究者还分析了自相互作用项对模型性能的影响。自相互作用通常表现为物种对自身种群的调节，这种调节在生物学中较少见，但对系统稳定性具有重要影响。因此，在模拟数据中，研究者随机分配了自相互作用项的值，使其处于不同的负值范围内，以模拟不同强度的自调节。结果表明，iLV模型在所有自相互作用条件下均能稳定地捕捉到物种间的相对相互作用强度，其余弦相似度始终高于0.7，而cLV和gLV_relative的余弦相似度则显著较低。

在实际应用方面，iLV模型被用于分析三个不同的生态系统：加拿大猞猁-雪兔的捕食者-猎物系统、Stylonychia pustula-P. caudatum的混合培养系统以及奶酪微生物群落。这些案例研究进一步验证了iLV模型在处理真实数据时的有效性。例如，在雪兔和猞猁的动态研究中，iLV模型能够准确地预测种群变化轨迹，其RMSE值显著低于其他方法。在Stylonychia pustula和P. caudatum的混合培养实验中，iLV模型同样表现出色，其预测结果与实际观察值高度一致。而在奶酪微生物群落的研究中，iLV模型能够有效识别不同物种间的相互作用网络，包括促进和抑制关系，并且其预测轨迹的RMSE值也优于其他方法。这些实际应用案例表明，iLV模型不仅在理论层面具有优势，而且在实际生态系统建模中展现出强大的实用性。

尽管iLV模型在多个方面表现出色，但其计算瓶颈仍然存在。非线性优化步骤（即最小二乘估计子程序）需要较高的计算资源，尤其是在处理高维数据或密集时间序列数据时。因此，为了提高模型的可扩展性，研究者建议采用并行计算策略，例如将优化过程分布在多个初始化中，以减少计算时间。此外，使用稀疏雅可比矩阵或近似海森矩阵也可能有助于降低计算复杂度，而不显著影响模型的准确性。这些方法在大规模数值优化问题中已被证明是有效的，因此可以作为未来研究的方向，以进一步提升iLV模型在处理更复杂微生物群落数据时的性能。

iLV模型的另一个重要特点是其对数据集的敏感性。在不同的数据集上，iLV模型的参数估计结果可能会受到数据点数量、时间分辨率和自相互作用项的影响。例如，在某些数据集中，如果时间间隔较大或数据点较少，模型的性能可能会受到影响。此外，自相互作用项的数值变化也可能对模型结果产生显著影响，尤其是在处理较大和更复杂的系统时。因此，研究者建议在实际应用中，根据数据集的特性对这些参数进行调整，并通过多次实验和验证来确保模型的准确性。

在讨论部分，研究者强调了iLV模型的创新之处和其在微生物生态学研究中的潜在应用。iLV模型通过迭代优化策略，有效解决了传统gLV模型在处理相对丰度数据时的局限性，同时保持了模型的可解释性。此外，iLV模型在处理实际数据时表现出良好的鲁棒性，能够在不同的噪声水平和时间分辨率下提供可靠的预测结果。然而，研究者也指出，该模型在计算效率方面仍面临挑战，尤其是在处理大规模数据集时。因此，未来的研究方向可能包括优化计算过程，例如引入并行计算或简化模型结构，以提高处理效率。此外，研究者还建议在模型中引入更多的生态约束条件，例如环境扰动或种群容量限制，以增强模型的现实意义和预测能力。

综上所述，iLV模型为微生物相互作用的建模提供了一种新的方法，特别是在处理相对丰度数据时表现出显著的优势。通过结合迭代优化和非线性估计，该模型能够在多种生态条件下提供更准确和稳定的预测结果。尽管其计算复杂度较高，但随着计算技术的进步和模型优化策略的引入，iLV模型有望在未来的微生物生态学研究中发挥更大的作用。此外，iLV模型的应用范围不仅限于微生物群落，还可以扩展到其他生态系统，为生态学研究提供新的工具和思路。