基于布尔网络的生态网络与可能性动力学推断：整合观测与先验知识的新范式

这篇综述创新性地提出利用布尔网络(BN)框架推断生态互作网络及其动力学特征的方法。研究通过逻辑编程工具BoNesis，将观测数据与专家知识整合为约束条件，实现了从原生生物群落到浮游生态系统的模型构建。该方法突破传统定量模型的局限，通过定性建模(possibilistic dynamics)和最小偏差原则，为复杂生态系统的网络推断提供了可解释性强、计算高效的解决方案。

　　

生态网络推断的创新方法论

生态系统的复杂性使得传统定量模型面临数据不足和参数敏感的挑战。本研究开创性地将布尔网络(BN)这一离散动力学框架应用于生态网络推断，通过整合观测数据和先验知识，实现了对复杂生态系统的定性建模。

布尔网络与生态网络的桥梁构建

布尔网络通过二元状态(0/1)表示物种存在与否，其异步更新模式能穷举系统所有可能的动力学路径。研究首次建立了生态网络与BN因果结构的映射关系：捕食关系对应正调控边(j→⁺i)，被捕食效应则转化为负调控边(i→^-j)。这种转换保留了营养级联的核心特征，同时通过自环边(i→⁺i)处理物种的自我维持能力。

双案例验证研究设计

研究选取两个经典案例进行验证：

1. 六种原生生物(如Amoeba proteus、Blepharisma japonicum)的微宇宙实验数据，包含71个观测状态转换
2. 法国大西洋沿岸浮游生态系统的时间序列数据，涉及7个生物组分和2个环境因子

通过BoNesis软件的逻辑编程实现，研究设置了三种推理场景：零知识基础的中性模型、WLW先验网络约束模型和扩展的GeA先验模型。

原生生物系统的关键发现

中性模型仅需14条相互作用边即可重现所有观测转换，但会产生81个额外转换(偏差)。引人注目的是，该模型自动识别出T物种被P、C捕食的关键关系——这正是WLW先验模型无法解释观测数据的关键缺失。

ZKM系列模型通过最小化偏差至18个额外转换，揭示了体型悖论：较小物种E可能反向捕食较大物种P。这种反直觉关系得到实验文献支持，体现了体型并非捕食关系的绝对决定因素。

浮游生态系统的网络特征

对包含8个变量(如细菌Bact、硝酸盐Nit、微型浮游动物MicroZ等)的浮游系统，研究从2400个最小影响图中提取出核心互作网络。结果显示：

• 正确预测了纳米级浮游生物(NanoP)被微型浮游动物(MicroZ)捕食
• 误判了异养生物(Proto)对硝酸盐的摄取能力
• 自环边准确反映了基础物种的自我维持特性

方法论突破与局限

该研究的创新性体现在：

1. 可能性动力学框架可穷举所有系统演变路径
2. 通过ASP(Answer-Set Programming)实现严格逻辑推理
3. 支持非单调网络的推断

但存在以下局限：

• 二元状态简化可能丢失关键数量特征
• 大规模网络(>20节点)需要手动限制布尔函数复杂度
• 偏差优化可能掩盖关键生物互作

生态建模的新范式

这项工作确立了定性建模在生态网络推断中的独特价值：

1. 为后续定量建模提供结构骨架
2. 在数据稀缺时仍能生成可验证假设
3. 通过模型不可行结论反向修正专家知识

研究展望中特别指出，未来可结合本文的定性框架与定量动力学，发展多尺度建模方法。这种"先定性后定量"的分步策略，有望成为复杂生态系统研究的新标准。