MBPert：基于机器学习的微生物群落动态计算框架揭示物种互作机制及其生态应用

研究人员开发了MBPert计算框架，通过耦合改进的广义Lotka-Volterra（gLV）模型与机器学习优化，解决了传统梯度匹配方法在稀疏采样或接近平衡态数据中参数估计不准的难题。该框架能精准推断物种互作网络并预测扰动后动态，在艰难梭菌感染小鼠模型和抗生素扰动人类肠道菌群实验中验证了其有效性，为微生物组生态学提供了新的机制研究工具。

　　

微生物群落如同微观宇宙中的复杂社会网络，其成员通过竞争、合作等相互作用影响着宿主的健康与疾病。然而，传统研究方法如梯度匹配算法在解析这些动态关系时面临重大挑战——当微生物组数据采样稀疏或接近平衡状态时，参数估计误差会被显著放大。这种局限性严重阻碍了人们对微生物群落组装规律的理解，也限制了精准调控菌群治疗疾病的可能。

英国伯明翰大学（University of Birmingham）的研究团队在《npj Systems Biology and Applications》发表的研究中，提出了名为MBPert的创新计算框架。该研究通过将改进的广义Lotka-Volterra（gLV）方程与机器学习优化相结合，成功实现了对微生物群落动态的精准预测和物种互作网络的可靠推断。研究人员采用数值求解微分方程与迭代参数估计的策略，突破了传统方法的局限，为微生物生态学研究提供了强有力的新工具。

关键技术包括：1）基于Runge-Kutta算法的ODE数值求解器处理时间序列数据；2）Adam优化器进行参数迭代更新；3）采用留一法验证策略评估模型在C. difficile感染小鼠（n=5）和人类抗生素扰动队列中的预测性能；4）通过标准化MTIST数据集进行算法基准测试。

模拟研究验证框架可靠性

通过构建10物种合成群落，研究团队系统评估了MBPert在不同实验设计下的表现。在随机拆分扰动条件的测试中，90%的物种互作参数估计值落在真实值一个标准差范围内（图2a-c）。特别值得注意的是，当训练集仅包含单物种扰动数据时，模型对高阶组合扰动的预测仍能达到0.785的相关系数（图3a），而加入三物种扰动数据后预测精度显著提升至近乎完美（图3c）。

真实数据揭示临床相关互作

应用MBPert分析C. difficile感染小鼠模型，发现艰难梭菌对产酸克雷伯菌（K. oxytoca）存在强烈抑制作用（图8），这与临床观察到的资源竞争现象一致。更引人注目的是，模型揭示了普通拟杆菌（B. ovatus）通过C. scindens和C. hiranonis的促进作用获得生长优势的潜在代谢互作网络，这为理解短链脂肪酸（SCFA）产生菌群的协同机制提供了新视角。

抗生素扰动预测展现临床应用潜力

在人类肠道菌群重复抗生素扰动实验中，MBPert仅依据首次环丙沙星给药前的数据，就能准确预测第二次给药后的菌群动态变化（图9）。预测结果与实测数据的高度吻合（相关系数>0.99）表明，该框架有望用于个性化抗生素治疗方案的优化设计。

这项研究的突破性在于建立了连接微生物组观测数据与生态动力学理论的桥梁。MBPert框架不仅能处理传统的纵向时间序列数据，还可应用于靶向扰动实验设计，极大扩展了微生物生态研究的实验可行性。研究者特别指出，虽然框架目前仅捕捉成对物种互作（pairwise interactions），但通过比较有效互作与真实互作的差异，为检测高阶生态互作（higher-order interactions）提供了新思路。该成果对理解微生物群落稳定性机制、开发精准菌群调控策略具有重要价值，其通用性设计也使其可拓展至蛋白质互作网络、合成生物学等更广泛领域。