MDSINE2：基于模块化动力学的微生物组生态系统尺度建模新方法

本研究针对微生物组动力学模型构建面临的复杂性高、可解释性差等挑战，开发了贝叶斯推断工具MDSINE2。该方法通过自动学习"交互模块"(interaction modules)，从高时间分辨率的人类源化小鼠微生物组时序数据中，构建出参数减少72倍的紧凑型广义Lotka-Volterra(gLV)模型。研究证明该模型在真实和模拟数据中均优于现有方法，并揭示了关键模块的"基石性"(keystoneness)作用和维持生态系统稳定的负反馈机制，为微生物组动态研究提供了新的分析框架和开源工具。

　　

微生物组研究正在经历从静态描述向动态分析的范式转变。尽管微生物生态系统对宿主健康至关重要，但解析其复杂的动态行为仍面临重大挑战。传统方法难以捕捉微生物间非线性相互作用和对外界扰动的响应规律，而现有的动力学模型又存在参数爆炸、可解释性差等问题。这些局限性严重阻碍了人们对微生物生态系统级行为的理解，特别是在临床转化应用中，无法预测干预措施对微生物组的长期影响。

针对这些挑战，Travis E. Gibson等研究团队在《Nature Microbiology》发表了创新性研究成果。他们开发了微生物动力学系统推断引擎MDSINE2，这是一种能够从微生物组时序数据中学习紧凑且可解释的生态系统尺度动力学模型的贝叶斯方法。该方法的核心突破在于将微生物动态建模为受"交互模块"驱动的随机过程，这些模块是具有相似交互结构和扰动响应特征的微生物群体。研究团队还配套开发了开源软件包，提供模块系统发育分析、网络拓扑特性研究、基石性定量评估等多样化工具。

研究采用了多项关键技术方法：首先建立了人类源化小鼠模型，将健康供体和溃疡性结肠炎患者的粪便微生物移植到无菌小鼠体内；通过高密度采样策略（平均每只小鼠76个时间点）获取扰动响应数据；结合16S rRNA基因扩增子测序和qPCR技术精确量化微生物组成；开发了基于广义Lotka-Volterra方程的贝叶斯概率模型，引入Dirichlet Process先验实现模块自动聚类；采用马尔可夫链蒙特卡洛(MCMC)算法进行参数估计。

研究结果部分，"Open-source computational tool for learning microbiome dynamics"展示了MDSINE2的三大创新：全贝叶斯概率框架显式建模测量不确定性；引入随机过程捕捉未测量效应；通过交互模块将参数复杂度从O(N²)降至O(log²N)。

"High-temporal-resolution gut microbiome studies with humanized mice"部分详细介绍了为动力学推断专门设计的实验数据集：两个队列的无菌小鼠分别移植健康供体(n=4)和溃疡性结肠炎供体(n=5)的粪便菌群，经历3周适应期后依次接受高脂饮食、万古霉素和庆大霉素扰动，共收集686份粪便样本。

"MDSINE2 outperformed state-of-the-art methods forecasting with real data"通过留一法交叉验证显示，在预测微生物浓度方面，MDSINE2显著优于gLV-L2和gLV-net等方法，RMSE降低明显。特别值得注意的是，虽然MDSINE2参数数量减少97%（从19,740降至仅272个），但预测性能仅轻微下降。

"MDSINE2 accurately recovers ecosystem dynamics from(semi-)synthetic data"通过半合成数据验证，MDSINE2在恢复交互网络拓扑结构方面表现优异，交互存在/缺失判断的AUC-ROC中位数达0.91，交互强度预测的S