综述：探索微生物群落中的相互作用

这篇综述系统梳理了微生物互作研究的现状与挑战，重点评述了基于基因组（genome-based）的预测方法和实验验证策略，涵盖单/共培养（mono-/co-culture）、高通量平台等技术，并指出空间互作（spatial interactions）和数据库建设是未来突破方向。

　　

微生物互作研究的全景视角

引言

微生物通过复杂的互作网络形成群落生态系统。经典的高斯（Gause）实验范式——通过单培养与共培养生长曲线比较来判定互作效应（促进/抑制/中性）——仍是当前研究的基石。随着测序技术普及，基于丰度数据（abundance data）和基因组（genome-based）的预测方法正快速发展。

互作预测方法论

丰度数据驱动：高通量测序（NGS）可低成本获取群落成员相对丰度，为网络推断算法提供数据基础。基因组驱动：通过代谢模型（如FBA）预测物种间代谢物交换，或利用机器学习整合多组学数据。值得注意的是，基因组注释完整性直接影响预测准确性，当前方法对非模式微生物的适用性仍有限。

实验验证策略

合成微生物群落（synthetic communities）的完全解析网络成为算法验证的黄金标准。单/共培养实验设计需注意：培养基成分可能掩盖真实互作，而微流控芯片等新技术能实现高通量平行检测。作者特别强调，空间结构（如生物膜分层）会显著改变互作模式，但现有技术对此类三维场景的解析仍不足。

量化分析框架

生长曲线分析分为模型无关法（如AUC比较）和模型驱动法（如gLV微分方程）。后者能整合环境参数，但需警惕过度拟合。近期发展的动态模型开始纳入群体感应（quorum sensing）等时空变量。

未来挑战

两大空白领域亟待突破：一是建立标准化的互作数据库（interaction databases），二是开发空间转录组（spatial transcriptomics）与显微技术的联用方案。正如作者所言："理解生物膜中的代谢梯度，将是解开自然界真实互作网络的关键钥匙。"