MIMEco：基于多目标代谢建模预测并解释微生物成对相互作用

《mSystems》：MIMEco: multi-objective metabolic modeling to predict and explain pairwise interactions

　　

基因组尺度代谢模型（genome-scale metabolic models，GEMs）为定量探索生物体生理及其与环境相互作用提供了机制框架。然而，其在微生物群落建模中的应用受到限制，因为该建模通常依赖于群落范围的目标函数或群落丰度数据的整合。尽管如此，预测微生物相互作用对于理解生态系统动态至关重要，因此需要专门的方法。在此，研究人员介绍生态系统中的代谢相互作用建模（Metabolic Interaction Modeling in Ecosystems，MIMEco），一个开源 Python 包，通过多目标优化预测成对微生物相互作用。MIMEco 不需要丰度数据，提供用户友好的工作流程，并直接从帕累托前沿（Pareto fronts）预测相互作用类型、相互作用强度和交换的代谢物。在本研究中，通过复制两种营养缺陷型大肠杆菌（Escherichia coli）菌株的体外共培养实验结果，对 MIMEco 进行了验证。通过将机制推断与可用性相结合，MIMEco 使非专家能够进行代谢相互作用建模，同时对专家保持灵活性，从而为推进生物医学和环境领域的代谢生态学建立了一个多功能平台。

研究背景方面，微生物生态学进展对健康、农业和气候变化等领域具有重要意义。高通量测序可快速、低成本地描绘不同环境中的微生物群落，但因果机制的推断和理解仍主要依赖昂贵且费力的体外实验。动力学模型可模拟动态微生物相互作用，却构建复杂，需要大量实验数据和计算资源。基因组尺度代谢模型（genome-scale metabolic models，GEMs）假设准稳态条件，为探索微生物代谢和生态相互作用提供了更可扩展的框架。单生物 GEMs 以最大化生长速率等目标为标准，常与适应度增加相关。群落建模最初通过最大化总群落生物量生产来扩展该框架，但常导致快速生长的富营养物种不现实地占优势，忽略自然界中常见慢生长寡营养生物的共存。整合物种丰度数据的策略中，Microbiome Modeling Toolbox（MMT）可最大化丰度加权生物量生产并保持物种比例，但相对丰度不直接反映生长速率，作为群落目标权重可能人为限制低丰度类群。MICOM 使用相对丰度和 L2 正则化估计与生物数据一致的生长速率，但依赖经验测量并受采样群落组成限制。SMETANA 可预测代谢依赖，但不模拟同时群落生长，预测交换并非来自现实群落水平代谢行为，且缺乏整合详细定量培养基组成的能力。OptCom 使用双层优化平衡个体生长目标与全局生态系统目标，但计算密集且非即用工具。MMT 的成对建模框架通过顺序生物量约束手动推断权衡并产生帕累托前沿，但不支持正式多目标优化，不易扩展，且为 MATLAB 程序，需要付费许可。因此，研究人员引入 MIMEco，一个用户友好、开源 Python 包，用于从 GEMs 预测成对微生物相互作用。

主要技术方法可概括如下：MIMEco 使用 mocbapy 将两个 GEM 组合为含共享胞外池的生态系统模型，以 benpy（Bensolve 的 Python 适应）进行多目标优化。它先计算各生物单培养最大目标值以归一化帕累托前沿，并通过 interaction_score_and_type() 以面积下曲线（area under the curve，AUC）与非相互作用面积（non-interaction area，NIA）之差计算相互作用分数并分类。crossfed_metabolites() 沿帕累托前沿采样 10,000 个解，计算 Spearman 相关，要求交换通量相反、与至少一个生物目标值相关且交换一致。培养基约束有 blocked、partially_constrained 和 as_is 三种模式。验证使用 BiGG 的 iJO1366，通过阻断 DAPDC 或 THRD_L 模拟 lysA 或 ilvA 敲除；使用 M9 培养基和 GUROBI 求解器。第二验证使用 gapseq 自动重建 GEMs 和酵母提取物培养基。来源为 Jo et al. 与 Mee et al. 的 E. coli MG1655 营养缺陷型共培养，以及 Acetobacter oryzifermentans 与 Lactiplantibacillus plantarum；无人类队列。

研究结果方面，多目标代谢建模用于定性和定量成对相互作用：传统代谢建模通常优化单一目标函数，如生物量生产，而多目标优化同时优化多个目标，产生帕累托前沿，代表无法在不损害另一目标的情况下改善某一目标的解集。MIMEco 构建区室化生态系统模型，使两个生物共享胞外池，代谢物进入共享池受用户定义培养基约束。为评估相互作用对生物适应度的影响，MIMEco 先模拟单培养最大目标值，并将其归一化为 1，作为帕累托前沿轴参考，用于后续推断相互作用类型、相互作用分数和交叉喂养代谢物。相互作用类型：由于单培养最优值归一化为 1，群落中目标值高于 1 提示偏利或互利，低于 1 提示竞争；当两个生物仅有一个帕累托最优解且二者目标值等于各自单培养最优值时，分类为中性。代表性帕累托前沿对应中性、竞争、偏向模型 1、偏向模型 2、有限互利、互利和极端互利七类。相互作用分数：以中性非相互作用前沿下面积定义 NIA，MIMEco 以帕累托前沿 AUC 与 NIA 之差计算分数。正分表示一个或两个生物超过单培养目标值，如偏利或互利；负分表示代谢表现下降，常与竞争相关。由于帕累托前沿凸性，最差竞争时前沿仅含两个单培养最优点，AUC 为 0.5，NIA 为 1，最低分数为 ^?0.5；正分无界，因此正负分数不应视为对称的相互作用强度。在帕累托前沿采样解以识别一致交叉喂养代谢物：该方法采样 10,000 个解，计算交换反应和目标反应的通量相关性，候选交叉喂养代谢物需在显著部分采样解中一致交换，且其交换通量与至少一个生物的目标值相关。crossfed_metabolites() 返回数据框，阈值可调，并可绘图显示推断代谢物的运输通量沿帕累托前沿变化。针对人类小肠环境的专用功能：研究人员将 Sahoo et al. 的小肠上皮细胞模型适配入 MIMEco，解决反应可逆性与初始边界冲突，补全基因-蛋白质-反应关联（gene-protein-reaction associations，GPR），转换为 BiGG 命名空间，使其可与 BiGG 基础重建模型交换代谢物。使用体外实验验证 MIMEco 预测：先前工作显示，在含小肠上皮细胞的生态系统中，已知益生菌菌株倾向获得比非益生菌更高的相互作用分数。研究人员复现 Jo et al. 的 BioMe 设备共培养，该设备由半透膜分隔两个区室，允许扩散交换并独立测量各菌株生长。氨基酸营养缺陷型 E. coli 菌株的体外共培养：Mee et al. 协议创建 E. coli MG1655 衍生物，ΔLys 为 lysA 敲除，ΔIle 为 ilvA 敲除；二者在无氨基酸补充的最小培养基中不生长，添加对应缺失氨基酸可恢复单培养。BioMe 共培养中 ΔLys 和 ΔIle 恢复生长，但受膜限制，且 ΔLys 生长率高于 ΔIle；ΔIle 较其无异亮氨酸单培养改善，确认互养交叉喂养。无膜混合培养达到更高生长，最终吸光度约 0.5 OD。氨基酸营养缺陷型 E. coli 菌株的计算机模拟共培养：研究人员使用 BiGG 高质量 E. coli MG1655 模型，阻断 DAPDC 和 THRD_L 反应模拟 lysA 和 ilvA 敲除。在最小培养基中，ΔLys 和 ΔIle 单优化不可行；野生型最大生长率为 0.7109 gDW·h^?1。为归一化，在改良最小培养基 MM⁺ 中加入痕量缺失氨基酸，使营养缺陷型出现极低单培养生长；MM⁺⁺ 中加入中等量氨基酸后，各菌株最大生长率为 0.7388 gDW·h^?1。MIMEco 在 MM⁺ 模拟共培养使 ΔLys 和 ΔIle 恢复至 0.6762 gDW·h^?1 和 0.677 gDW·h^?1，接近野生型水平。预测相互作用类型为互利，相互作用分数为 2,283,562；该极高值源于单培养生长可忽略而共培养稳健生长的对比，更像代谢开关而非线性互力量化。帕累托前沿显示不对称受益，ΔLys 的正相互作用效应比 ΔIle 更明显，与体外观察一致。MIMEco 识别赖氨酸和异亮氨酸为唯一交叉喂养代谢物：赖氨酸由 ΔIle 分泌并被 ΔLys 摄取，在 71% 采样帕累托解中出现，与该交换和 ΔLys 生长的强相关为 0.97；异亮氨酸由 ΔLys 输出并支持 ΔIle 生长，同样相关系数为 0.97。

讨论部分总结：多目标代谢建模是预测微生物群落相互作用的强大方法，但当前实现常需要广泛专业知识、依赖样本特异性数据或缺乏可及性。MIMEco 作为开源 Python 包降低这些障碍，提供用户友好框架推断相互作用分数、类型和交叉喂养代谢物。其模块化设计便于标准分析和定制。MIMEco 允许用户定义培养基定量组成并调整约束严格性，因此广泛适用于海洋生态系统、农业土壤微生物组或健康相关宿主微生物群落。针对肠道微生物研究，MIMEco 包含模拟微生物与小肠上皮细胞及血液区室交换的功能。复现 Jo et al. 共培养时，MIMEco 结果与原始研究密切匹配，重现 ΔLys 相较 ΔIle 的生长恢复优势。但该案例代表理想场景：E. coli 特征明确，模型高度管理，实验条件变化简单，生态系统模型复杂性受限。第二验证在更困难、非理想条件下进行，使用 gapseq 自动重建 GEMs 和含未知成分酵母提取物的培养基，模拟近似培养基组成，仍成功预测 Acetobacter oryzifermentans 与 Lactiplantibacillus plantarum 的不对称互利。验证用例得到简单帕累托前沿，两个非支配解分别允许一种细菌高生长而另一种不生长，归一化后对角线穿过互利区。该框架预测力高度依赖输入 GEM 质量和培养基定义准确性。当前工具聚焦成对相互作用和生态系统，但正式多目标方法已显示可扩展至 3、5 或 11 个生物；未来将自动化多生物生态系统分析。研究结论部分翻译：MIMEco 提供开源且用户友好的多目标框架，用于预测和量化成对微生物生态系统相互作用及营养交换。通过复制一个表征良好的实验室实验，研究人员证明 MIMEco 能准确反映真实生物行为。该工具提高了社区探索和理解支撑微生物生态系统的代谢相互作用机制的能力。通过将机制推断与可用性相结合，MIMEco 使非专家能够进行代谢相互作用建模，同时对专家保持灵活性，从而为推进生物医学和环境领域的代谢生态学建立了一个多功能平台。