《Frontiers in Cellular and Infection Microbiology》：gNODE: gLV model-informed neural ordinary differential equations for modeling microbial community dynamics
编辑推荐：
背景：人类肠道微生物群是一个高度复杂的生态系统，与宿主健康密切相关，但其动态行为的功能机制仍未被充分理解。准确建模微生物群落动态对于阐明这些机制至关重要。然而，大多数现有方法依赖于密集采样的时间序列数据，并且通常缺乏生物学可解释性。方法：为应对这些挑战，研究人
背景：人类肠道微生物群是一个高度复杂的生态系统，与宿主健康密切相关，但其动态行为的功能机制仍未被充分理解。准确建模微生物群落动态对于阐明这些机制至关重要。然而，大多数现有方法依赖于密集采样的时间序列数据，并且通常缺乏生物学可解释性。方法：为应对这些挑战，研究人员提出了gNODE，一个整合了广义Lotka-Volterra（gLV）模型与神经常微分方程（NeuralODEs）的框架，用于联合预测微生物群落动态、推断物种相互作用并量化关键分类群的功能贡献。通过将生态学方程嵌入神经架构，gNODE将生物约束直接引入其模型结构，即使在稀疏时间采样下也能实现具有生物学意义的参数估计和准确推断。结果：通过模拟和真实数据集，与现有方法相比，gNODE在参数估计、轨迹预测和扰动响应建模方面展示了优越性能。在艰难梭菌（Clostridioides difficile）感染数据集中，gNODE准确捕捉了感染后群落轨迹并鉴定了关键抑制性分类群，突显其发现抑制病原体微生物的潜力。在一个益生菌混合物定殖数据集中，gNODE鉴定了饮食特异性关键物种（keystone species），强调了其评估扰动响应和指导益生菌混合物设计的实用性。结论：gNODE为建模复杂微生物群落动态提供了一个稳健且可解释的框架，为塑造宿主相关微生物组的生态过程提供了新的机制性和功能性见解。
**论文解读：gNODE框架在微生物群落动态建模中的应用**
**研究背景与问题**
人类肠道微生物组是一个高度复杂的动态生态系统，其组成和功能受饮食、医疗干预和环境暴露等多种因素影响。微生物群落在生命周期中发生变异，其可塑性为基于微生物组的疗法提供了机会，尤其在于预防和治疗与失调相关的疾病。准确预测微生物群落动态对于识别群落扰动与疾病之间的关联、以及指导个性化干预（如饮食调整、益生菌施用或粪菌移植）至关重要。然而，微生物群落动态源于复杂的物种间相互作用，但实验推断这些相互作用面临高维度及多数分类群难以单独培养的挑战。现有方法中，共现网络仅捕捉统计关联，无法区分直接与间接效应；横截面数据集缺乏时间信息，限制了揭示影响群落行为的机理相互作用。纵向研究虽提供了时间序列数据，但生态动力学模型（如广义Lotka-Volterra模型）的参数可靠推断常依赖高密度时间序列数据，且受模型假设和参数可辨识性约束。经典ODE参数估计方法（如标准方法和两步配置法）在高维系统中计算代价高昂或需足够密集数据。深度学习方法（如神经常微分方程）虽灵活，但缺乏参数可解释性，且未解决稀疏纵向采样下的参数估计问题。因此，亟需一种结合机理模型可解释性与连续时间神经学习灵活性的新建模策略。
**研究内容与意义**
研究人员提出了gNODE框架，该框架将广义Lotka-Volterra（gLV）模型直接嵌入神经常微分方程（NeuralODE）架构中，使得生态参数（物种特异性生长速率和成对相互作用系数）可直接从稀疏采样的纵向数据中推断。gNODE不仅能够预测群落轨迹，还可在计算机中模拟物种去除等扰动实验，并通过驱动分数（driver score）量化各物种对群落结构和动态的功能贡献。通过在模拟数据和两个真实数据集（艰难梭菌感染数据集和益生菌混合物定殖数据集）上的验证，gNODE在参数估计、轨迹预测和扰动响应建模方面优于现有方法，展示了其识别抑制病原体的微生物和评估饮食特异性关键物种的潜力。该研究发表在《Frontiers in Cellular and Infection Microbiology》，为微生物群落动态建模提供了一个可解释且稳健的框架，增进了对宿主相关微生物组生态过程的理解。
**主要技术方法**
研究人员构建了gLV-informed NeuralODE（gNODE），将gLV方程直接作为神经常微分方程的动力学函数，利用ODE求解器从初始丰度生成连续轨迹，并通过最小化预测与观测轨迹之间的L2损失来优化生态参数。作为对比，还实现了不施加gLV约束的标准神经常微分方程（NODE）和基于物理信息神经网络的pNODE（通过残差惩罚施加gLV约束）。模拟数据基于gLV系统生成，考虑了不同物种数（10,20,30）、样本数（10,20,40,60）、时间点数（3,5,10,15,20,25）和交互矩阵稀疏度（0,0.2,0.5,0.8），并进行了物种去除扰动实验和模型误设定分析（使用非线性饱和响应系统）。真实数据集来自两项已发表研究（Bucci et al., 2016）：艰难梭菌感染数据集（5只小鼠，56天内26个时间点，16种物种）和益生菌混合物定殖数据集（7只无菌小鼠，9周内56个样本，13种梭菌菌株），均提供绝对丰度数据。
**研究结果**
**Overview of the gNODE framework**
gNODE的整体结构包括训练模块和预测模块。训练模块利用纵向微生物丰度数据训练一个由gLV方程定义动力学的NeuralODE，联合估计物种特异性生长速率和相互作用系数。预测模块支持生态网络推断、群落轨迹预测以及扰动情景下的系统响应模拟，并通过驱动分数量化各物种对群落结构和动态的贡献。
**Validation of gNODE using simulated datasets**
通过模拟数据，gNODE在交互参数估计、轨迹预测和扰动响应预测方面均优于对比方法（sRidge、NODE、pNODE）。在交互参数估计中，gNODE在稀疏时间点（如T=5）下仍保持较低相对RMSE，而sRidge在少时间点时表现差，pNODE误差较大。轨迹预测采用五折交叉验证，gNODE在多数设置下相对RMSE最低，并生成了与观测数据更匹配的连续轨迹。扰动响应预测中，gNODE在物种去除后预测的群落轨迹误差最小。进一步分析显示，gNODE在较大群落规模和较少时间点下仍保持优越性能，且参数估计稳定性随时间点增加而改善。重复拟合50次后，驱动分数排序的Spearman相关性约0.90，Top-5驱动集合的Jaccard指数为0.77-0.84，表明下游驱动识别稳定。在模型误设定（非线性饱和响应系统）下，gNODE仍保持了稳定的预测性能。
**Application to real datasets**
**Analysis of the Clostridioides difficile infection dataset**
在艰难梭菌感染数据集中，gNODE在留一个体交叉验证中的轨迹预测准确率优于pNODE和NODE。推断的交互网络显示，物种间存在正负相互作用，并在感染前后发生转变。感染后网络中，gNODE预测了多个抑制艰难梭菌的分类群，包括Clostridium scindens、Lactobacillus reuteri、Akkermansia muciniphila和Escherichia coli。这些结果与已有文献一致：C. scindens通过7α-脱羟基化作用将初级胆汁酸转化为次级胆汁酸抑制艰难梭菌；L. reuteri通过produces reuterin产生抑菌作用；A. muciniphila通过增强肠道屏障完整性减轻感染。结果表明gNODE能从纵向数据中恢复生物学有意义的微生物相互作用。
**Analysis of the probiotic cocktail colonization dataset**
在益生菌混合物定殖数据集中，饮食纤维干预显著改变了群落组成（α和β多样性均有显著差异）。gNODE通过驱动分数鉴定出不同饮食条件下各菌株的功能重要性。在高纤维阶段，菌株15（最接近Clostridium asparagiforme）、4和27的驱动分数最高，表明它们在维持群落稳定性中的核心作用。在低纤维阶段，菌株14（最接近Ruminococcus sp. ID8）和21的驱动分数升高。相比之下，基于网络连接度的度中心性指标未能识别出这些关键菌株，说明驱动分数能更准确捕捉群落稳态的主要贡献者。
**总结与讨论**
gNODE通过将gLV生态模型嵌入NeuralODE，实现了稀疏采样下生态参数的稳健推断和动态预测，在模拟和真实数据中均表现优越。该方法特别适用于具有纵向绝对丰度测量的低至中等复杂度微生物群落的可解释动态分析，如鉴定条件特异性驱动分类群或比较不同干预阶段的群落动态。讨论部分指出当前框架的局限性：标准gLV形式可能无法捕捉高度非线性或高阶相互作用；参数可辨识性随群落规模增大而降低；假设不同个体共享同一套时不变参数，推断的交互矩阵应为条件特异性平均结构；未来需整合多组学数据（如代谢物）以提升生物学可解释性。研究结论总结为：gNODE为预测微生物群落动态提供了一个新框架，但主要在限菌动物数据上评估，未来需扩展至更复杂生态系统并提高可扩展性。
