AI技术揭示土壤细菌群落自我组织的奥秘

莱斯大学科研团队打造的定制化人工智能系统成功解析了细菌群落的自组织机制。

生命以神秘的方式演进——对于那些经历自组织水平剧烈转变的生物体，例如粘球菌（Myxococcus xanthus），更是如此。

莱斯大学的科研人员打造了一套定制化人工智能系统，成功揭示了细菌群落的自我组织方式，表明生物转变的最初时刻所蕴含的信息远比之前认为的要多。这项发表于《美国国家科学院院刊》（PNAS）上的研究成果，为我们理解基因型（生物体的遗传蓝图）如何产生表型（生物体的外观和行为）提供了新的视角。

黏液杆菌（M. xanthus）是一种土壤微生物，它以杆状细胞群落的形式存在，这些细胞由黏液连接在一起，形成捕食性群体，以其他微生物和腐烂的有机物为食。但当食物匮乏且菌落足够大时，这些杆状细胞会停止游动，并彼此靠近，融合形成一个称为子实体的隆起结构：此时，它们不再是一群外形相似的捕食者，而是一个具有分化特征的单一独立生物体。

在这些子实体中，一些细胞会牺牲自身，而另一些细胞则会转化为坚韧的孢子，能够在恶劣的环境中生存，直到食物再次出现。这种从数千个独立细胞到单一复杂结构的转变，无需任何中央控制点的指导或计划。这一过程长期以来一直令科学家和业余自然爱好者着迷。

“了解这一过程一直很困难，因为这些细胞形成的模式很复杂，而且不断变化，”莱斯大学生物工程和生物科学教授奥列格·伊戈申说。

为了追踪菌群向子实体转变的过程，以及细菌群落间的遗传差异如何影响最终结果，伊戈辛和他的团队开展了这项研究。

研究人员开发了一种定制的深度学习框架，可以将细菌群落发育过程中的延时显微图像转化为对其整体模式的简单数值描述。

“这种方法使我们能够以精确且定量的方式比较不同细菌的行为。”

团队记录了900多段延时“视频”，展示了292种不同粘细菌菌株在24小时内的自组织过程，每分钟拍摄一次快照。虽然延时视频的分辨率不足以分辨单个细胞，但这些图像揭示了随着菌群重组为聚集体，以及在某些情况下形成成熟子实体，局部细胞密度是如何变化的。

由此产生的数据集规模庞大，每张图像都包含数百万像素。为了分析这些数据，研究人员构建了一个由三部分组成的定制人工智能系统。首先，一个深度图像编码器将每一帧图像压缩成一个简洁的数值模式，即一组概括整体空间模式的13个值。然后，一个生成模型根据这些模式重建逼真的图像，同时一个对比网络学习区分有意义的生物学差异和无关的变异。

“与传统方法不同，该系统不依赖于人类的洞察力，而是自动学习一组最佳数值来表征这些模式，”张说道，他现在是YouTube的机器学习工程师。

通过比较数千对图像，人工智能学会了关注潜在的生物学模式，揭示了人类观察者极难察觉的自组织细微特征。这有助于颠覆长期以来人们认为的观点，即饥饿开始后，细菌种群会进入一种以混乱运动为特征的准备阶段。

“我们采用了一种定制的深度学习方法，将不可见的事物变为可见，将定性的事物变为可测量的，”莱斯大学电子与计算机工程系助理教授、贝勒医学院神经科学系助理教授、该研究的共同作者安基特·帕特尔（Ankit Patel）说。“这种全新的定量精度正是揭开生物体基因与其最终行为之间复杂关系的关键所在。”

伊戈辛表示，这种方法揭示了“在发展初期就存在的隐藏空间模式已经包含了关于几个小时后社区将如何组织自身的线索”。

该模型能够以约 80-85% 的准确率判断一个种群是否能够成功形成聚集体，即使在饥饿开始后立即拍摄的图像在人眼看来几乎完全相同。它还有助于阐明特定基因突变如何改变多细胞行为。

“这种生物体是研究多细胞自组织及其动态的遗传基础的完美案例，因为它有两个主要的运动系统——分别被称为‘社会性’运动和‘冒险性’运动——每个系统都由一组独立的基因控制，”伊戈辛说。

影响这两种运动机制的突变会导致不同的发育轨迹。一种社会运动能力受损的菌株无法聚集成子实体，而是在大约18小时后聚集形成多个较细的群体；另一种菌株携带一个对主动运动至关重要的基因突变，产生了一个大型、不规则的半透明结构，其形态畸变越来越明显。

有些突变体从未形成聚集体，而另一些突变体则开始了聚集过程，但中途停滞。

通过将每条轨迹转换到同一个低维特征空间，该模型实现了不同菌株间的直接比较，揭示了不同的基因扰动如何映射到不同的自组织模式。

“我们在这项工作中提出的方法为测量和研究复杂的生物模式提供了一种强有力的新途径，”Igoshin说道。

参考文献

Deep Learning Framework for Quantifying Self-Organization in Myxococcus xanthus