Analysis and prediction of microbial consortia stability applying a multicell simulator and deep learning techniques

Los ecosistemas microbianos, también conocidos como consorcios microbianos, desempeñan un papel fundamental en la naturaleza. Entender sus mecanismos internos es una prioridad en Ecología debido a todos los campos de interés público de los que forman parte — salud humana, agricultura, desintoxicación ambiental... Sin embargo, el estudio de estos mecanismos es complicado, ya que la mayoría de las especies no pueden cultivarse en el laboratorio, y además todavía existen muchas limitaciones técnicas para modelarlos computacionalmente. De hecho, hay mucho debate sobre qué métodos simulan mejor la dinámica interna de los ecosistemas. Por otro lado, ser capaz de predecir y determinar qué hace que un consorcio sea estable o no es uno de los objetivos últimos de la Ecología, y aquí es donde la Inteligencia Artificial (IA) juega su papel. Entender de qué depende la estabilidad de los consorcios microbianos es de vital importancia, ya que se ha comprobado que existe una fuerte correlación entre la inflamación de la microbiota intestinal y los cambios en su composición y estabilidad. [1] En un trabajo publicado recientemente [2], Karkaria et al. llevaron a cabo una exploración computacional de sistemas microbianos de dos y tres cepas, modelados a través de ecuaciones diferenciales, utilizando métodos bayesianos para identificar qué candidatos tenían más probabilidades de producir comunidades estables. Los resultados revelaron que los motivos autolimitantes proporcionaban estabilidad, e identificaron partes genéticas clave que podían ajustarse fácilmente y que influían en la estabilidad: la tasa de dilución en el medio extracelular y las tasas de expresión de bacteriocinas. El trabajo que aquí se presenta pretende interrogar y refinar las conclusiones de este reciente trabajo empleando un método de modelización que tiene en cuenta la estructura espacial, el modelo basado en el individuo (IbM) gro, es decir, se quiere analizar si las conclusiones obtenidas en [2] siguen siendo válidas cuando se tiene en cuenta el espacio a la hora de modelar las comunidades de bacterias. Para ello, se eligieron tres modelos de dos cepas y tres modelos de tres cepas —los tres con mayor probabilidad de estabilidad dentro de cada nivel de complejidad—-, y se simularon inicializando las colonias en diferentes configuraciones espaciales y con diferentes combinaciones de parámetros. Se diseñaron cuatro grupos de experimentos: en el primero, se simulan los modelos con todas las combinaciones de parámetros en cuatro configuraciones espaciales diferentes; en el segundo, se simulan los consorcios estables del primer experimento con una perturbación para evaluar su robustez; en el tercero, se simulan los modelos con parámetros fijos y en 100 distribuciones espaciales diferentes para evaluar el efecto de la disposición espacial; y en el cuarto, se vuelven a simular los consorcios del tercer experimento pero aplicando una perturbación. Los resultados muestran que la estabilidad de los consorcios se ve muy influenciada por la variable espacial, y que el efecto de muchos parámetros sobre ella se anula en determinadas disposiciones espaciales, ya que los modelos considerados presentan una relación mutualista. Por otra parte, se ha observado que, dependiendo del modelo simulado, la perturbación puede no sólo desestabilizar un consorcio, sino también estabilizarlo. Es por eso que, en la segunda parte de este trabajo, se presentan una serie de redes neuronales artificiales para estudiar las perturbaciones, ya que, gracias a su capacidad de aprendizaje, permiten inferir patrones y extraer información útil a partir de datos complejos que resultan difíciles de ajustar mediante las técnicas de estadística convencional. De ahí que, distintos modelos de redes de neuronas se utilicen para predecir si un consorcio es estable o no en función de los parámetros elegidos, entre ellos las posiciones iniciales de las bacterias de cada cepa y su número, y en última instancia, para predecir qué perturbación mínima es necesaria para estabilizar un consorcio inestable. Aunque la fiabilidad de los modelos de aprendizaje profundo desarrollados oscila entre el 60 y el 90 % debido a que el conjunto de datos de entrenamiento era muy pequeño, este trabajo demuestra que la IA aporta un gran valor a la Ecología, ya que puede utilizarse para realizar análisis más elaborados y exploratorios sobre la estabilidad de los consorcios microbianos. También se ha demostrado que el simulador gro es una herramienta muy poderosa para el estudio de los consorcios microbianos, y que su aplicación puede apoyar o rechazar hipótesis previas obtenidas con métodos de modelización menos realistas. En otras palabras, los IbM que pueden considerar la estructura espacial y simular muchos procesos biológicos internos son una estrategia prometedora en el estudio del paradigma complejidad-estabilidad de los ecosistemas. ABSTRACT Microbial ecosystems, also known as microbial consortia, play a fundamental role in nature. Understanding their internal mechanisms is a priority in Ecology because of all the fields of public interest they are part of — human health, agriculture, environmental detoxification... However, the study of these mechanisms is complicated since most species cannot cannot be grown in the laboratory and there are still many technical limitations to model them computationally. In fact, there is much debate about which methods best simulate the internal dynamics of ecosystems. On the other hand, being able to predict and determine what makes a consortium stable or not is one of the ultimate goals of Ecology, and this is where Artificial Intelligence (AI) plays a role. Understanding what the stability of microbial consortia depends on is of crucial importance, as it has been found that there is a strong correlation between inflammation of the intestinal microbiota and changes in its composition and stability. [1] In recent published work [2], Karkaria et al. computationally explored two- and threestrain systems, modeled through differential equations, using Bayesian methods to identify which candidates where the most likely to produce stable communities. The results revealed that self-limiting motifs provided stability, and identified key genetic parts that could be easily tuned and that influenced stability: the rate of dilution in the extracellular medium and bacteriocin expression rates. The work that is presented here aims to interrogate and refine the conclusions of this recent paper employing a modeling method that takes into account spatial structure, the individual based-model (IbM) gro. This is, the conclusions obtained in [2] are going to be analyzed to determine if they are still valid when space is taken into account when modeling bacterial communities. For this purpose, three two-strain models and three three-strain models were chosen —the three with the highest probability of stability within each level of complexity—, and were simulated initializing the colonies in different spatial configurations and with different parameter combinations. Four groups of experiments were designed: in the first one, the models are simulated with all parameter combinations at four different spatial configurations; in the second, the stable consortia of the first experiment are simulated with a perturbation to evaluate their robustness; in the third, the models are simulated with fixed parameters 100 times with different spatial distributions to evaluate the effect of the spatial arrangement; and in the fourth, the consortia of the third experiment are simulated again but applying a perturbation. The results show that the stability of the consortia is greatly influenced by the spatial variable, and that the effect of many parameters on it is nullified in certain spatial arrangements, since the models considered exhibit a mutualistic relationship. On the other hand, it has been observed that depending on the simulated model, the perturbation can not only destabilize a consortium, but also stabilize it. That is why, in the second part of this work, a series of artificial neural networks are presented to study perturbations, since, thanks to their learning capacity, they allow inferring patterns and extracting useful information from complex data that are difficult to adjust by means of conventional statistical techniques. Hence, different neural network models are used to predict whether a consortium is stable or not depending on the chosen parameters, including the initial positions of the bacteria of each strain and their number, and ultimately to predict what minimum perturbation is necessary to stabilize an unstable consortium. Although the reliability of the developed deep learning models ranges between 60 and 90 % because the training dataset was very small, this work demonstrates that artificial intelligence brings great value to Ecology, as it can be used to carry out more elaborate and explorative analysis on the stability of microbial consortia. It has also been shown that gro is a very powerful tool for the study of microbial consortia, and that its application can support or reject previous hypotheses obtained with less realistic modeling methods. In other words, IbMs that can consider spatial structure and simulate many internal biological processes are a promising strategy in the study of the complexity-stability paradigm of ecosystems