El aprendizaje automático identifica las preferencias ambientales de los microbios
Los investigadores han encontrado una manera de predecir las preferencias ambientales de pH de las bacterias a partir de un vistazo rápido a sus genomas, utilizando el aprendizaje automático. Dirigido por expertos de la Universidad de Colorado Boulder, el nuevo enfoque promete ayudar a guiar los esfuerzos de restauración ecológica, la agricultura e incluso el desarrollo de probióticos relacionados con la salud.
«Sabemos que en cualquier ambiente hay una tonelada de bacterias con funciones ecológicas importantes, pero sus preferencias ambientales a menudo siguen siendo desconocidas», dijo Noah Fierer, miembro del Instituto de Investigación Cooperativa de Ciencias de la Vida (CIRES) y profesor de ecología. y biología evolutiva en CU Boulder. «La idea es usar esta técnica para comprender los conceptos básicos de su historia natural».
Comprender si ciertas bacterias tienen más probabilidades de crecer en ambientes ácidos, neutros o básicos es solo un primer paso, dijo el autor principal Josep Ramoneda, científico visitante de CIRES. «Puede usar este enfoque para anticipar cómo los microbios se adaptarán a casi cualquier cambio ambiental», dijo. Digamos, por ejemplo, que el aumento del nivel del mar trae más agua salada a un humedal costero. “Podemos anticipar cómo reaccionarán los microbios a estos cambios ambientales”, dijo Ramoneda.
El nuevo trabajo se publicó hoy en la revista Science Advances, y los coautores incluyen a otros de CIRES y CU Boulder, así como a colegas de Canadá.
Los microbios, incluidas las bacterias, son esenciales para el funcionamiento de los ecosistemas; ayudar a las plantas a crecer, permitir el ciclo de nutrientes en los lagos e incluso apoyar la digestión humana. Pero a menudo son imposibles de aislar y cultivar en el laboratorio, por lo que a menudo sabemos poco sobre ellos, dijeron Ramoneda y Fierer, excepto por su composición genética. Las técnicas de «pesca» genética de las últimas décadas han llevado a un crecimiento exponencial de las bases de datos del genoma bacteriano.
Entonces, el equipo de investigación se basó en lo que los científicos saben sobre algunos grupos de bacterias, que prosperan en un pH particular u otro, y luego utilizó el aprendizaje automático para vincular las preferencias ambientales de pH de esos grupos con su composición genética. El trabajo consistió en clasificar los genomas de más de 250.000 tipos de bacterias de casi 1.500 muestras de suelo, lagos y arroyos.
«Lo que encontramos es que podemos hacer inferencias sobre sus preferencias de pH basándonos solo en datos genómicos», dijo Ramoneda. Para los científicos, una de las implicaciones más inmediatas del descubrimiento es que podría ayudarlos a cultivar colonias de bacterias meticulosas que nunca antes habían podido cultivar, brindándoles una estimación temprana de qué pH usar. Puede llevar años descubrir cómo «cultivar» bacterias para que puedan estudiarse en el laboratorio, y el método de aprendizaje automático podría hacer que ese proceso sea mucho, mucho más eficiente, dijo Fierer.
Los expertos en agricultura y silvicultura también suelen agregar bacterias vivas para «inocular» las plantas en crecimiento con comunidades de bacterias útiles, dijo Ramoneda. Ahora pueden obtener una visión mejor y más rápida de los tipos de bacterias que podrían ayudar a restaurar una pradera nativa en comparación con los bosques de pinos, o cultivar mejor el maíz o la soja, al garantizar que los inoculantes tengan el pH local.
A continuación, el equipo planea tratar de comprender mejor las preferencias de temperatura de las bacterias, otro sistema complejo que probablemente involucre muchos genes. Esto podría ayudarlos a comprender mejor cómo el calentamiento influirá en las comunidades bacterianas del suelo, por ejemplo.
«La alternativa es tratar de cultivarlos todos en el laboratorio, y eso es doloroso», dijo Fierer.
La financiación de este trabajo proviene de la Fundación Nacional de Ciencias de Suiza, la Fundación Nacional de Ciencias de EE. UU., el Consejo de Investigación de Ingeniería y Ciencias Naturales de Canadá, el Departamento de Energía de EE. UU. y el Departamento de Agricultura de EE. UU.
