Расшифровка взаимодействий сои и микробиома: от динамики ризосферы к устойчивому увеличению урожайности.

Синдром Шегрена (СС) представляет собой системное аутоиммунное заболевание, обусловленное взаимодействиями между генетической предрасположенностью, экологическими факторами и изменениями в микробных экосистемах слизистых оболочек. Появляющиеся доказательства, полученные из исследований кишечника, полости рта и поверхности глаза, указывают на то, что микробная дисбиоз сильно ассоциирован с СС. У пациентов часто наблюдается снижение количества полезных комменсальных микроорганизмов и увеличение потенциально патогенных таксонов, что сопровождается нарушением эпителиального барьера, дисбалансом клеток Т-хелперов 17 и регуляторных Т-клеток, аномальными ответами B-клеток и устойчивой активацией сигнального пути интерферона типа I. Несколько механизмов могут способствовать развитию болезни, включая молекулярный мимикрий, экзосомально опосредованную иммунную коммуникацию и изменения в метаболитах, производимых микробиотой. Интегрированные мультиомические подходы, особенно высокопроизводительное секвенирование и метаболомика, выявили микробные сигнатуры и изменения метаболических путей, ассоциированные с СС, что открывает возможности для открытия биомаркеров и терапевтической целевой нацеленности. Стратегии, направленные на микробиоту, такие как пробиотическая поддержка, трансплантация фекальной микробиоты и исследования взаимодействий лекарств с микробиомом, показали перспективы для восстановления иммунной гомеостазы. Однако текущие доказательства остаются ограниченными малыми размерами когорты, методологической гетерогенностью и недостаточной ясностью причинно-следственных связей.

Состав бактериального микробиома, связанного с семенами, может отражать эволюционные связи хозяев, что соответствует паттерну филосимбиоза. Хотя машинное обучение открывает новые возможности для предсказания составов микробных сообществ, существующие модели часто требуют предварительных микробных профилей или экологических переменных, что ограничивает их применение для необразцов хозяев. В данном исследовании мы проверили, могут ли последовательности внутреннего транскрибируемого спейсера (ITS) ядерных растений, использованные как маркер родства хозяев, предсказать бактериальные сообщества, связанные с семенами, на уровне видов, используя данные по 16S рРНК от 61 вида растений. Мы представили индивидуально адаптированные модели машинного обучения, которые используют расстояния Хэмминга на основе последовательностей для улавливания родства растений-хозяев. Среди протестированных моделей модель на основе расстояний Хэмминга и метода ближайших соседей (HD-KNN) достигла наивысшей предсказательной точности в целом, обеспечив среднюю дивергенцию Янгера-Шеннона (JSD) 0.276 между наблюдаемыми и предсказанными профилями микробиома. HD-KNN показала особенно хорошие результаты в плотно sampled группах хозяев, включая Brassicaceae и Poaceae, где были доступны близкородственные эталонные виды. В отличие от этого, модель на основе расстояний Хэмминга и регрессии гауссовского процесса (HD-GPR) продемонстрировала несколько лучшие результаты для филогенетически изолированных видов, что указывает на то, что эффективность модели зависит от представительства хозяев в обучающем наборе данных. Наша структура демонстрирует, что полученное из ITS ядерных растений родство хозяев несет частичный предсказательный сигнал для состава бактериального микробиома, связанного с семенами. Эти результаты создают основу для моделирования предсказаний бактериальных сообществ, связанных с семенами, с низким уровнем входных данных и могут помочь приоритизировать предсказания микробиома для необразованных видов растений, когда доступны близкородственные эталонные виды. Однако наши выводы строго ограничены бактериальными сообществами, связанными с семенами, и не должны быть напрямую обобщены на грибковые сообщества или другие растительные компартменты, такие как ризосфера или филосфера, которые могут формироваться под влиянием различных механизмов экологической фильтрации.

Микробиомы и их окружающая среда формируют сложные взаимосвязанные экосистемы. Микробные виды внутри микробиома, с одной стороны, конкурируют за ресурсы, а с другой — обмениваются важными метаболитами, поддерживающими их выживание. Эти взаимодействия зависят от генетического репертуара микроорганизмов, условий окружающей среды и доступности питательных веществ. Мы разработали EcoGS (http://www.github.com/KaletaLab/EcoGS) — инструмент метаболического моделирования, предназначенный для предсказания экологических взаимодействий между парами микробов. Применение EcoGS к микробиомам двух различных человеческих когорт показало переход от совместных к эксплуататорским экологическим взаимодействиям, связанным с увеличением потребления простых сахаров (глюкозы и фруктозы) у диабетиков и людей, ведущих индустриализированный образ жизни. С другой стороны, употребление кобаламина (витамина B12), фитонандиона (витамина K1) и биотина (витамина B7) и других соединений было связано с увеличением уровня сотрудничества в кишечном микробиоме. Мы пришли к выводу, что обилие простых сахаров как источника энергии снижает необходимость сотрудничества между микробами, тем самым увеличивая конкуренцию и враждебность между членами микробиома. Более того, наше исследование предлагает несколько соединений, таких как урат, дезоксаденозин, дезоксигуанозин и гипоксантин, для in vitro тестов на валидацию в качестве диетических вмешательств, которые могут восстановить экологический баланс в сообществе. EcoGS служит ценным инструментом для изучения динамики микробиома и их связи с изменениями в окружающей среде и болезнями.

Несмотря на увеличение масштаба и разрешения, многие биологические измерения остаются разрушительными, раскрывая лишь пространственную информацию, а не динамику, которую они кодируют. Совмещая гибкие представления с механистическими ограничениями, физически обоснованное машинное обучение предлагает многообещающий путь для вывода этих динамик из статических снимков. Исходя из субклеточной визуализации экспрессии генов, мы задаемся вопросом, когда статический пространственный паттерн молекул может идентифицировать пространственно изменяющуюся диффузию, создание, разрушение и обмен на границе, и как различные схемы вывода выполняют эту задачу. Структурный анализ идентифицируемости показывает, что распределенные источники не могут быть идентифицированы, тогда как точечный источник, такой как место транскрипции, может восстановить идентифицируемость. Эти ограничения дополнительно формируются, казалось бы, безобидными выборами моделей: граничные условия, пространственная регулярность базовой динамики и даже конвенция стохастического исчисления. Затем мы адаптируем несколько схем, основанных на физических принципах, отличающихся тем, как они представляют решение и учитывают управляющие уравнения, и демонстрируем эффективный вывод из одного снимка. Таким образом, подходы, основанные на физических принципах, могут восстановить пространственные гетерогенности биологических динамик из статических данных, но их использование должно сопровождаться и направляться тщательным анализом идентифицируемости для значительной интерпретации результатов.

Холинергические интернейроны стриатума (CINs) демонстрируют временную паузу в тоническом firing в ответ на значимые стимулы, что является характерной чертой обучения с подкреплением, которая синхронизируется с процессом обучения. Хотя в этой паузе участвовали таламостриатальные и дофаминергические входы, основные механизмы работы цепей остаются неясными. Здесь мы сочетаем оптогенетику, электрофизиологию и генетические подходы для изучения ингибирующих взаимодействий в сети CIN. Синхронизированная активация CIN в срезах стриатума вызывала мощное обратное ингибирование в CIN, подавляя firing и генерируя паузоподобные ответы. Этот ингибиторный механизм был опосредован рецепторами GABAA и требовал наличия бета2-содержащих никотиновых рецепторов ацетилхолина (бета2-nAChR), и мог быть активирован таламостриатальной активацией. Дофамин не нужен для этой цепи, но модулирует ее через D2 рецепторы. Удивительно, что специфичное для клеточного типа отключение и удаление стриатальных бета2-nAChR исключало локальные GABAергические источники, в то время как ретроградное удаление бета2-nAChR отменяло ингибирование, что указывает на наличие экстрастриатального пути. Эти результаты идентифицируют механизмы дальнодействующего ингибирования, связывающие синхронизированную холинергическую активность с генерацией паузы в стриатальных цепях.

Флагеллин, структурный белок бактериальных жгутиков, активирует врожденный иммунный рецептор Toll-подобный рецептор 5 (TLR5). Однако способность различных флагеллинов связываться с TLR5 и активировать его варьирует в широких пределах, что предполагает, что состав репертуара флагеллинов у индивидуумов, определяемый как флагеллома, может влиять на взаимодействия хозяина и микробиома, а также на воспаление. В данной работе мы разработали FlaPro, вычислительный конвейер для количественной оценки и функциональной аннотации флагеллом человека. Функциональные категории в FlaPro основаны на модели машинного обучения, обученной на экспериментально охарактеризованных флагеллинах с определенными активностями связывания и стимуляции TLR5. Применение FlaPro к многоомиксной когорте с воспалительными заболеваниями кишечника (IBD) выявило значительное сокращение разнообразия флагелломы и уменьшенное соотношение тихих и стимулирующих флагеллинов при болезни Крона и язвенном колите. Эти изменения были последовательными в пределах геномного и транскрипционного уровней, что указывает на сдвиг в сторону более стимулирующих профилей флагелломы, ассоциированных с болезнью. Наши результаты предполагают, что специфические особенности флагелломы кишечника способствуют активации иммунитета, опосредованной TLR5, и могут служить функционально интерпретируемыми маркерами микробиома для будущих ассоциативных исследований микробиома в здоровье и болезни. Рабочий процесс, реализованный в Snakemake, имеется в открытом доступе по адресу https://github.com/leylabmpi/FlaPro.