论文题目：

Ecological modelling approaches for predicting emergent properties in microbial communities

论文链接：

https://www.nature.com/articles/s41559-022-01746-7

最近的研究表明，涌现性质在塑造微生物群落和由微生物构成的生态系统中发挥着重要作用。涌现性质指不能从组成部分的特性经由线性叠加推断出的模式或功能——构成了许多重要生态系统特征的基础，如系统韧性、生态位扩展和空间自组织。显然，涌现性质是种群内部相互作用的结果，但其中的非线性使得建立数学模型描述种群结构和功能之间的定量联系变得必要。由于保护和合理调整微生物生态系统这一需求日益明显，亟需考虑模拟涌现性质的不同方法的优势和局限性。

最近发表于 Nature Ecology & Evolution 的新研究从涌现特征的视角回顾生态系统建模方法。研究者考虑了 Lotka-Volterra 模型、消费者-资源模型、基于特征的模型、基于主体的模型和基因组尺度的新陈代谢模型，对比5种模型的适用范围、优势和局限性。利用这些方法之间的互补性，合理调整复杂的微生物生态系统，将有助于这一领域今后的研究。

1. 微生态的涌现特征

微生物群落面对生物和非生物扰动的鲁棒性、不同物种间的稳定特征，都是微生态系统作为一个整体的涌现特征。更多的涌现特征还包括种群多样性及不同物种丰度的振荡（图1a），物种间连接强度改变引起的功能改变（图1b），以及由于物种间竞争与合作导致的时空模式（图1c）（例如相同的菌落聚集起来，图1d）。

图1. 微生态中的涌现性质示例图

研究自然条件下微生态的动态演化面临诸多困难，比如技术因素导致的难以实时采样，微生态的内在动态性和异质性，以及影响群落的非生物变量很难衡量等；而在实验室条件下，虽然可以量化研究两到三种微生物之间的相互作用，但在捕捉涌现特征这一问题上受到限制。通过以微分方程为代表的数学模型，在结合了统计物理（考虑到微生态中包含数亿甚至更多生物）中例如中心极限定律等概念后，对于连接从实验室的简单模拟到复杂的真实状况变得不可或缺。

2. 五种微生态模型，从简单到复杂

最简单的微生态模型是 Lotka–Volterra 模型，类似生态学的捕食者-猎物模型。模型假设不同物种的生长率是内生的，将物种间不同类型的互作通过非线性耦合的微分方程组中的参数描述。对包含两个物种的场景，由于模型参数少，可以从微生物共培养数据中稳定状态的生存数据或者宏基因组数据中推出模型的参数。然而 Lotka–Volterra 模型的假设是，物种间的相互作用可以通过两两物种间的非线性互作来描述，同时不同物种的生长速率始终不变，而这都与真实场景相距甚远。

更复杂的模型，是围绕资源消耗的 MacAuther 消费者-资源模型（consumer–resource model），该模型假设不同微生物的生长速率受到环境中营养物质浓度的影响，而营养物质的变化和微生态的涌现特征相关。该模型假设物种有其各自最适合生长的营养浓度，在一定范围内，营养物质越多，特定生长越快。该模型不对物种间的互作直接建模，而是通过共享营养物质的方式描述物种间的互作。由此可以考虑多物种的互作，也摆脱了内生生长率这一假设。然而消费者-资源模型是一个固定的（deterministic）模型，难以解释生态系统如何应对随机的生物及非生物扰动，此外对营养物质浓度的检测在某些场景下也存在技术困难。

第三类模型关注的不是特定物种间的互动，而是具有固定特征的几类物种间的互作。对于诸如海洋微生态这样包含物种数过多的场景，基于特征的模型（trait-based model）比基于物种的 Lotka–Volterra 模型更适合。在使用宏基因组数据的模型中，特征往往指具有特定的基因。通过基于特征的模型，可以在忽略环境影响的假设下，在微生态结构和其功能之间构建连接，例如解释生物群落和环境异质性之间的关系（即具有相同特征的菌落如何聚在一起）。然而基于特征的模型假设物种的特征是静态不变的，这与达尔文式的自然选择不符。

第四类模型是随着计算能力的增强，使用基于主体的建模（individual-based model）对单个微生物而不是一个种群作为整体进行建模。这类模型最初被用来研究鸟群、鱼群这样的群体行为，是一种内生的随机模型。与前三种自上而下的模型不同，该模型假设每种微生物按照其预设的规则发生互动，这可以描述在变化的环境中生物群落的鲁棒性，以及不同表型间的互作和新发突变。该模型的主要缺点是计算上的复杂性，以及模型假设变化是分步离散发生而非连续的。

最复杂的是基因组尺度的新陈代谢模型（genome-scale metabolic model），该模型在理想状态下可以从微生物基因组的组装结果开始，自动对微生物群落的互作进行建模。该模型假设基因组包含了微生物代谢及调控的所有信息，且微生物群落处在稳态，由此可以找到固定尺度和环境限制下各种微生物的最佳代谢率。相比基于特征的模型，基因组尺度的模拟不止考虑了一两个特征，而是微生态中各物种的所有特征，更为全面。然而稳态的假设不一定成立，也没有考虑微生物之间的负反馈，例如释放抗生素杀死其它微生物。

图2. 对微生态中涌现性质建模的五种模型示意图

3. 不同场景选择不同模型

由于微生物群落动力学和性质可以归因于（相互作用）各种复杂的网络，如基因调节、代谢、细胞与环境和细胞-细胞间的互作网络，这使得在不同的应有场景和数据

来源下，应选择不同类型的模型以描述涌现特征。

图3描述了对于单一培养、共培养以及宏基因组这三种数据来源（蓝色），针对微生态韧性和持续共存、表型相关调控以及空间模式这三种涌现特征（灰色），适合选择那种模型（黄色），需要考虑哪些参数（绿色）。不同方法在处理缺失数据、生成可分析解决方案及预测能力上，有各自的适用范围和局限。

图3. 不同数据来源和关注的涌现特征下，可选择模型的示意图

本文所述的建模方法之间的区别并不是绝对的，而是可以相融合的。未来随着计算能力的增加，以及单细胞检测技术成熟带来的数据积累，预期会看到微生态涌现模型能够预测真实场景下复杂生态系统中的涌现特性。考虑到微生物群落的特征，不仅与人体健康密切相关，也会影响其所处的环境，对其涌现特征的建模将会走出学术圈，具有现实的应用可行性。

本季读书会详情与报名方式请参考：

因果、涌现与机器学习：因果涌现读书会第二季启动

点击“阅读原文”，报名读书会