Neue Methode für die Analyse von Mikrobiom-Interaktionen

Forschende entwickeln stochastischen Ansatz für präzisere Modelle mikrobieller Gemeinschaften

Mikrobielle Gemeinschaften, wie sie in der Darmflora oder anderen Körperregionen vorkommen, sind entscheidend für die Gesundheit und Entwicklung von Wirten. Doch wie diese Mikroben miteinander interagieren – ob sie in Konkurrenz stehen, kooperieren oder indirekt Einfluss aufeinander nehmen – war bisher nur schwer zu entschlüsseln. Eine neue Methode bringt nun mehr Licht ins Dunkel: Mit einem innovativen stochastischen Ansatz ist es möglich, die Interaktionen zwischen Mikroben präziser zu analysieren.
Parameterinferenz-Workflow und Eigenschaften mikrobieller Daten.

Traditionelle Modelle zur Analyse mikrobieller Gemeinschaften stützen sich häufig auf Mittelwerte der Häufigkeiten von Mikroben im Zeitverlauf. Obwohl diese Modelle zeitliche Veränderungen gut vorhersagen können, geben sie die tatsächlichen Interaktionen zwischen den Mikroben oft nicht wieder. Ein internationales Forschungsteam bestehend aus Mitarbeitern des Max-Planck-Institut für Evolutionsbiologie (MPI-EB), des University College London (UCL) und der Universität Aix-Marseille, die alle am Sonderforschungsbereich 1182 „Entstehen und Funktionieren von Metaorganismen“ an der Christian-Albrechts-Universität zu Kiel (CAU) beteiligt sind, hat sich nun mit diesen Problemen beschäftigt und eine Methode entwickelt, die weit über diesen Ansatz hinausgeht. „Unser Modell berücksichtigt nicht nur Durchschnittswerte, sondern auch Streuungen und Zusammenhänge zwischen den Daten, um mikrobiologische Interaktionen deutlich präziser zu erfassen“, erklärt Dr. Román Zapién-Campos, PostDoc am UCL und Hauptautor der Studie.

Die Forschenden haben ein stochastisches Modell entwickelt, das auf mikroskopischen Übergangsraten basiert – etwa Geburten, Migration oder Mutationen – und daraus die statistischen Momente der Zusammensetzung des Mikrobiom berechnet. Damit lassen sich sowohl die Parameter als auch deren Unsicherheiten bestimmen. Dieser Ansatz erlaubt nicht nur verlässlichere Vorhersagen zur Dynamik mikrobieller Gemeinschaften zu treffen, sondern ermöglicht auch die detaillierte Identifikation spezifischer Interaktionen zwischen Mikroben.

„Unsere Methode schließt eine zentrale Lücke zwischen metagenomischen Daten und ökologischen Modellen“, so Ko-Autor Arne Traulsen, Direktor der Abteilung für Theoretische Biologie am MPI-EB. Besonders hervorzuheben ist, dass der Ansatz sowohl mit Daten zu relativen Häufigkeiten – wie sie typischerweise in Metagenomik-Studien vorkommen – als auch mit absoluten Häufigkeiten arbeitet. Dies erweitert die Anwendbarkeit erheblich und erlaubt Analysen unabhängig von der Art der vorliegenden Daten.

Der Ansatz wurde erfolgreich auf simulierte Daten angewendet, ein wichtiger Test für die Verlässlichkeit der Methode. Darüber hinaus wurde ein vereinfachtes Mäuse-Mikrobiom, das aus zwölf gut charakterisierten Spezies besteht analysiert. „Wir konnten nicht nur die zugrundeliegenden Mechanismen dieser mikrobiellen Gemeinschaften aufdecken, sondern auch die Unsicherheiten der Modellparameter präzise quantifizieren“, erklärt Koautorin Dr. Florence Bansept, Gruppenleiterin und CNRS Wissenschaftlerin an der Universität Aix-Marseille.

Diese Studie stellt einen erheblichen Fortschritt für das Verständnis mikrobieller Ökosysteme und ihrer Wechselwirkungen mit ihren Wirten dar. Die neu entwickelte Methode bietet vielversprechende Perspektiven, um Mikrobiome in der Medizin, aber auch mikrobielle Communities in der Umwelt besser zu verstehen.

Text: Michael Hesse

Originalarbeit:
R Zapién-Campos, F Bansept, A Traulsen (2024): Stochastic models allow improved inference of microbiome interactions from time series data PLOS Biology doi.org/10.1371/journal.pbio.3002913

Zur Pressemitteilung des Max-Planck-Instituts für Evolutionsbiologie, Plön:
www.evolbio.mpg.de/3789286/neue-methode-fuer-die-analyse-von-mikrobiom-interaktionen