微生物生态学中的挑战：建立对于群落功能与动态的预测性认识
The following article is from 微生态笔记 Author DengLab
Challenges in microbial ecology: building predictive understanding of community function and dynamics
微生物生态学中的挑战：建立对于群落功能与动态的预测性认识
The ISME Journal, 2016
Stefanie Widder1
通讯作者Rosalind J Allen2，Orkun S Soyer3
1 CUBE, Department of Microbiology and Ecosystem Science, University of Vienna, Vienna, Austria
2 SUPA, School of Physics and Astronomy, University of Edinburgh, Edinburgh, UK
3 School of Life Sciences, The University of Warwick, Coventry, UK;
微生物群落（microbial communities, MCs）作为地球土壤、海洋与大气之间生物地球化学循环的基石，发挥着能够影响到动植物及人类生存的各种生态功能。因此，微生物群落的重要性不可小觑。然而，我们对于这样高度复杂且动态变化的群落功能的预测与控制能力还十分有限。在微生物群落组成与其功能之间利用预测性模型（predictive models）来建立联系是微生物生态学中新出现的一个核心挑战。为了应对这个挑战，就需要将实验中的数据收集、方法改进与数学建模紧密协调起来。本文总结了联合运用实验—建模方法于微生物群落结构与功能研究已取得的成果，但同时要强调现在研究还需要能更好地将实验和建模协调起来。本文也对如何做到这种更好的协调提出了一些建议。
微生物群落是一种高度复杂、多元化且富于变化的系统，它们在全球气候调节、人类健康、生物技术及工业中起到关键性的作用。如果能很好地了解、预测并掌控微生物群落，就能发掘出埋藏于它们背后的巨大应用潜力。这样的需求在之前推进了“黑箱模型（black-box model）”的发展。这种模型又称“经验模型”，也就是说用全球的相关数据总结的一套经验数据来预测微生物的种群动态，其弊端在于无法洞察其内部到底是如何运作的。尽管这种模型在食品工业、气候预测和污水处理等方面已经有所建树，但因为它不能从机制层面作出解释，它存在有数据集适用性的问题，也就是说遇到与待解决问题不匹配的经验数据集时，该模型的表现会差强人意。
现在，高通量测序、蛋白组学与代谢物组学能够使研究者们将微生物群落的多样性细分到一种前所未有的水平。这些方法所得到的数据能够给出一个给定的微生物群落中的物种、基因、代谢物、生化活动的无偏组合（unbiased compositional snapshot）。现在面临的问题就是要将这种经验式的总结转化成可以用于说明微生物群落内部机理的基础性解释与具有可以经得起测试的预测。
图1 将微生物群落问题与数据和建模联系起来。研究领域根据其复杂性和时空尺度绘制，形成不同实验形式（紫红色）数据和建模形式（蓝色）之间的联系。
微生物群落的动力学是由它大量的组成成分（种群）间的互作、环境与寄主因子（如肠道菌群受到免疫过程的影响、植物微生物群落受到营养条件的限制等）支持的。微生物群落内的种间互作关系可以是代谢水平的、物质水平的、调节与（或）信号水平的，它们均可在时空两个维度上对微生物群落的组成与功能产生影响。从现象上说，两个微生物种群间的互作可以体现为一个群落的生长乃至存活要依赖于另一个种群的丰富度。这样的互作可以是正向也可以是负向的，即协同或拮抗。其中，负向的互作可以由对于资源（电子供受体、营养、光照或空间等）的竞争而产生，也可以由微生物之间直接的互作或者分泌抑制性的毒素产生。负向互作在进化上与和一到多个物种的竞争实验中都有观察到。在土壤或海洋这样的自然环境中，负向互作也是广泛存在的。而正向互作也可以通过多种机制实现。从代谢角度上来讲，基于代谢副产物的交叉共生是正向互作的重要因素，即一个种群从另一个种群的排泄代谢物中受益（这种现象也减少了对资源的竞争的程度）。其他正向互作的机制还包括“公共物质（public goods）”——如除铁分子（iron-scavenging molecules）——的产出，这些物质不仅能被“生产种群”所利用，也能为其他种群所用。
鉴定微生物群落中的互作关系并用理论模型将其准确地展示出来是建立对其认识的重要基础，也是现在微生物生态学中的一大难题。另一难题与之正好相反，是要利用理论方法，通过某一群落中像分类丰度这样的近似数据去预测该群落中的互作关系。这两个问题都需要数据和理论的结合，已经有很多方法被用来实现这种结合（如图2、3），但还有疑难问题悬而未决。
图2 (a)人类大肠、草食动物瘤胃及盲肠中有大量微生物群落，主要是大量交叉代谢物共生的厌氧微生物。最近提出的模型指出它们由小部分功能组（functional groups）近似组成；(b)该模型预测结果与pH值在9天内由5.5变化到6.5的发酵罐实验结果对比（虚线为实验结果，实线为模型预测结果）；(c)模型预测与时序物种动态对比。实验数据由16S rRNA测序得出，模拟来自功能组。颜色展示出两者的近似对应关系。（如Lachnospiraceae等价于B5与B8，以绿色表示）
图3 污水处理厂（WWTP）与养分循环装置中的微生物群落分析及预测模型。(a)卸出净化后的水之前，碳和养分经（微）生物活动从污水中去除；(b)整个系统行为以及微生物群落生物量由增长动力学模型进行预测；(c)功能代谢模型由纯培养的生理学和宏基因组数据导出；(d)尽管污水处理厂是精心设计的，但微生物群落主要是自发由“核心（core）”组分和“过客（passenger）”组分组成的，其后是不断地废水输入；(e)上述组装过程由分类学上的相关性与生态相互作用所决定，而且可以导致微生物群落随时间发生漂变；(f)污水处理厂中的微生物群落主要在絮状物或生物膜中出现，表现出巨大的微生物多样性。互作和空间组成都是其生态位、梯度和互利共生的因素。
微生物群落动态的模型的一个关键目标是重现群落中种群的时间变化轨迹。最先进的高通量测序技术可以给出一个微生物群落中分类上或基因的相对丰度结果，但无法给出绝对丰度信息，另外，这个相对丰度结果是有偏的。这些限制说明高通量测序技术本身是不足以在时空两维上侦测种群动态。作为补充的实验技术，如定量PCR、流式细胞计数、物种特异的荧光标记原位杂交计数或基因组学的单细胞和功能靶向方法相结合等能得到绝对丰度的信息，但这些信息是相当有限的，因为这些方法通常都是靶向性的，也就是说需要提前知道要研究哪个种群或者哪个功能。尽管这些方法里的一些可以实现非靶向性检测，但是现在还没有这样成功应用的先例。值得一提的是，测序技术预测复合群落功能的能力是有限的，不管是宏基因组分析数据还是16s RNA测序数据都不太能完美预测某一单一物种的代谢功能，在这方面还有很大的进步空间。
寻找(已经确定靶向的)群落中的物种间关系是收集用于建模的原始数据的重要途径。为了获取群落范围内的微生物互作关系（直接依据缺乏或受限），可以使用基于分类丰富度与高通量测序数据之间的相关性的统计分析，所产生的共生网络可以用于生态学上的一些预测，如对代谢产物的依赖性、群落对环境变化的适应程度或者对能够稳固群落结构的关键物种的确定等。尽管相关性分析方法能够显示已有的未知互作关系，但需要直接依据来辅佐，因为分类丰富度受16S数据的有偏性和一些不直接相关的种间关系的影响。间接互作比直接互作所发生在的空间尺度更大，因此研发用于调查微生物群落空间分析的方法是非常有必要的。
代谢物交换可以影响微生物群落里的很多重要的种间关系，预测这些关系可以使用对代谢流的计算模型。这些模型以基因组为基础，对某一微生物建立起它的代谢通路上一系列的反应的化学计量模型，如流平衡分析（FBA）。动态流平衡分析模型（dynamical FBA）可用于分析微生物生长随环境不断变化的理化性质波动（理化性质又是由于代谢而波动的）。
像莫诺方程（Monod Equation）这样的动力学模型可以用于预测微生物生长速率。由于理论较为容易，计算也比较方便，所以适合将这种模型上升到群落水平，进行动态预测。这种模型能够良好应用的先决条件是要将群落中最重要的物种以及种间关系包含在内，其稳健性与之参数有关，也就是说最好要对大规模的微生物群落进行广泛的数据采集。从更基础的层面说，已有的动力模型都是针对特定的群落而塑造的点对点的（ad hoc）模型，也就是说对于一些具有重要群落功能的生长速率（如产物抑制）还没有很好的模型能够预测。新的动力模型正致力于在最大生长率中考虑依赖于环境变化的因子和代谢中的热力学参数。
传统的生态模型里是不考虑进化的，因为通常认为进化只是长期发生的。这个说法在动、植物群落中站得住脚，但在某些世代短、种群数量大、和高频率的基因转移微生物群落中情况有所不同，所以用于分析微生物群落的模型应该综合考虑生态和进化两方面。在群落中微生物进化的同时，其中的互作关系也在进化，所以所建立的模型也应该同时包括这两部分。从建模角度来说，就是使用简化的“玩具模型（toy model）”。从实验角度来说，则主要针对所选物种的进化路线来设计，可选的一种办法是用构建的群落，即从已知的物种开始组装一个群落，这样对该群落中各个物种的进化动态能有更明晰的了解。
自然状态下的微生物群落中的社会性对于针对微生物群落模型的构建非常重要。“博弈论（Game theory）”是复杂的微生物群落社会性模型构建的重要理论基础，其中，不同的微生物的行为称为一种特殊的“策略”。
在群落装配过程中，不同物种出现的顺序会影响到群落最终的组成，不同的物种到来，对现有的群落结构的影响都是各异的，会导致群落往不同的方向发展。未来的工作应该着重系统研究这些偶然事件对于群落的影响，将它们和构建的模型整合起来。
最初认为，自然环境中紧密聚集的微生物会自由流动或在生物膜表面移动。在这样的微生物小集体中，空间分布的因素有代谢物梯度、非生物因素梯度（如光照、温度）、与周围环境的粘附性还有微生物本身的运动能力。已有相当多的模型能够很好地解释微生物群落的空间结构（尤其是生物膜上的），如连续空间模型（Continuum spatial models）。
微生物学的基础——包括生理、代谢等——都是基于模式生物开始研究的，常见的模式生物有酿酒酵母（Saccharomyces cerevisiae）、大肠杆菌（Escherichia coli）、枯草芽孢杆菌（Bacillus subtilis）、绿脓杆菌（Pseudomonas aeruginosa）等，研究都是在精心设计的条件下进行的。但是在微生物生态学中，数据都是在大量不同条件下的样本中采集的。作者认为，如能找到这样的一种限制性更强的模式微生物群落，这样研究可以更为集中，这样的模式群落包括根据已有物种构建的群落与基于环境样本构建的微宇宙。这样的模式群落能让不同的研究者之间交流更加容易，研究的效率也能大大提高，还能增加相关实验的可重复性。更具体地说，这样的模式群落（即合成群落，synthetic community）更好控制，其动态和相关参数更好观测与计量。合成群落能够用于研究特定生态机制，能够完整记录群落演化的过程。尽管合成群落在很多细节上不能完全模拟自然群落，但是对于机制的研究结果应该是可以类比的。
图4 Winogradsky column microcosm的结构
微宇宙（microcosm）是简化自然群落为合成群落的重要媒介，它能够帮助解决包括偶然事件、功能冗余、物种多样性以及复杂群落中相互作用的多变性等问题。一个微宇宙是由在实验室条件下培养的环境样本组成的，它通常能够保持种子群落（seed community）的组成/功能多样性，还有可能保持其空间结构（与之而来的还有营养循环与氧化还原梯度）。由于微宇宙具有可重复性，所以它的实验条件是严格控制的。也正因如此，它的控制条件最好还有一套统一的标准。
尽管现在对于微生物群落的研究已经有了不少重要进展，但离从基础原理上了解、预测并控制微生物群落还有相当长的一段路要走。本文讨论了实验数据采集、整理与数学建模联合运用的方法在微生物群落研究中的应用。在这方面，研究者们还面临着许多的挑战，如经验与理论之间的关系、模式群落的开发等。在解决这些问题的过程中，会经常利用已有的方法与模型，在将这些方法和模型应用在微生物群落问题上时，更加符合应用情况的参数设置与条件控制是这些方法能否成功应用的关键。
参考文献：
Stefanie Widder, Rosalind J Allen, et al. Challenges in microbial ecology: building predictive understanding of community function and dynamics. The ISME Journal, 2016.
原文链接：
https://www.nature.com/articles/ismej201645
中国科学院生态环境研究中心
环境生物技术重点实验室
邓晔 研究员课题组发布
作者：彭玺
猜你喜欢
10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑
文献阅读 热心肠 SemanticScholar Geenmedical
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
生物科普: 肠道细菌 人体上的生命 生命大跃进 细胞暗战 人体奥秘
写在后面
为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外3000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份，另有海内外微生物相关PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。
学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”