原文链接：Automated design of synthetic microbial communities | Nature Communications
Microbial species rarely exist in isolation. In naturally occurring microbial systems there is strong evidence for a positive relationship between species diversity and productivity of communities. The pervasiveness of these communities in nature highlights possible advantages for genetically engineered strains to exist in cocultures as well. Building synthetic microbial communities allows us to create distributed systems that mitigate issues often found in engineering a monoculture, especially as functional complexity increases. Here, we demonstrate a methodology for designing robust synthetic communities that include competition for nutrients, and use quorum sensing to control amensal bacteriocin interactions in a chemostat environment. We computationally explore all two- and three- strain systems, using Bayesian methods to perform model selection, and identify the most robust candidates for producing stable steady state communities. Our findings highlight important interaction motifs that provide stability, and identify requirements for selecting genetic parts and further tuning the community composition.
摘要
微生物物种很少存在于孤立状态。在自然界存在的微生物系统中，有强有力的证据表明物种多样性与群落生产力之间存在着积极的关系。这些群落在自然界的普遍存在凸显了对基因工程菌株以共培养形式存在可能具有的优势。构建合成微生物群落使我们能够创建分布式系统，以减轻在工程单一培养物中经常出现的问题，特别是在功能复杂性增加时。在这里，我们展示了一种设计健壮的合成群落的方法，包括竞争营养物质，并使用群体感应来控制共生菌素在化学计量器环境中的相互作用。我们通过计算方法探索了所有两株和三株菌株系统，使用贝叶斯方法进行模型选择，并确定了产生稳定稳态群落的最强健候选者。我们的研究结果突出了提供稳定性的重要交互模式，并确定了选择遗传部件和进一步调整群落组成的要求。
图1 AutoCD流程概述。模型选择工作流程始于定义可用部件和先验参数分布，用于从所有可能的相互作用中生成系统模型。我们使用ABC SMC对所需的群体行为进行模型选择。ABC SMC的输出为我们提供了群落设计、潜在模式的见解、参数要求以及关于组成可调性的信息。
表1 两株和三株菌株系统的先验分布。常数参数具有相同的最小值和最大值。 KAyBz, Kω, KAy 和KBmaxz从对数均匀分布中抽样。其余参数从均匀分布中抽样。
图2：AutoCD对于两株菌稳定稳态目标的输出。a 通过对两株模型空间中每个模型的邻接矩阵进行层次聚类生成的树状图。网络图中显示了所有可能的相互作用。热图的每一列代表状态变量之间的可能相互作用，绿色表示模型存在该相互作用，黑色表示相互作用不存在。柱状图显示了每个模型的后验概率的平均值。散点表示每个重复实验的后验概率，误差条表示标准偏差。n=3，每个重复实验包含180,000个接受的粒子。 b 显示了按照递增复杂性顺序（2、3和4部分）表达的三个具有最高后验概率的模型的平均后验概率。散点表示每个重复实验的后验概率，误差条表示标准偏差。n=3，每个重复实验包含180,000个接受的粒子。显示了三个模型的成对比较的贝叶斯因子（BF）。模型示意图显示了菌株（蓝色和绿色）、细菌素（红色）和QS分子（紫色）之间的相互作用。 c m66和m62中几个可调参数的后验参数分布。顶部和左侧图显示了每个参数的1D密度分布，中央分布是每对参数的2D密度分布。皮尔逊相关系数显示在对角线上方的每个参数对上。
表2 贝叶斯因子分类，描述支持m1相对于m2的证据。
图3 网络模式对稳定性的贡献。a、b 非负矩阵分解（NMF）分析，使用四个分量（K = 4）学习模型空间中的模式。a NMF学习的四个分量，线的不透明度表示相互作用的系数。b 每个模型的组分权重可视化。每一列是一个模型，浅色对应高权重，深色对应低权重。c-e 人工筛选的最小模式捕获了相互作用的重要性。c 最小模式按细菌素杀伤方向分为自限制（SL）和他限制（OL）。d 用于生成e中每个数据点的算法示例。从一个模型移动到最近的邻居，可以通过添加模式来产生模型后验概率的变化。e 箱线图和散点图显示将每个模式添加到模型时后验概率的变化。箱线图显示中位数、第一和第三四分位数。下限和上限的whiskers分别标记第5和第95百分位数。每个模式n=224。
图4 三菌株稳定稳态目标的AutoCD输出。a 通过对三菌株模型空间中每个模型的邻接矩阵进行层次聚类生成的树状图。我们将层级数限制为5，以显示高级别群组。热图的每一列代表状态变量之间的可能相互作用，绿色表示模型存在该相互作用，黑色表示相互作用不存在。后验概率图显示了每组模型内的平均后验概率。b 按照表达的部分数的增加顺序（3、4、5和6个表达的部分），显示了后验概率最高的模型。柱状图显示了三个实验中模型后验概率的平均值，由散点表示，误差条表示标准偏差。n = 3，每个重复实验包含825,000个接受的粒子。显示了两个部分的模型的后验概率为0.0，因此未显示出来。对于三个模型进行成对比较的贝叶斯因子（BF）显示在图中，并且误差条显示了三次重复实验之间的标准偏差。模型示意图显示了菌株（蓝色、绿色和红色）、细菌素（红色）和QS分子（紫色）之间的相互作用。
图5 与基因部件数量相关的平均后验概率。a 比较具有一个和两个正交QS部件的系统。b 通过对具有诱导（+ve）、抑制（-ve）或两者（+ve，-ve）的系统进行子集比较系统中细菌素调节的模式。c 比较具有一个、两个和三个细菌素的系统。
图6 模型4119中种群密度分布。三元图（a和b）的坐标轴显示了群落的百分比组成。a 热图显示模型4119稳定稳态时的群落组成。坐标轴表示群落中每个菌株的百分比表示。b 稳定稳态系统的散点图，突出显示了所有菌株OD > 0.1（红色）的次要阈值，以及只有任何菌株OD在0.001 < OD < 0.1的主要目标。c 密度图比较了四个参数的参数分布，这些参数显示出最大的分歧以产生次要阈值：稀释率（D）和最大细菌素表达速率（KBmax1、KBmax2、KBmax3）。两个目标的Kolmogorov-Smirnov值分别为0.25、0.12、0.13和0.12。
转载本文请联系原作者获取授权，同时请注明本文来自王敬敬科学网博客。
链接地址：https://wap.sciencenet.cn/blog-2675068-1433224.html?mobile=1
收藏
