微生物群落被认为包含关键物种，即使只以低丰度存在，也会不成比例地影响群落的稳定性。识别这些关键物种可能具有挑战性，特别是在人类肠道中，因为通过系统清除来隔离它们是不可行的。
由布莱根妇女医院的一个团队领导的研究人员设计了一个新的数据驱动的关键物种识别(DKI)框架，该框架使用机器学习来解决这一困难。他们的研究成果发表在《自然生态与进化》杂志上。
研究人员使用深度学习模型训练真实的人类肠道微生物组数据，这些数据来自一个精心策划的宏基因组数据库，研究人员能够模拟任何肠道微生物组样本中任何物种的去除。这个“思想实验”使他们能够计算出每个群落中每个物种的“关键度”或相对重要性。
科学家们发现，预测的关键物种在不同的群落中有所不同。有些人在所有样本中得分较低，对任何社区都不太可能是必不可少的。相比之下，那些中位数得分高的物种可能是某些群落的基石，但在其他群落则不然。人类口腔微生物组和环境微生物组也观察到类似的结果。这些结果表明，关键微生物物种的概念是特定于群落或环境的。
已知许多人类肠道微生物物种具有基本功能，例如分解复杂的淀粉或维持健康的肠道环境。作者能够使用他们的DKI框架来确定参与这些功能的潜在关键物种，包括一种帮助配方奶粉喂养的婴儿和成人消化的物种。
“我们的DKI框架展示了机器学习在解决社区生态基本问题方面的力量，”布莱根妇女医院钱宁网络医学部的刘杨宇博士说。“我们的DKI框架可以调整，以促进未来复杂微生物群落的数据驱动工作。”
