AI a metagenomika: Vědci našli klíč k pěstování neviditelných mikrobů s obřím potenciálem

Navzdory pokrokům v sekvenování DNA, které odhalily obrovskou rozmanitost mikrobiálního světa, zůstává velkou výzvou neschopnost kultivovat většinu mikroorganismů v laboratorních podmínkách.

Navzdory pokrokům v sekvenování DNA, které odhalily obrovskou rozmanitost mikrobiálního světa, zůstává velkou výzvou neschopnost kultivovat většinu mikroorganismů v laboratorních podmínkách. Tým vědců z King Abdullah University of Science and Technology (KAUST) ve spolupráci s mezinárodními kolegy nyní navrhl systematický prediktivní rámec, který kombinuje stávající genomické a výpočetní modelovací přístupy. Cílem je urychlit objevování a kultivaci nových prokaryotických taxonů, tedy bakterií a archeí.

Prokaryotické mikroby jsou mimořádné mikroorganismy s jedinečnými schopnostmi, které již nacházejí uplatnění v průmyslu a biotechnologických aplikacích. Kultivované mikroorganismy mohou být například využity v procesech bioremediace, při generování bioaktivních sloučenin nebo pro podporu růstu rostlin v zemědělských systémech. Současné technologie sekvenování DNA sice odhalily globální mikrobiální diverzitu, ale mnoho potenciálně užitečných prokaryotických druhů zůstává neobjevených a nekultivovaných. Izolace a kultivace nových mikrobiálních druhů tak představuje zásadní překážku v mikrobiologii.

Vědci stále plně nerozumí environmentálním a nutričním požadavkům potřebným k udržení mikrobiálních druhů v laboratorních podmínkách. Každý mikrob vyžaduje jedinečnou kombinaci faktorů pro růst, což je navíc komplikováno konkurencí a interakcemi mezi mikrobiálními druhy. Konvenční izolační metody často narušují vzájemné závislosti mikrobů, na kterých některé druhy závisí. Mnoho mikrobů žije v rozmanitých symbiotických společenstvích a spoléhá na interakce mezi druhy, aby přežilo. Tyto komunity jsou izolačními technikami často narušeny, což vede ke ztrátě citlivějších, vzácných druhů nebo k jejich úplnému přehlédnutí.

Nový přístup se snaží zmírnit tyto výzvy využitím genomických informací k řízení kultivace, čímž se posouvá od metody pokus-omyl k informovanějším hypotézám. Navrhovaný rámec zahrnuje kombinaci přímých analýz environmentální DNA s metabolickým modelováním založeným na genomech, fyziologickou inferencí a návrhem přizpůsobených růstových médií. Tým nejprve navrhuje cílené zásahy do přírodních ekosystémů, aby se zvýšila hojnost vzácných nebo skrytých mikroorganismů. Jakmile jsou tyto mikroby identifikovány a shromážděny, jejich genomy mohou být sekvenovány, rekonstruovány a anotovány. Vědci pak mohou odvodit metabolismus každého mikrobu a potenciální požadavky na růst. Nakonec mohou být tyto informace, spolu s umělou inteligencí a strojovým učením, použity k návrhu lepších kultivačních strategií.

I přes robustní rámec však zůstávají významné výzvy. Velká část genů v mikrobiálních genomech má neznámé funkce, což omezuje přesnost předpovědí fyziologie. Ačkoli umělá inteligence a strojové učení jsou užitečné, zejména pro anotaci genů a metabolické předpovědi, nejsou zkratkou. Závisí na kvalitních datech a stále vyžadují experimentální ověření. Tato studie, publikovaná v časopise The ISME Journal, spojuje mikrobiologii, bioinformatiku a odborné znalosti v oblasti umělé inteligence a strojového učení a představuje důležitý krok ke zlepšení kultivace mikrobů.