机器学习+高通量培养，筛选高产丁酸的“黄金三角”配方 | 热心肠日报

背景与研究设计

针对膳食纤维与肠道菌群互作难以预测的问题，整合机器学习、贝叶斯优化与高通量厌氧培养技术，构建并筛选了由15株人源肠道分离菌和6种纤维组成的合成群落。

核心发现与意义

模型驱动的设计测试学习循环揭示了特定纤维与菌株组合最大化群落健康相关功能的规律，为可编程合生元的设计提供了实证框架。

功能景观解析

多目标优化分析提示，菊粉、单形拟杆菌与Anaerostipes caccae的共存构成驱动高丁酸产量与高生态稳定性的核心模体。

高阶互作机制

群落尺度代谢模型及SHAP分析证实，单形拟杆菌降解菊粉释放的果糖显著增强A. caccae的丁酸代谢流，而Prevotella copri的加入显著拮抗该产丁酸效应。

人体群落验证

在肥胖儿童粪便体外培养模型中，接种优化设计的合成菌群与菊粉果胶木聚糖组合，导致丁酸产量显著提升5至10倍且合成菌属定植率超80%。

膳食纤维肠道微生物组机器学习主动学习合成群落丁酸合生制剂菊粉单形拟杆菌Anaerostipes caccaePrevotella copri微生物互作饮食-菌群互作

肠道菌群研究正面临一个核心困境：我们深知膳食纤维是驱动肠道健康的“燃料”，但面对数千种菌株与上百种纤维的组合，如何精准预测“谁”在“吃”什么、又会产出什么有益物质，始终是一片充满偶然性的“黑箱”。

如今，来自威斯康星大学麦迪逊分校的Ophelia S. Venturelli团队在Nature Chemical Biology上提出了一种颠覆性解法：他们让机器学习模型主动“学习”肠道菌群的“食谱”，并成功设计出能够

最大化丁酸盐产量

的菌群-纤维配对方案，为精准营养干预开辟了新路径。

从两百万种可能中“淘金”

该研究的核心挑战在于组合爆炸。研究团队构建了一个包含15种常见人肠道共生菌（涵盖拟杆菌门、厚壁菌门等）和6种结构各异的膳食纤维（菊粉、果胶、木聚糖等）的体外实验体系。仅考虑物种与纤维的“有或无”，可能的组合就超过200万种，逐一验证在实验上毫无可能。

为了高效穿越这片浩瀚的“设计空间”，团队建立了一个

“设计-测试-学习”循环

。他们首先训练了一种名为MiRNN的贝叶斯递归神经网络，该模型能根据初始的菌群构成和纤维组合，预测群落的生长、物种丰度变化以及短链脂肪酸的产量。随后，贝叶斯优化算法登场，它像一个精明的“导航员”，在每一轮实验中，不止挑选预测得分最高的组合，还会刻意选择那些模型预测不确定性最高的“未知区域”，从而实现“探索”与“利用”的平衡。

揭示一个高产丁酸的“黄金三角”

经过三轮迭代学习，模型在仅测试了约700种组合后，就精准锁定了核心功能。数据显示，菌群的整体功能目标值随着实验轮次

显著提升

，模型对丁酸盐浓度的预测与实测值之间的皮尔逊相关系数高达0.84。通过分析模型决策，团队发现了一个高度保守且强效的产丁酸生态模体：

菊粉

、

普通拟杆菌

和

粪厌氧棒杆菌

的协同存在。

研究显示，在这个“黄金三角”中，普通拟杆菌作为初级降解者，将菊粉分解为果糖等小分子，粪厌氧棒杆菌则利用这些中间产物高效生产丁酸盐，其产量在所有实验组中名列前茅。代谢模型模拟进一步印证了这一互养机制。然而，当引入另一种常见菌——

普雷沃氏菌

时，情况发生了逆转。数据显示，它的出现会显著抑制丁酸盐的产出，并促使群落代谢流向丙酸盐，这揭示了种间存在复杂的

高阶相互作用

，而这类关系正是传统分析方法难以捕捉的。

在真实菌群中验证设计的“鲁棒性”

为了检验这些“算法设计”的菌群在更复杂生态中是否依然有效，团队采集了10名儿童肥胖患者的粪便样本，将设计出的高产丁酸盐菌群-纤维组合与低产组合分别接入其中进行体外培养。结果显示，添加高产组合的粪便菌群，其丁酸盐水平

提高了5-10倍

，菌群多样性亦显著高于低产组合。值得注意的是，这种功能提升并非由纤维或菌群单独作用所能达成，凸显了

二者协同设计

的必要性。

这项研究并未止步于体外，但它所构建的蓝图极具启发性。它证明，机器学习不仅能预测微生物群落的复杂行为，更能主动设计出具有特定健康功能的菌群-纤维配方。未来，随着算法纳入更多物种、纤维乃至宿主基因型等特征，或许我们终将能像调配药物一样，为个体精准定制“微生态良方”。

图片摘要