L’apprentissage automatique aide les scientifiques à identifier les préférences environnementales des microbes

“Nous savons que dans n’importe quel environnement, il y a une tonne de bactéries avec des fonctions écologiques importantes, mais leurs préférences environnementales restent souvent inconnues”, a déclaré Noah Fierer, membre de l’Institut coopératif de recherche en sciences de l’environnement (CIRES) et professeur d’écologie et de biologie évolutive à CU Boulder. “L’idée est d’utiliser cette technique pour comprendre les bases de leur histoire naturelle.”

Comprendre si certaines bactéries sont plus susceptibles de se développer dans des environnements acides, neutres ou basiques n’est qu’une première étape, a déclaré l’auteur principal Josep Ramoneda, chercheur invité au CIRES. “Vous pouvez utiliser cette approche pour anticiper la manière dont les microbes s’adapteront à presque tous les changements environnementaux”, a-t-il déclaré. Disons, par exemple, que l’élévation du niveau de la mer amène plus d’eau salée dans une zone humide côtière. “Nous pouvons anticiper comment les microbes réagiront à ces changements environnementaux”, a déclaré Ramoneda.

Le nouveau travail a été publié aujourd’hui dans la revue Avancées scientifiqueset les co-auteurs incluent d’autres personnes du CIRES et de CU Boulder ainsi que des collègues du Canada.

Les microbes, y compris les bactéries, sont essentiels au fonctionnement des écosystèmes ; aider les plantes à pousser, permettre le cycle des nutriments dans les lacs et même soutenir la digestion humaine. Mais souvent, ils sont impossibles à isoler et à cultiver en laboratoire, donc nous savons souvent peu de choses à leur sujet, ont déclaré Ramoneda et Fierer – à l’exception de leur constitution génétique. Les techniques de «pêche» génétiques des dernières décennies ont conduit à une croissance exponentielle des bases de données de génomes bactériens.

L’équipe de recherche s’est donc appuyée sur ce que les scientifiques savent de quelques groupes bactériens, qui se développent à un pH particulier ou à un autre, puis a utilisé l’apprentissage automatique pour lier les préférences de pH environnementales de ces groupes à leur constitution génétique. Le travail consistait à trier les génomes de plus de 250 000 types de bactéries provenant de près de 1 500 échantillons de sol, de lac et de ruisseau.

“Ce que nous avons découvert, c’est que nous pouvons faire des déductions sur leurs préférences de pH en nous basant uniquement sur les données génomiques”, a déclaré Ramoneda. Pour les scientifiques, l’une des implications les plus immédiates de la découverte est qu’elle pourrait les aider à développer des colonies de bactéries capricieuses qu’elles n’ont jamais pu développer auparavant, en leur donnant une première estimation du pH à utiliser. Cela peut prendre des années pour comprendre comment « cultiver » des bactéries afin qu’elles puissent être étudiées en laboratoire et la méthode d’apprentissage automatique pourrait rendre ce processus beaucoup, beaucoup plus efficace, a déclaré Fierer.

Les experts agricoles et forestiers ajoutent souvent des bactéries vivantes pour « inoculer » les plantes en croissance avec des communautés de bactéries utiles, a déclaré Ramoneda. Désormais, ils peuvent obtenir un meilleur aperçu plus rapide des types de bactéries qui pourraient aider à restaurer une prairie indigène par rapport aux forêts de pins, ou à mieux cultiver du maïs ou du soja, en s’assurant que les inoculants seront adaptés au pH local.

Ensuite, l’équipe prévoit d’essayer de mieux comprendre les préférences de température des bactéries, un autre système complexe impliquant probablement de très nombreux gènes. Cela pourrait les aider à mieux comprendre comment le réchauffement influencera les communautés bactériennes du sol, par exemple.

“L’alternative est d’essayer de tous les cultiver en laboratoire, et c’est douloureux”, a déclaré Fierer.

Le financement de ce travail provient du Fonds national suisse de la recherche scientifique, de la Fondation nationale des sciences des États-Unis, du Conseil de recherches en sciences naturelles et en génie du Canada, du Département américain de l’énergie et du Département américain de l’agriculture.