《The ISME Journal》：Discovery and cultivation of prokaryotic taxa in the age of metagenomics and artificial intelligence
编辑推荐：
本研究针对微生物学中长期存在的"绝大多数原核物种未能培养"的瓶颈问题，提出整合宏基因组学、微生物生态学和人工智能的协同框架。通过诱导微生物组重塑、基因组推断生理特征、培养基设计等策略，建立了从基因组解析到靶向分离的假设驱动培养新范式，为破解微生物"暗物质"难题提供了可操作路线图。
在微生物研究领域，一个令人困惑的现象长期存在：尽管测序技术飞速发展，但环境中超过99%的微生物仍然无法在实验室条件下培养。这种"可培养性瓶颈"严重制约了我们对微生物世界的完整认知，使得大量具有潜在应用价值的微生物资源成为"微生物暗物质"。正是为了突破这一瓶颈，研究人员在《The ISME Journal》上提出了一个创新性的研究框架。
为了破解这一难题，研究团队构建了一个整合多学科方法的协同框架。该研究主要通过四个关键技术路径实现突破：首先利用基因组解析宏基因组学(genome-resolved metagenomics)从复杂环境样本中重建微生物基因组；其次基于基因组数据推断微生物的生理和表型特征；第三采用靶向培养组学(targeted culturomics)策略；最后引入人工智能(AI)预测模型优化培养条件设计。特别值得关注的是，研究中提出的图形化摘要清晰展示了这一多维方法学的整合思路。
从序列到功能的桥梁构建
研究团队重点解决了基因组序列与微生物实际功能之间的认知鸿沟（sequence-to-function gap）。通过人工智能算法分析宏基因组数据，预测微生物的营养需求、生长条件和代谢特性，为设计个性化培养基提供了理论依据。
假设驱动培养的策略创新
与传统试错式培养不同，该研究提出了假设驱动培养(hypthesis-driven cultivation)的新范式。基于基因组信息预先形成关于微生物生长需求的科学假设，然后有针对性地设计培养条件，大大提高了培养效率。
微生物组重塑的技术路径
研究还引入了诱导微生物组重塑(induced reshaping of microbiomes)的概念，通过调控环境因素促使目标微生物从休眠状态转为活跃状态，从而增加其可培养性。
多学科融合的协同效应
该框架的最大创新点在于实现了实验微生物学、微生物生态学、宏基因组学和人工智能预测的协同整合。这种多学科交叉方法为微生物培养领域带来了范式转变。
研究结论表明，这种整合框架能够显著提高未培养原核生物类群的分离效率，为系统性地探索微生物暗物质提供了可行路径。该研究不仅具有重要的理论意义，为微生物生态学和进化研究提供新视角，同时在生物技术、医药开发和环境修复等领域具有广阔的应用前景。通过打破可培养性瓶颈，我们将能够挖掘更多具有特殊功能的微生物资源，推动基础研究向实际应用的转化。
值得注意的是，该研究强调的理性路线图(rational roadmap)概念，将传统上依赖经验的微生物培养工作提升到了可预测、可设计的新水平。随着人工智能技术的不断发展，这种基于大数据和机器学习的方法有望成为微生物资源开发的标准范式，最终实现从"难以培养"到"精准培养"的革命性转变。
