机器学习揭示长双歧杆菌生长中定量氨基酸偏好

《Microbial Biotechnology》：Machine Learning Reveals Quantitative Amino Acid Preferences in Bifidobacterium longum Growth

　　

长双歧杆菌（Bifidobacterium longum）是人类肠道中普遍存在的共生菌，其碳水化合物代谢已被充分表征，然而氨基酸对生长的定量贡献仍不清楚。在此，研究人员结合了基于基因组的通路分析、化学限定培养基（CDM）中的生长表型分析以及迭代的机器学习引导的培养基设计，以量化长双歧杆菌亚种长双歧杆菌JCM 1217T中的氨基酸偏好。基因组分析预测半胱氨酸是唯一营养缺陷型，实验证实仅半胱氨酸即可支持生长，但无法恢复完全氨基酸混合物所达到的高最大细胞密度（K）和短滞后期（τ）。回归模型和遗传算法鉴定出的优化氨基酸配方在葡萄糖条件下减少了66.5%、乳糖条件下减少了77.2%的总氨基酸投入，同时保持了与完全培养基相当的生长水平。SHAP分析强调酪氨酸是最大细胞密度的主要决定因素，而谷氨酸、亮氨酸和缬氨酸持续缩短了滞后期。这些结果表明，长双歧杆菌的氨基酸需求超出了二元营养缺陷型的范畴，并为设计精简的限定培养基提供了机器学习框架。

该研究针对长双歧杆菌（Bifidobacterium longum）在化学限定培养基（CDM）中氨基酸需求的量化不足问题，通过整合基因组学、高通量表型分析和机器学习技术，揭示了超越传统二元营养缺陷型概念的氨基酸偏好性，并构建了优化的低氨基酸输入培养基。此项工作由Morinaga Milk Industry的研究人员完成，发表于《Microbial Biotechnology》。

研究人员首先利用KEGG注释和自定义JSON通路定义评估了20种氨基酸的生物合成通路完整性，发现除半胱氨酸（Cys）外其余均完整。随后，在厌氧条件下利用96孔板对菌株JCM 1217^T进行生长测量，通过CultureSage和DEAP等工具构建了从氨基酸组成预测最大细胞密度（K）、比生长速率（r）和滞后期（τ）的回归模型，并利用NSGA-II多目标遗传算法进行了六轮迭代的“提议-测试-更新”循环优化。

研究结果显示，基因组预测与实验验证一致表明该菌株存在半胱氨酸营养缺陷型，但仅补充半胱氨酸虽能启动生长，却显著低于完全氨基酸混合物的生长性能。通过机器学习引导的优化，研究人员在葡萄糖和乳糖两种碳源下分别获得了Gopt和Lopt两种优化培养基，总氨基酸输入量分别降低了66.5%和77.2%，且在维持生长表型上与完全培养基无显著差异。SHAP分析进一步阐明，酪氨酸（Tyr）是影响最大细胞密度的首要因素，而谷氨酸（Glu）、亮氨酸（Leu）和缬氨酸（Val）则是缩短滞后期的关键决定因子。

讨论部分指出，该研究突破了将氨基酸需求视为非此即彼的传统观念，提出了“氨基酸偏好”的定量概念。研究表明，在资源受限的条件下，特定的氨基酸组合能显著提升生长效率，这可能与肠道环境中微生物的竞争定植策略有关。酪氨酸作为芳香族氨基酸，其促进生长的作用可能与其参与芳香乳酸的生成及辅因子再生有关，而谷氨酸、亮氨酸和缬氨酸则通过中心氮代谢和高生物合成成本影响早期生长动力学。尽管该研究基于单一菌株的单培养体系，但其建立的结合高通量表型分析与机器学习优化的框架，为益生菌制造培养基的简化及体外疾病模型的构建提供了普适性的方法论指导。

综上所述，本研究通过定量化的手段证明长双歧杆菌的氨基酸需求不仅限于生存必需，更涉及生长效率的优化，为理解肠道共生菌的营养策略提供了新的视角。