Microbial interactions: from networks to models
Karoline Faust and Jeroen RaesMetagenomics and 16S pyrosequencing have enabled the study of ecosystem structure and dynamics to great depth and accuracy. Co-occurrence and correlation patterns found in these data sets are increasingly used for the prediction of species interactions in environments ranging from the oceans to the human microbiome. In addition, parallelized co-culture assays and combinatorial labelling experiments allow high-throughput discovery of cooperative and competitive relationships between species.
Brenda Toledo Rojas
ReplyDeleteEs sabido que las interacciones entre los organismos juegan un papel muy importante en la red ecológica. Las interacciones pueden generar impactos positivos, negativos y/o neutrales, en base a estos impactos es que se clasifican los tipos de interacciones: negativas como la competencia y depredación, y positivas como el mutualismo y la facilitación.
Lo interesante es que así como existen estas interacciones entre organismos macroscópicos, también existen interacciones muy importantes para microorganismos como bacterias, virus y hongos. Debido a algunas limitaciones de los modelos matemáticos pareados, nos hemos limitado a la vez un poco en nuestra visión de las interacciones. Las interacciones no todo el tiempo operan de manera pareada, es mucho más realista que estén operando de manera conjunta, ya que un organismo no tiene una única interacción ya sea positiva o negativa, las interacciones además no se encuentran aisladas de su ambiente. Por lo anterior, es necesario considerar que una especie puede tener efectos sinérgicos en el resto de la red ecológica y viceversa.
A partir de esto, se han desarrollado modelos dinámicos (redes dinámicas) que predicen las interacciones entre los microorganismos en ambientes muy diversos, incluyendo los microbiomas de los organismos microscópicos. Estos modelos son útiles para predecir qué efecto tendrán las perturbaciones, pero también. Las redes representan la interacción entre varios grupos de organismos (nodos), es decir, se considera que el impacto negativo de una especie sobre otra, puede ser positivo para una tercera y viceversa, lo que implica un cambio en la interconexión de los organismos (nodos) en una región. Este análisis es importante para empezar a demostrar que el ambiente funciona como un todo y que en la naturaleza todos los procesos tienen algún impacto y se encuentran conectados
Considero de gran importancia que para poder plantear procesos de conservación es necesario entender que las interacciones no son mecanismos aislados, que le dan estructura a la comunidad y así lograr mantener la diversidad de un sitio. Las interacciones y la diversidad funcional son el parteaguas para empezar a entender de qué manera funciona la conservación.
Martha Segura G.
ReplyDeleteEvolución de las interacciones microbianas, 2015-2
9 febrero 2015
Ensayo 2. Faust & Raes 2012. Microbial interactions: from networks to models
Del artículo de Faust and Raes (2012), rescato los siguientes párrafos que hacen referencia a los modelos dinámicos en las interacciones microbianas:
“Las redes inferidas pueden ser consideradas como modelos estáticos de comunidades microbianas, que dan una fotografía del estado de la comunidad en un momento particular. Sin embargo, fenómenos como la estabilidad, perturbación y sucesión pueden ser estudiados únicamente si el modelo describe cómo las comunidades cambian en el tiempo, lo que requerirá el uso de modelos dinámicos de comunidades microbianas.
En el estudio de la sucesión en comunidades de fitoplancton, la inferencia de redes puede capturar indirectamente la sucesión como una fuerte exclusión mutua pero no puede distinguir entre sucesión y otras relaciones como competencia. Los modelos pueden investigar también si el resultado final de la sucesión depende de las especies presentes al inicio, su abundancia y su orden de establecimiento.“
Del primer párrafo y en el caso del fitoplancton, existen trabajos sobre sucesión que describen la presencia de distintas algas a lo largo de años de estudio que carecen de un modelo dinámico y dan información muy valiosa del estado de la comunidad en un momento dado; sin embargo, estoy de acuerdo en que la adición de datos de abundancia y de condiciones ambientales, permiten tomar una fotografía más completa de la comunidad para conocer cómo se comportaba en ese momento, dado que el fitoplancton cambia constantemente y no siempre es posible interpretarlo como el resultado de un modelo. En el segundo párrafo, las relaciones complejas entre especies podrían estudiarse con cultivos experimentales de las que se sospecha presentan competencia. Los experimentos podrían presentar condiciones ambientales distintas como concentración de nutrimentos, temperatura, e irradianza.
Continuando con la idea de tomar una fotografía de la comunidad, el análisis de componentes principales (PCA) es otro tipo de método además del de redes que busca la relación entre distintos componentes así como la fuerza con la que interactúan. Estos análisis se han utilizado en estudios sobre composición del fitoplancton y para tratar de resolver la distinción entre especies de Microcystis, género de cianoprocarionte reconocido por la formación de florecimientos tóxicos. En el primer caso, Chen et al. (2003) estudió la composición del fitoplancton en distintas estaciones del año. En este trabajo, las estaciones se graficaron como puntos respecto a la presencia de especies de fitoplancton, y la cercanía o lejanía entre estos indicó la similitud o disimilitud de las estaciones. De esta manera, se mostró que la composición de fitoplancton observada en verano era distinta de la observada en invierno debido a la separación entre ambos puntos.
En el caso de Microcystis, Welker et al. (2004) utilizó el PCA para explorar diferencias y gradientes en la ocurrencia de distintos péptidos en colonias de diferentes morfoespecies de Microcystis aisladas, con el objetivo de encontrar una relación morfoespecie compuesto que permitiera distinguir mejor a las morfoespecies más allá de sus características morfológicas. Sin embargo, el análisis arrojó la ausencia de tal correlación y también la posible independencia de los genes que determinan la morfología de las colonias.
Referencias
Chen Y, Qin B, Teubner K and Dokulil T. 2003. Long-ter dynamics of phytoplancton assemblages: Microcystis- domination in Lake Taiju, a large shallow lake in China. Journal of Plankton Research. 25 (1): 445-453.
Faust K and Raen J. 2014. Microbial interactions: from networks to models. Nature Reviews Microbioogy 10: 538-550.
Welker M, Brunke M, Preussel K, Lippert I and Döhren H. 2004. Diversity and distribution of Microcystis (Cyanobacteria) oligopeptide chemotypes from natural communities studied by single-colony mass spectrometry. Microbiology 150 (6): 1785-1796.
En el proyecto de maestría que estoy desarrollando analizo la composición de especies de algas epilíticas, principalmente de cianobacterias y algunas clorofitas, que crecen formando biofilms. Por mencionar algo, estudio la composición de especies algales y la abundancia relativa de éstas en las muestras de crecimientos algales. Por esto, me pareció interesante este artículo, ya que me dio algunas ideas que puedo aplicar a este proyecto.
ReplyDeleteEn la literatura, se acepta que la presencia de algas depende primordialmente de factores ambientales, como la cantidad de luz y agua. Las interacciones entre las algas se suelen limitar a la competencia por recursos, y se plantea que hay nichos bien establecidos que explotan algunas algas en particular. Por lo que la mayoría de los trabajos de este tipo son principalmente de sistemática, dejando las interacciones entre los componentes bióticos en segundo plano.
Sin embargo, en lo que he observado en las muestras que he revisado para mi proyecto, es que algunas algas, como las cianobacterias filamentosas, podrían estar creando un microambiente donde otras algas hallan las condiciones apropiadas para sobrevivir y desarrollarse. Hasta ahora no había encontrado una metodología que pudiera aplicar para determinar qué tipo de interacción ecológica hay entre las algas, en este artículo de revisión se mencionan algunas bases para comenzar a hacerlo.
Dado que el estudio de las redes de interacciones microbianas está en sus fases iniciales, y aún no existen puntos de referencia aceptados, sería necesario explorar los alcances que tiene este enfoque ecológico y ponderar si la visión comúnmente aceptada en la ficología, donde los factores abióticos son fundamentales debe complementarse con el efecto que tienen las redes de interacciones.
Pero, una de las limitaciones que se presentan a este caso en particular es la dificultad de producir cultivos de algas como los que se encuentran en la naturaleza, ya que no todas las especies de algas crecen en condiciones de laboratorio. Además, en los cultivos algales se tienen que eliminar otros organismos, como invertebrados. Quizá, ambas circunstancias lleguen a afectar las redes que se desarrollan in vitro, y el modelo final se aleje de la realidad. La aproximación más adecuada podría seguir recurriendo a la revisión de muestras obtenidas en el campo, y considerarlas como fotografías instantáneas de las interacciones.
Alejandra Hernández Terán
ReplyDeleteEnsayo 2. MICROBIAL INTERACTIONS: FROM NETWORKS TO MODELS
Karoline Faust & Jeroen Raes
Los microorganismos en su ambiente no existen de una manera aislada, sino que llevan a cabo una serie de interacciones que están relacionadas con su función y con el papel que cumplen en el ecosistema. Estas interacciones pueden ser positivas, negativas o neutras, y la combinación de estas posibilidades permiten la clasificación en varios tipos de estas interacciones; tales como: mutualismo, comensalismo, amensalismo y competencia. En microorganismos, interacciones como el mutualismo pueden llegar a desarrollarse de manera compleja, como es el caso de los biofilms, tapetes microbianos y estromatolitos; las cuales son ecosistemas de varios organismos asociados que brindan protección a la colonia.
A la predicción de redes de asociaciones microbianas con datos de ausencia-presencia o abundancias se le conoce como “Inferencia de Redes”, en microorganismos, estas parten de la premisa de que las interacciones mencionadas anteriormente no son azarosas, sino que dependen de patrones ecológicos, por lo que es posible predecir tipos de relaciones, alteraciones en la comunidad producto de perturbación, entre otras cosas. Las redes pueden inferirse mediante dos métodos básicos; el primero, es en patrones basados en similitud en el que se evalúan la co-ocurrencia y los patrones de exclusión de dos especies, para después, seleccionar las relaciones significativas y armar con estas una red de interacción. El segundo se basa en las abundancias, y dicta que la abundancia de una especie se puede predecir por las abundancias combinadas de otros organismos. Así, el objetivo de la inferencia de redes es identificar combinaciones de microorganismos que muestren patrones significativos de co-presencia o exclusión. Además, en estas redes existen nodos que interconectan de manera importante toda la red, y que de no estar presentes se pierde estabilidad, estas especies “hub” pudieran ser equivalente a lo que en macro ecosistemas conocemos como “especie clave”, que resultan indispensables para la funcionalidad y estabilidad de estos.
Las unidades taxonómicas con las que se trabaja en estas herramientas son generalmente producto de técnicas de secuenciación modernas, con las cuáles es posible el estudio de metagenomas; dada la complejidad en el entendimiento de estos resultados, no se permite trabajar con un gran número de muestra, además que, si bien estas técnicas permiten el análisis de una mayor cantidad de información, el tamaño de secuencia que arrojan es pequeño, por lo que es difícil poder llegar a identificar a nivel de especie, e incluso de género. Uno de los más importantes “pitfalls” como menciona el artículo, es la interpretación de las interacciones arrojadas por las redes, un ejemplo claro es cuando inferimos que el hecho de que dos especies se encuentren juntas significa una relación de mutualismo, cuando podría también significar que ambas tienen los mismos requerimientos de nicho. Entonces, poder llegar a un nivel más fino de interpretación en la inferencia de redes es vital, para que estas herramientas logren tener el impacto adecuado en la búsqueda del conocimiento y entendimiento de la dinámica de las interacciones microbianas.
Luisa Sandner
ReplyDeleteMicrobial Interactions: from networks to models
K Faust y J Raes
En este ensayo los autores describen brevemente las diferentes interacciones entre los microorganismos que forman redes ecológicas complejas. Modelos de estas interacciones se han hecho usando interacciones entre un par de microorganismos entre varios microorganismos, volviéndose cada vez más complejos matemáticamente a medida que se van añadiendo elementos.
Las posibles combinaciones de resultados positivos, negativos o neutros nos permiten clasificar las interacciones en: mutualismo (+,+) por ejemplo formación de biofilms, parásito-hospedero (+,-), amensalismo (0,+) y competencia (-,-). Detectar e investigar los diferentes tipos de interacciones en los ecosistemas microbianos y crear modelos que los expliquen es crucial para predecir los efectos de las perturbaciones en las comunidades microbianas y sus efectos globales.
De datos de abundancia a modelos de comunidad
Las comunidades microbianas se pueden monitorear mediante varias técnicas, desde citometría hasta metagenómica. Un vez que se tienen los datos de abundancia el siguiente paso es inferir las interacciones que hay entre los microorganismos detectados en esa comunidad bajo la premisa de que los patrones de distribución no azarosa se deben a razones ecológicas. La predicción de redes de asociación microbiana a partir de datos de presencia-ausencia o abundancia se conoce como inferencia de redes (Network Inference). Existen dos tipos de inferencias de redes, las que usan las relaciones entre un par de organismos (similarity-based network) y las que se basan en relaciones complejas., regresión y “ruled-based network”. La inferencia de redes tiene la ventaja de que permite incorporar variables ambientales en los modelos.
Modelos dinámicos
Estos modelos se podrían considerar estáticos, que tan solo nos dan una visión fotográfica de las interacciones de la comunidad en un tiempo dado, pero con los datos de metagenómica en el tiempo (Metagenomic Time Series Data) se abre la posibilidad de hacer modelos dinámicos con los que se pueden hacer inferencias bastante confiables sobre la estabilidad de la comunidad, los estados alternativos estables y sobre la sucesión microbiana. Los autores citan varios ejemplos en los que se han aplicado estos modelos dinámicos: inferir el impacto de la remoción o invasión de especies en una comunidad, por ejemplo en la comunidad del intestino humano cuando se usan pro-bióticos; inferir los estados alternantes estables en la comunidad intestinal y vaginal; inferir la dinámica de la sucesión en las comunidades microbianas que forman la placa dental, el plancton en las diferentes estaciones climáticas y el de los enterotipos en el intestino del recién nacido hasta la colonización total.
Problemas de la inferencia de redes
Estos modelos tienen varios problemas, entre ellos cómo se va a hacer el muestreo inicial de la abundancia, el tipo de medición de distancia en la distribución de los microorganismos que se va a usar para hacer el modelo también puede introducir errores, y finalmente la interpretación.