Accelerating metabolic models evaluation with statistical metamodels: application to Salmonella infection models

Abstract

Les modèles numériques et mathématiques sont de plus en plus utilisés en écologie microbienne pour modéliser le devenir de communautés microbiennes dans leur écosystème. Ces modèles permettent de coupler, dans des modèles mécanistiques, des informations à l’échelle de l’espèce microbienne, telles que le génome, avec des mécanismes à plus larges échelles, telles que des distributions spatiales ou des gradients de métabolites. De nombreux modèles sont construits à partir de modèles métaboliques qui prédisent le comportement métabolique d’un microbe en résolvant un problème d’optimisation basé sur son génome et son environnement nutritionnel. Cependant, l’analyse de la dynamique des communautés à l’aide de ces modèles métaboliques implique la résolution de ce problème d’optimisation par espèce à chaque pas de temps, ce qui entraîne une charge de calcul importante qui augmente encore de plusieurs ordres de grandeur lorsque des dimensions spatiales sont ajoutées. Dans cet article, nous proposons un cadre statistique basé sur des métamodèles RKHS (Reproducing Kernel Hilbert Space) qui sont utilisés pour fournir des approximations rapides du modèle métabolique original. Le métamodèle peut remplacer l’étape d’optimisation dans la dynamique du système, fournissant des résultats comparables à un coût de calcul beaucoup plus faible. Nous commencerons par construire un modèle de dynamique des systèmes d’un microbiote intestinal simplifié composé d’une souche bactérienne commensale unique en interaction avec l’hôte et confronté à une infection par Salmonella . Ensuite, la méthode d’apprentissage automatique sera présentée, basée sur la méthode ANOVA-RKHS qui permer de sélectionner des variables et d’assurer ainsi la parcimonie du modèle. Un ensemble de données d’entraînement sera construit avec le système dynamique original et les hyperparamètres seront soigneusement choisis pour fournir des approximations rapides et précises. Enfin, la précision de ces métamodèles sera évaluée, notamment en comparant les résultats du système dynamique lorsque le modèle original est remplacé par son métamodèle. Le métamodèle permet une erreur relative globale de 4.71% tout en réduisant la charge de calcul par un facteur d’accélération supérieur à 45, tout en reproduisant correctement le comportement complexe qui se produit pendant l’infection par Salmonella . Ces résultats fournissent une preuve de concept de la potentialité des méthodes d’apprentissage automatique pour donner des approximations rapides des sorties de modèles métaboliques et ouvrent la voie à des modèles spatio-temporels de communautés microbiennes basés sur les EDP, intégrant le métabolisme microbien et les interactions hôte-microbiote-pathogène.