Inférence des graines (seeds) dans les communautés microbiennes en interaction à l'aide de l'optimisation combinatoire

Abstract

Le comportement des micro-organismes et des communautés microbiennes peut être résumé à l'aide de modèles combinant une description de leurs capacités métaboliques sous forme de réseaux métaboliques et des paradigmes computationnels ou mathématiques appropriés qui intègrent en outre les conditions de simulation. L'un des principaux éléments de ces derniers est la composition de l'environnement ou du milieu de culture, que l'on peut qualifier de « graines ». La prédiction des graines à partir du réseau métabolique et d'un comportement attendu est un problème inverse qui peut être résolu à l'aide de la programmation linéaire ou de paradigmes logiques tels que la programmation par ensembles de réponses (ASP). Ici, nous formalisons la prédiction des graines pour les communautés microbiennes, en tenant compte du fait que leurs membres peuvent interagir positivement par le biais de transferts de métabolites, ce qui peut réduire le besoin de métabolites externes. Nous abordons le problème avec l'ASP et ajoutons un composant hybride garantissant la satisfiabilité des contraintes linéaires. Nous explorons l'heuristique de résolution de sous-ensembles minimaux du solveur Clingo et développons deux heuristiques soutenant la priorité des graines sur les transferts. Nous présentons une preuve de concept de l'inférence des graines dans les communautés à petite échelle et évaluons l'évolutivité des trois heuristiques à l'échelle du génome. Dans l'ensemble, nos travaux introduisent un modèle hybride logique-linéaire pour l'inférence des graines dans les communautés microbiennes en interaction, ainsi que de nouvelles heuristiques pour l'exploration de l'espace de solutions avec des optimisations de minimalité des sous-ensembles.