Global dynamics of microbial communities emerge from local interaction rules
Notice bibliographique
Résumé
Abstract Interactions between cells drive biological processes across all of life, from microbes in the environment to cells in multicellular organisms. Interactions often arise in spatially structured settings, where cells mostly interact with their neighbors. A central question is how local interactions shape the properties of biological systems. This question is very relevant in the context of microbial communities, such as biofilms, where cells live close by in space and are connected via a dense network of biochemical interactions. To understand and control the functioning of these communities, it is essential to uncover how community-level properties, such as the community composition, spatial arrangement, and growth rate, arise from these interactions. Here, we develop a mathematical framework that can predict community-level properties from the molecular mechanisms underlying the cell-cell interactions for systems consisting of two cell types. Our predictions can qualitatively reproduce measurements from an experimental cross-feeding community. For these cross-feeding communities, the community growth rate is reduced when cells interact only with few neighbors; as a result, some communities can co-exist in a well-mixed system, where cells can interact with all other cells, but not in systems where cells can interact only with close by neighbors. In general, our framework shows that key molecular parameters underlying the cell-cell interactions (e.g. the uptake and leakage rates of molecules) determine community-level properties. Our framework can be extended to a variety of systems of two interacting cell types, within and beyond the microbial world, and contributes to our understanding of how community-level dynamics and biological functions emerge from microscopic interactions between single cells.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».