Społeczności biologiczne są w ciągłym ruchu. Skład gatunkowy zmienia się, czasem dramatycznie, w miarę reagowania ekosystemów na presję środowiskową. Przewidywanie tych zmian ma kluczowe znaczenie dla zrozumienia dynamiki ekologicznej, zarówno w systemach naturalnych, takich jak plankton oceaniczny, jak i w środowiskach inżynieryjnych, takich jak mikroflora jelitowa człowieka lub procesy biotechnologiczne. Obecnie nowy model mechanistyczny, szeroko przetestowany na algach słodkowodnych, wykazuje niezwykłą zdolność przewidywania ewolucji społeczności biologicznych.
Potęga modelowania mechanicznego
Tradycyjne modele ekologiczne często opierają się na korelacjach statystycznych, które mogą być zawodne. Z kolei modele mechanistyczne opierają się na podstawowych zasadach biologicznych – na tym, jak gatunki wchodzą w interakcje, rywalizują o zasoby i ostatecznie współistnieją lub wymierają. Podejście to daje możliwość dokładniejszych przewidywań. Naukowcy z Uniwersytetu w Konstancji potwierdzili tę obietnicę, stosując rozszerzony model zasobów konsumenta, publikując swoje wyniki w Nature Communications.
Zespół udoskonalił istniejące zasady regulujące współistnienie gatunków, potwierdzając wysoką moc predykcyjną swojego modelu. Konsekwencje tego są szerokie: od przewidywania przyszłości naturalnych ekosystemów po wpływanie na rozwój sztucznie stworzonych zbiorowisk biologicznych.
Nowoczesne metody zapewniają rygorystyczne testy
Podstawy teoretyczne tych badań sięgają lat sześćdziesiątych XX wieku. Dlaczego kompleksowe potwierdzenie eksperymentalne stało się możliwe dopiero teraz? Odpowiedź leży w pojawieniu się wysokowydajnej automatyzacji laboratoriów.
„Poprzednie wysiłki zakończyły się pewnym sukcesem, ale naprawdę wszechstronne badania wymagały ogromnej liczby eksperymentów” – wyjaśnia Lutz Bex, profesor limnologii i główny autor badania. „Tylko dzięki nowoczesnemu sprzętowi byliśmy w stanie wykonać to w rozsądnym czasie”.
Pierwszym krokiem było określenie wymagań pokarmowych różnych gatunków glonów, co wymagało przeprowadzenia 864 eksperymentów wzrostowych. Każdą monokulturę przygotowano za pomocą systemu robotycznego, a liczenie glonów zautomatyzowano przy użyciu wysokowydajnego mikroskopu. W eksperymentach prowadzonych na społecznościach mieszanych sztuczna inteligencja pomogła zidentyfikować gatunki.
Sprawdzanie modelu: prognoza spotyka się z rzeczywistością
Dane uzyskane z tych eksperymentów wykorzystano do udoskonalenia istniejącego modelu, włączając wykorzystanie zasobów jako kluczowy parametr. Następnie badacze przeprowadzili 960 kolejnych eksperymentów, łącząc gatunki glonów w różnych warunkach żywieniowych. Przewidywania modelu porównano z obserwowanym rozwojem społeczności i wyniki były uderzające: model mechanistyczny dokładnie przewidział skład różnych społeczności.
Wyjaśnienie zasad ochrony środowiska
Naukowcy wykorzystali swój model także do przetestowania dwóch zasad ekologicznych sformułowanych przez biologa Davida Tillmana. Zasady te stanowią, że gatunki konkurujące o ograniczone zasoby albo współistnieją, albo konkurują ze sobą, w zależności od tego, czy są ograniczone różnymi zasobami i czy każdy gatunek zużywa więcej zasobów, które ograniczają jego wzrost.
Symulacje pokazały, że tylko pierwsza zasada – gatunki muszą ograniczać się do różnych zasobów – jest uniwersalna. Druga zasada – gatunki zużywają więcej zasobów ograniczających ich wzrost – ma zastosowanie tylko wtedy, gdy gatunki konkurują o zasoby wymienne, a nie niezbędne.
„Stosując tę zasadę, musimy zawsze rozróżniać te dwie klasy składników odżywczych” – wyjaśnia Zhijie Zhang, pierwszy autor badania.
Implikacje dla ochrony klimatu
Podejście opracowane w tym badaniu zostanie teraz zastosowane w projekcie skupiającym się na sekwestracji CO₂ przy użyciu fitoplanktonu. Celem tego projektu, wspieranego przez Vector Stiftung, jest wykorzystanie społeczności biologicznych do łagodzenia zmian klimatycznych.
Zdolność modelu do dokładnego przewidywania zmian w ekosystemach stanowi potężne narzędzie do zarządzania systemami biologicznymi i manipulowania nimi, zarówno w środowisku naturalnym, jak i w sztucznie tworzonych procesach biotechnologicznych. Badania te stanowią znaczący krok w kierunku bardziej przewidywalnego i kontrolowalnego zrozumienia dynamiki środowiska.
