8 MICOM

MICOM 是一个用于微生物群落代谢建模的 Python 包，由系统生物学研究所的Gibbons实验室和墨西哥国家基因医学研究所Osbaldo Resendis Antonio教授的人类系统生物学小组开发。

MICOM 允许你从输入的COBRA模型列表中构建一个群落模型，并管理个体之间以及个体与环境之间的交换通量。它明确考虑了群落中不同个体的丰度，因此可以结合16S扩增子测序或宏基因组实验的数据。它允许使用各种算法进行优化，模拟自私的生长速率最大化与合作目标之间的权衡。

(Diener, Gibbons, and Resendis-Antonio 2020)

workflow: https://micom-dev.github.io/micom/high_level.html

8.1 输入数据

要开始为所有样本构建群落模型，你需要向 MICOM 提供数据。MICOM 倾向于将所有样本的分类和丰度数据存储在单个 tidy DataFrame 中。在这里，每个样本中的每个物种都是一行，提供其分类和丰度信息。这听起来可能有点令人困惑，但通过查看示例就会变得非常清晰。MICOM 可以生成一个简单的示例 DataFrame 供我们参考。

To start building community models for all your samples you will need to provide your data to MICOM. MICOM prefers to have the taxonomy and abundances for all samples in a single tidy DataFrame. Here each taxon in each sample is a row which provides its taxonomy and abundance. This may sound a bit confusing but should become pretty clear when looking at an example. MICOM can generate a simple example DataFrame which we can use as guidance.

from micom.data import test_data

data = test_data()
data

	id	genus	species	reactions	metabolites	sample_id	abundance
0	Escherichia_coli_1	Escherichia	Escherichia coli 0	95	72	sample_1	12
1	Escherichia_coli_2	Escherichia	Escherichia coli 1	95	72	sample_1	754
2	Escherichia_coli_3	Escherichia	Escherichia coli 2	95	72	sample_1	822
3	Escherichia_coli_4	Escherichia	Escherichia coli 3	95	72	sample_1	109
0	Escherichia_coli_1	Escherichia	Escherichia coli 0	95	72	sample_2	600
1	Escherichia_coli_2	Escherichia	Escherichia coli 1	95	72	sample_2	141
2	Escherichia_coli_3	Escherichia	Escherichia coli 2	95	72	sample_2	827
3	Escherichia_coli_4	Escherichia	Escherichia coli 3	95	72	sample_2	729
0	Escherichia_coli_1	Escherichia	Escherichia coli 0	95	72	sample_3	944
1	Escherichia_coli_2	Escherichia	Escherichia coli 1	95	72	sample_3	429
2	Escherichia_coli_3	Escherichia	Escherichia coli 2	95	72	sample_3	201
3	Escherichia_coli_4	Escherichia	Escherichia coli 3	95	72	sample_3	373
0	Escherichia_coli_1	Escherichia	Escherichia coli 0	95	72	sample_4	688
1	Escherichia_coli_2	Escherichia	Escherichia coli 1	95	72	sample_4	68
2	Escherichia_coli_3	Escherichia	Escherichia coli 2	95	72	sample_4	474
3	Escherichia_coli_4	Escherichia	Escherichia coli 3	95	72	sample_4	190

这是一个非常简单的示例，其中每个样本包含 4 种不同的 E. coli 物种，随机丰度。因此，每个样本在这个 DataFrame 中有 4 行。DataFrame 还包含其他列，唯一需要提供的列是 “id”、“sample_id”、“abundance” 和提供摘要分类的一列，这里为 “species”。

请注意，这里我们还有一个额外的列“genus”。你需要提供的最小分类信息仅仅是与你使用的数据库匹配的分类等级名称。因此，如果你使用的是属级数据库，你就需要一个”genus”列。在本例中，我们将使用物种级数据库，所以必须提供”species”列。如果有来自集合{"kingdom", "phylum", "class", "order", "family", "genus", "species"}的任何额外列，这些列将用于使数据库映射更加严格。例如，在这里我们提供了一个“genus”列，这意味着只有当数据和模型数据库中的分类单元具有相同的属和种时，模型才会被视为”匹配”。

因此，在传递给 MICOM 的数据中包含的分类等级列越多，MICOM 匹配到参考数据库的严格性就越高。这可以用来规避匹配不良的分类等级。

8.1.1 Building community models

要为每个样本构建一个群落模型，你需要提供上述的丰度表和模型数据库。通常我们推荐使用一个预构建的 MICOM 数据库，可以从 https://doi.org/10.5281/zenodo.3755182 获取。此外，你也可以创建你自己的数据库。

对于我们的示例，我们有一个与 MICOM 捆绑在一起的定制物种级数据库。有了丰度表和数据库，你现在可以开始构建你的模型，提供一个文件夹，用于存储组装的群落模型。

from micom.data import test_db
from micom.workflows import build

manifest = build(data, out_folder="models", model_db=test_db, cutoff=0.0001, threads=2)

这将还允许你使用 cutoff 参数指定一个相对丰度截止值，以包括在模型中的分类单元。默认情况下，只包括丰度至少为样本的 0.01% 的分类单元。模型构建将自动并行化到多个 CPU 上，并且应该使用 threads 参数设置的 CPU 核心数。如果任何样本的丰度小于 50%，工作流将警告你。由于我们的数据是随机的，这里可能发生了这种情况。

build 工作流将返回一个模型清单:

manifest