Surrogate modeling of interactions in microbial communities through Physics-Informed Neural Networks^*

¹ Institut Denis Poisson, UMR 7013 Université d’Orléans et CNRS
² Université Paris-Saclay, INRAE, MaIAGE, 78350, Jouy-en-Josas, France
³ INRIA Paris and Laboratoire Jacques-Louis Lions UMR 7598 Sorbonne Université, France Department of Mathematics and Statistics, University of Konstanz, Germany
⁴ Institut de Recherche Mathématique Avancée, UMR 7501 Université de Strasbourg et CNRS

Abstract

Microorganisms form complex communities known as microbiota, influencing various aspects of host well-being. The Generalized Lotka-Volterra (GLV) model is commonly used to understand microorganism population dynamics, but its application to the microbiota faces challenges due to limited bacterial data and complex interactions. This preliminary work focuses on using a Physics-Informed Neural Network (PINN) and synthetic data to build a surrogate model of bacterial species evolution driven by a GLV model. The approach is calibrated and tested on several models differing in size and dynamic behavior.

Résumé

Les micro-organismes forment des communautés complexes, des microbiotes, qui influencent divers aspects de la santé de leur hôte. Le modèle de Lotka-Volterra généralisé (GLV) est couramment utilisé pour comprendre la dynamique des populations de micro-organismes, mais son application au microbiote se heurte à des difficultés dues au manque de données sur les bactéries et à la complexité des interactions. Ce travail so préliminaire se concentre sur l’utilisation d’un Physics-Informed Neural Network (PINN) et de données synthétiques pour construire un modèle approché de l’évolution d’espèces bactériennes décrite par un modèle GLV. Cette approche est calibrée et testée sur plusieurs modèles qui diffèrent par leur taille et leur comportement dynamique.