(1)目标是理解在自然生态系统中，与植物共生的微生物群落（微生物组）如何能够抵御有害病原体（如导致疾病的细菌或真菌）的入侵。这是一个重要但尚未完全解决的难题。

(2)计算模型： 为微生物群落中的每一种细菌建立了精细的基因组尺度代谢模型。这个模型就像该菌株的“数字代谢地图”，包含了它如何利用不同营养物质（底物）来生长和产生各种代谢物的全部潜力。研究特别纳入了48种常见的营养利用模式，使模型非常全面。实验验证： 不仅在实验室培养皿（体外）中，更在真实的植物体内（体内），用人工构建的简化微生物群落（合成群落）进行实验，来测试和验证模型的预测。

(3)结果：营养竞争是关键： 模型推断出的微生物之间为营养物质（底物）而发生的营养相互作用，能够准确预测在不同群落组合和不同营养环境下，病原体能否成功入侵。“交叉饲喂”是隐藏王牌： 研究最重要的发现是，仅仅看谁抢“食物”（底物）快还不够。本地微生物群落内部成员之间相互“投喂”的代谢产物（交叉饲养），对于抵抗入侵起到了至关重要、但此前常被忽视的作用。

(4)这些由本地微生物产生并被其他本地成员利用的代谢物，创造了一个对“自己人”（本地物种）更有利的微环境，而外来病原体很难融入和利用这个网络，从而被有效地排除在外。这就像本地居民有自己内部流通的“专用货币”或“内部供应链”，外来者无法使用，因而难以立足

摘要

（1）Understanding how plant-associated microbiomes resist phytopathogen invasion remains a key challenge in natural ecosystems 在自然生态系统中，理解植物相关微生物群如何抵抗植物病原体入侵仍然是一个关键的挑战.

（2）Here we combined genome-scale metabolic models with synthetic community experiments, both in vitro and in planta, to unravel the mechanisms driving pathogen suppression. 在这里，我们将基因组规模的代谢模型与体外和体内的合成社区实验相结合，以揭示驱动病原体抑制的机制。

（3）We developed curated genome-scale models for each strain, incorporating 48 common resource utilization profiles to fully capture their metabolic capacities. 我们为每种菌株开发了精选的基因组规模模型，纳入了48种常见的资源利用模式，以充分捕捉它们的代谢能力。  

（4）Trophic interactions inferred from models effectively predicted pathogen invasion outcomes across diverse microbial communities and nutrient environments. 从模型中推断的营养相互作用有效地预测了不同微生物群落和营养环境中病原体入侵的结果。

（5）Importantly, considering both substrate and metabolite features provided a more holistic understanding of pathogen suppression. In particular, cross-feeding metabolites within the native community emerged as crucial yet often overlooked predictors of community resistance, disproportionally favouring native species over invaders. 重要的是，考虑底物和代谢物特征提供了对病原体抑制的更全面的理解。特别是，本地群落中的交叉摄食代谢物成为群落抗性的重要但经常被忽视的预测因子，不成比例地偏向本地物种而不是入侵者。

（6）This study lays the foundation for designing disease-resistant microbiomes, with broad implications for mitigating pathogen exposure in diverse environments. 这项研究为设计抗病微生物组奠定了基础，对减轻不同环境中的病原体暴露具有广泛的意义。

（7）Result

（8）In silico simulation of pathogen invasion and metabolic features 病原体入侵和代谢特征的计算机模拟

如何结合计算模型与实验来验证“底物利用和交叉饲养协同决定抗性”这一思想。

a 图：底物利用和代谢物分泌。背景： 植物根部会释放大量碳源底物，吸引本地微生物和病原体。传统认知： 本地群落可以通过营养竞争（争夺底物）来抑制入侵的病原体。知识空白： 但微生物分泌的代谢物在抑制病原体中的作用尚不明确。本研究假设：综合考虑底物和代谢物特征，能更全面地理解病害抑制机制。微生物交叉饲养（一个菌的代谢废物成为另一个菌的食物）这个未被充分研究的因素，可能在增强群落抗性中起关键作用。图解分析：图左侧展示了两个潜在的“武器库”：底物特征： 与营养竞争相关的指标，例如：生态位重叠： 本地菌与病原体对相同营养的需求重叠度。重叠度越高，竞争越激烈。连接度/嵌套性： 描述群落成员利用多种不同资源模式的复杂网络结构。代谢物特征： 核心是 “交叉饲养代谢物” ，即群落内部交换的代谢产物网络。图右侧表示，将这两类特征整合在一起，可以为病害抑制提供一个更全面的机制解释。小结a图： 它提出了一个超越单纯“抢食物”竞争的新视角，强调群落内部通过代谢物“互相投喂”形成的紧密合作网络，可能是抵御外敌的重要防线。

b 图：实验与计算结合的工作流程，此图展示了验证上述假设的具体技术路线，是一个“假设-预测-验证”的完整闭环。1. 计算阶段：输入： 从完整基因组数据开始。 建模： 构建精选的基因组尺度代谢模型（为病原体和每个本地菌株建立“数字代谢地图”）。 模拟： 进行计算机模拟。利用通量平衡分析等方法，模拟在不同碳源环境下，病原体入侵不同本地群落的场景。预测输出： 计算模拟可以预测两项关键结果： (1) 群落对病原体的抗性（入侵成功与否）。(2) 相应的底物和代谢物特征（即a图中提到的生态位重叠、连接度、交叉饲养、嵌套性等指标）。2. 实验验证阶段： 体外实验： 在实验室培养皿（in vitro）中，用真实的细菌和碳源进行病原体入侵实验，验证计算的预测。体内实验： 在活体植物上（in planta）进行更接近自然条件的实验，为整个机制提供最终、最有力的验证。小结b图： 它展示了一个严谨的系统生物学研究范式：从基因组数据出发 → 建立预测模型 → 在体外和体内实验中双重验证预测 → 最终揭示生物学机制。

如何构建和验证用于预测病原体入侵结果的代谢模型，并首次揭示了交叉饲养代谢物这一关键预测因子。a 图：实验碳源利用谱，目的： 获取每种菌株真实的代谢能力数据，作为后续构建精准模型的“黄金标准”。内容： 热图显示了研究中所有菌株（包括本地微生物和病原体）对48种常见根际碳源的利用情况。每一行代表一个菌株。每一列代表一种碳源（如葡萄糖、柠檬酸等）。灰色格子： 表示该菌株能利用该碳源生长。白色格子： 表示不能利用。b 图：模型优化效果验证，目的： 证明使用实验数据进行模型优化（人工整理） 的必要性。对比：仅基于基因组的模型： 只根据基因组注释预测代谢能力，可能存在误差（如基因功能注释错误或缺失）。优化后的模型： 使用a图的实验数据对基因组模型进行“缺口填补”，修正预测错误，使模型更符合菌株的真实情况。结果： 箱线图清晰显示，优化后模型预测碳源利用的准确率显著高于仅基于基因组的模型（P=0.004）。意义： 验证了本研究构建的代谢模型高度可靠，为后续的精准模拟和预测打下了坚实基础。没有准确的模型，所有预测都将是空中楼阁。c 图：病原体入侵结果的预测准确性。目的： 检验代谢模型是否能准确预测真实的病原体入侵结局。内容： 热图显示了在20种随机碳源组合环境下，对31个合成群落抵抗病原体入侵能力的预测准确度矩阵。每一行代表一个合成群落，并按物种丰富度分组（Div）。每一列代表一种碳源环境组合。颜色： 表示预测准确性。预测越准确，颜色越深（或根据色标，越偏向某一端）。预测结果通过与实验观察的共培养 vs. 纯培养的病原体生长比较来推断。意义： 这张图首次证明，基于代谢模型的计算机模拟，能够可靠地预测在不同群落组成和不同营养环境下病原体能否成功入侵。这是将理论模型与实际生物现象连接起来的关键一步。d 图：底物特征预测的验证，目的： 验证模型计算的底物竞争相关指标（即a图中的“底物特征”）是否与实际观察值相符。内容： 三个散点图分别展示了三个关键竞争指标的预测值 vs. 观测值线性回归。生态位重叠，连接度，嵌套性。结果： 所有三个指标都表现出极显著的线性相关（P值均小于0.001），且预测值与观测值高度吻合（点沿对角线分布）。 它证明模型不仅能预测入侵结果，还能精准量化驱动这些结果的底层机制——即微生物之间的营养竞争网络结构。这为解释“为什么”某些群落能抵抗入侵提供了可测量的依据。e 图：交叉饲养代谢物的预测，揭示并量化此前被忽视的代谢物合作维度（即a图中的“代谢物特征”）。 箱线图比较了在入侵实验相同的条件下，模型预测的三种代谢物数量：总产代谢物： 群落产生的所有代谢物。胞外代谢物： 分泌到环境中的代谢物。交叉饲养代谢物： 关键指标，指能被群落中至少另一个成员作为营养利用的胞外代谢物（即内部循环的“专用货币”）。重要条件： 只分析了物种数>1的群落，因为交叉饲养至少需要两个成员。 图展示了在不同条件下，群落能产生多少潜在的交叉饲养代谢物。其数量级和变化范围本身就蕴含重要信息（例如，抗性强的群落是否拥有更丰富的交叉饲养网络？）。意义： 这是本研究最核心的发现之一。它首次将 “交叉饲养潜力” 作为一个可计算、可量化的特征从模型中提取出来，并将其置于与“营养竞争”同等重要的分析框架中，为理解群落稳定性提供了全新视角。

（9）Considering both substrate and metabolite features improves explanation of pathogen suppression 考虑底物和代谢物的特征改进了对病原体抑制的解释

证明了同时考虑底物（竞争）和代谢物（合作）特征对于解释病原体抑制具有关键性提升。

a 图：代谢物数量与病原体密度的关系， 检验在体外实验中，模型预测的代谢物特征（特别是交叉饲养）是否与实际的病原体抑制效果相关。三个散点图分别展示了三种预测代谢物数量与实测病原体密度之间的线性回归关系。总产代谢物，胞外代谢物，交叉饲养代谢物。横坐标： 代谢物数量（20种不同碳源环境下的平均值）。纵坐标： 测得的病原体密度。密度越低，表示抑制效果越好。趋势线： 三条线均呈现负相关趋势（斜率为负）。一个群落预测能产生的交叉饲养代谢物越多，其环境中病原体的最终密度就越低，即抑制效果越强。这种负相关关系在三种代谢物中都存在，但后续将看到，交叉饲养代谢物的关联最为显著。b 图：代谢物数量与疾病严重程度的关系，在更复杂、更真实的植物体内实验中，验证代谢物特征（特别是交叉饲养）是否能预测实际的病害发生情况。纵坐标： 萎蔫植物数量。数量越多，表示病害越严重，群落的保护能力越差。证明了模型预测的交叉饲养潜力不仅在培养皿中有效，更能直接转化到植物健康这一最终农业和生态指标上。它将微观的代谢互作与宏观的病害表型直接联系起来。c 图：不同模型解释力的比较，目的： 量化并对比综合考虑底物与代谢物特征的新框架，相对于传统或部分解释框架，在解释病原体抑制现象上的优越性。柱状图比较了四个不同广义线性模型的解释力。对比模型：仅群落多样性： 只用物种数量或组成来解释（传统生态学简化视角）。仅底物特征： 只用营养竞争指标（生态位重叠等）来解释（主流代谢竞争视角）。仅交叉饲养： 只用交叉饲养代谢物数量来解释（本研究强调的新视角）。底物特征 + 交叉饲养： 本研究的整合框架，同时考虑竞争与合作。结果度量： 纵坐标为R²值，代表模型能解释的病原体抑制结果变异的比例。R²越高，解释力越强。 将疾病进程分解为早、中、晚三个阶段。

（10） Mechanism of cross-feeding metabolites in pathogen suppression 交叉摄食代谢物抑制病原菌的机制

a 图：交叉饲养代谢物对病原体生长的直接影响。直接测试交叉饲养代谢物与非交叉饲养代谢物对病原体生长影响的差异。 通过计算机模拟和体外实验，比较在环境中添加两类不同代谢物时，病原体的相对生长量。实验组： 添加交叉饲养代谢物。对照组： 添加非交叉饲养代谢物。关键指标： 相对病原体生长量（病原体生长量 / 本地群落生长量）。这个比值越低，表示本地群落相对于病原体的竞争优势越大，抑制效果越好。无论是计算机模拟（in silico）还是体外实验（in vitro），结果都高度一致。当添加交叉饲养代谢物时，病原体的相对生长量显著低于添加非交叉饲养代谢物时。b 图：作用机制示意图， 病原体在利用本地群落内部交换的交叉饲养代谢物方面效率较低；而这些代谢物却能有效促进本地物种的生长。左侧：本地物种（蓝色）之间高效地进行着交叉饲养（双向箭头），形成一个互惠网络。右侧：病原体（红色）试图入侵。它既无法有效“窃听”或利用本地物种间交换的专用代谢物（虚线箭头表示利用率低），也无法融入这个生产-消费循环。交叉饲养代谢物为本地群落提供了选择性的生长优势，从而将病原体排除在外。c 图：代谢物对病原体和本地群落的差异效应 拆解并验证b图提出的机制，分别观察同一批交叉饲养代谢物对病原体单独生长和本地群落单独生长的影响。上半部分（Pathogen alone）： 病原体在纯培养条件下，分别添加交叉饲养代谢物 vs. 非交叉饲养代谢物。比较其最终密度。下半部分（SynCom alone）： 本地合成群落在纯培养条件下，进行同样的比较。对病原体： 添加交叉饲养代谢物时，其生长密度显著低于添加非交叉饲养代谢物时（P值极显著）。这说明病原体不善利用甚至可能受其抑制。对本地群落： 添加交叉饲养代谢物时，其生长密度显著高于添加非交叉饲养代谢物时（P=0.009）。这说明本地群落能高效利用这些代谢物促进自身生长。意义： 这是机制验证的终极证据。它证实了交叉饲养代谢物发挥着 “双重作用”：对敌人（病原体）： 是一种低质量营养源或抑制信号，限制其增长。对自己人（本地群落）： 是一种高质量营养源或生长信号，促进其繁荣。这种差异化的效应正是交叉饲养网络能够稳定群落、抵抗入侵的根本原因。

cross-feeding metabolites