Abstract Complex microbial interactions can lead to different colonization outcomes of exogenous species, be they pathogenic or beneficial in nature. Predicting the colonization of exogenous species in complex communities remains a fundamental challenge in microbial ecology, mainly due to our limited knowledge of the diverse physical, biochemical, and ecological processes governing microbial dynamics. Here, we proposed a data-driven approach independent of any dynamics model to predict colonization outcomes of exogenous species from the baseline compositions of microbial communities. We systematically validated this approach using synthetic data, finding that machine learning models (including Random Forest and neural ODE) can predict not only the binary colonization outcome but also the post-invasion steady-state abundance of the invading species. Then we conducted colonization experiments for two commensal gut bacteria species Enterococcus faecium and Akkermansia muciniphila in hundreds of human stool-derived in vitro microbial communities, confirming that the data-driven approach can successfully predict the colonization outcomes. Furthermore, we found that while most resident species were predicted to have a weak negative impact on the colonization of exogenous species, strongly interacting species could significantly alter the colonization outcomes, e.g., the presence of Enterococcus faecalis inhibits the invasion of E. faecium . The presented results suggest that the data-driven approach is a powerful tool to inform the ecology and management of complex microbial communities.

ABSTRACT Quantifying the contributions of possible environmental sources (“sources”) to a specific microbial community (“sink”) is a classical problem in microbiology known as microbial source tracking (MST). Solving the MST problem will not only help us understand how microbial communities were formed, but also have far-reaching applications in pollution control, public health, and forensics. Numerous computational methods, referred to as MST solvers hereafter, have been developed in the past and applied to various real datasets to demonstrate their utility across different contexts. Yet, those MST solvers do not consider microbial interactions and priority effects in microbial communities. Here, we revisit the performance of several representative MST solvers. We show compelling evidence that solving the MST problem using existing MST solvers is impractical when ecological dynamics plays a role in community assembly. In particular, we clearly demonstrate that the presence of either microbial interactions or priority effects will render the MST problem mathematically unsolvable for any MST solver. We further analyze data from fecal microbiota transplantation studies, finding that the state-of-the-art MST solvers fail to identify donors for most of the recipients. Finally, we perform community coalescence experiments to demonstrate that the state-of-the-art MST solvers fail to identify the sources for most of the sinks. Our findings suggest that ecological dynamics imposes fundamental challenges in solving the MST problem using computational approaches.