Kredit:Subham Choudhury
Metabolism är avgörande för alla levande organismer, och att modellera de kemiska reaktionerna som upprätthåller liv är ingen lätt uppgift. Nu har EPFL-forskare släppt REKINDLE, en djupinlärningsprocess som banar väg för mer effektiv och exakt modellering av metaboliska processer.
Hur en organism metaboliserar näringsämnen är en komplex process. I litteraturen kan processen modelleras av en uppsättning matematiska ekvationer med parametrar som är specifika för varje organism.
Parametrarna man skulle mäta för en människa skulle skilja sig från de för en mus, bakterier, jäst eller någon levande organism som studeras. Om vi hade tillgång till dessa parametrar för en given levande organism skulle dess motsvarande modell vara komplett, den skulle matcha observationer i verkligheten, och in silicostudier skulle vara möjliga för bättre design av in vitro- och in vivo-studier.
På en praktisk nivå är det dock en komplicerad fråga att fastställa dessa parametrar, på grund av bristen på experimentella data. Vanligtvis kräver forskare stora mängder experimentell data och beräkningsresurser för att bestämma dessa parametrar. Men tänk om man kunde kringgå behovet av omfattande data och ändå ta fram en modell som motsvarar experimentell observation och mätning? EPFL-forskare föreslår just det med REKINDLE, ett djupinlärningsbaserat beräkningsramverk som återger de dynamiska metaboliska egenskaper som observeras i celler. Resultaten publiceras i Nature Machine Intelligence .
"REKINDLE kommer att tillåta forskarvärlden att minska beräkningsansträngningar för att generera kinetiska modeller med flera storleksordningar. Det kommer också att hjälpa till att postulera nya hypoteser genom att integrera biokemiska data i dessa modeller, belysa experimentella observationer och styra nya terapeutiska upptäckter och biotekniska konstruktioner, " säger Ljubisa Miskovic från EPFL:s Laboratory of Computational Systems Biotechnology och co-PI i studien.
"Det övergripande syftet med metabolisk modellering är att beskriva det cellulära metaboliska beteendet i en sådan grad att förståelse och förutsägelse av effekterna av variationer i cellulära tillstånd och miljöförhållanden på ett tillförlitligt sätt kan testas för ett brett spektrum av studier inom hälsa, bioteknik och system och syntetisk biologi", förklarar Subham Choudhury, första författare till studien. "Vi hoppas att REKINDLE underlättar byggandet av metabola modeller för det bredare samhället."
Metoden har direkta biotekniska tillämpningar eftersom kinetiska modeller är viktiga verktyg för olika studier, inklusive bioproduktion, läkemedelsinriktning, mikrobiominteraktioner och bioremediering.
EPFL-forskarna är särskilt angelägna om hur REKINDLE kan användas för att optimera det metaboliska nätverket av mikrober för att producera kemiska föreningar i industriell skala, t.ex. genom att ersätta den traditionella petrokemiska industrin med cellbaserade fabriker.
En stor utmaning som förhindrar den utbredda användningen av kinetisk modellering i forskarvärlden är de omfattande beräkningskraven och bristen på standardiserad beräkningsprogramvara. EPFL-forskarna hoppas att deras djupinlärningsbaserade ramverk kommer att förena ansträngningarna i forskarsamhället.
"REKINDLE använder standard, allmänt använda Python-bibliotek som gör det tillgängligt och lätt att använda", fortsätter Choudhury. "Vårt huvudmål med den här studien är att bana väg för att göra den här typen av modelleringsinsatser öppen källkod och tillgängliga så att alla inom syntetiska och systembiologiska gemenskaper kan använda dem för sina egna forskningsmål, oavsett vad de kan vara." + Utforska vidare
