Alt levende kræver stofskifte. Den måde en organisme omsætter næringsstoffer på er en kompleks proces, og det er en vanskelig udfordring at simulere de kemiske processer, der holder livet i gang.
Teoretisk kan proceduren repræsenteres af matematiske ligninger med parametre, der er specifikke for hver organisme. Men praktisk at bestemme disse parametre er imidlertid en kompliceret sag på grund af manglen på eksperimentelle data.
Forskere har generelt brug for en masse eksperimentelle data og processorkraft for at finde disse parametre. EPFL forskere foreslog en dyb læringsbaseret beregningsramme, der reproducerer de dynamiske metaboliske egenskaber observeret i celler. Rammerne kaldet REKINDLE kunne bane vejen for mere effektiv og præcis modellering af metaboliske processer.
Ljubisa Miskovic fra EPFL's Laboratory of Computational Systems Biotechnology og co-PI i undersøgelsen sagde, "REKINDLE vil give forskersamfundet mulighed for at reducere beregningsmæssig indsats i at generere kinetiske modeller i flere størrelsesordener. Det vil også hjælpe med at postulere nye hypoteser ved at integrere biokemiske data i disse modeller, belyse eksperimentelle observationer og styre nye terapeutiske opdagelser og bioteknologiske designs."
Subham Choudhury, den første forfatter til undersøgelsen, sagde, "Det overordnede formål med metabolisk modellering er at beskrive cellulær metabolisk adfærd i en sådan grad, at forståelse og forudsigelse af virkningerne af variationer i cellulære tilstande og miljøforhold pålideligt kan testes for en bred vifte af undersøgelser inden for sundhed, bioteknologi og systemer og syntetisk biologi. Vi håber, at REKINDLE letter opbygningen af metaboliske modeller for det bredere samfund."
Teknikken har direkte bioteknologiske anvendelser, fordi kinetiske modeller er afgørende for adskillige undersøgelser, herunder dem om bioproduktion, lægemiddelmålretning, interaktioner mellem mikrober og bioremediering.
choudhury sagde, “REKINDLE bruger standard, udbredte Python-biblioteker, der gør det tilgængeligt og nemt at bruge. Vores hovedmål med denne undersøgelse er at bane vejen for at gøre denne form for modelleringsindsats open source og tilgængelig, så alle i de syntetiske og systembiologiske samfund kan bruge dem til deres eget forskningsmål, hvad end de måtte være."
Journal Reference:
- Choudhury, S., Moret, M., Salvy, P. et al. Rekonstruktion af kinetiske modeller for dynamiske undersøgelser af stofskifte ved hjælp af generative kontradiktoriske netværk. Nat Mach Intell 4, 710-719 (2022). DOI: 10.1038 / s42256-022-00519-y
