Semua makhluk hidup membutuhkan metabolisme. Cara organisme memetabolisme nutrisi adalah proses yang kompleks, dan mensimulasikan proses kimia yang membuat kehidupan tetap berjalan adalah tantangan yang sulit.
Secara teoritis, prosedur dapat diwakili oleh persamaan matematika dengan parameter khusus untuk setiap organisme. Tetapi secara praktis menentukan parameter-parameter tersebut adalah masalah yang rumit karena kurangnya data eksperimen.
Para ilmuwan umumnya membutuhkan banyak data eksperimen dan kekuatan pemrosesan untuk menemukan parameter ini. EPFL ilmuwan mengusulkan kerangka kerja komputasi berbasis pembelajaran mendalam yang mereproduksi sifat metabolisme dinamis yang diamati dalam sel. Kerangka kerja yang disebut REKINDLE dapat membuka jalan bagi pemodelan proses metabolisme yang lebih efisien dan akurat.
Ljubisa Miskovic dari EPFL's Laboratory of Computational Systems Biotechnology dan co-PI dari penelitian tersebut mengatakan, “REKINDLE akan memungkinkan komunitas riset untuk mengurangi upaya komputasi dalam menghasilkan model kinetik dengan beberapa kali lipat. Ini juga akan membantu mendalilkan hipotesis baru dengan mengintegrasikan data biokimia dalam model ini, menjelaskan pengamatan eksperimental, dan mengarahkan penemuan terapi baru dan desain bioteknologi.”
Subham Choudhury, penulis pertama studi tersebut, mengatakan, “Tujuan menyeluruh dari pemodelan metabolik adalah untuk menggambarkan perilaku metabolisme seluler sedemikian rupa sehingga pemahaman dan prediksi efek variasi keadaan seluler dan kondisi lingkungan dapat diuji secara andal untuk berbagai studi di bidang kesehatan, bioteknologi, dan sistem serta biologi sintetik. Kami berharap REKINDLE memfasilitasi pembuatan model metabolisme untuk komunitas yang lebih luas.”
Teknik ini memiliki aplikasi bioteknologi langsung karena model kinetik sangat penting untuk berbagai penyelidikan, termasuk pada bioproduksi, penargetan obat, interaksi antara mikroba, dan bioremediasi.
choudhury tersebut, “REKINDLE menggunakan pustaka Python standar yang banyak digunakan yang membuatnya dapat diakses dan mudah digunakan. Tujuan utama kami dengan penelitian ini adalah untuk membuka jalan untuk membuat upaya pemodelan semacam ini open source dan dapat diakses sehingga siapa pun di komunitas biologi sintetik dan sistem dapat menggunakannya untuk tujuan penelitian mereka sendiri, apa pun itu.”
Referensi Jurnal:
- Choudhury, S., Moret, M., Salvy, P. et al. Merekonstruksi Model Kinetika untuk Studi Dinamis Metabolisme menggunakan Generative Adversarial Networks. Nat Mach Intell 4–710 (719). DOI: 10.1038 / s42256-022-00519-y
