สิ่งมีชีวิตทุกชนิดต้องการเมแทบอลิซึม วิธีที่สิ่งมีชีวิตเผาผลาญสารอาหารเป็นกระบวนการที่ซับซ้อน และการจำลองกระบวนการทางเคมีที่ทำให้ชีวิตดำเนินต่อไปถือเป็นความท้าทายที่ยาก
ในทางทฤษฎี ขั้นตอนสามารถแสดงด้วยสมการทางคณิตศาสตร์พร้อมพารามิเตอร์เฉพาะสำหรับสิ่งมีชีวิตแต่ละชนิด แต่ในทางปฏิบัติการกำหนดพารามิเตอร์เหล่านั้นเป็นเรื่องที่ซับซ้อนเนื่องจากขาดข้อมูลการทดลอง
โดยทั่วไป นักวิทยาศาสตร์ต้องการข้อมูลการทดลองและพลังการประมวลผลจำนวนมากเพื่อค้นหาพารามิเตอร์เหล่านี้ EPFL นักวิทยาศาสตร์ได้เสนอกรอบการคำนวณที่ใช้การเรียนรู้เชิงลึกซึ่งจำลองคุณสมบัติเมแทบอลิซึมแบบไดนามิกที่สังเกตได้ใน เซลล์. กรอบงานที่เรียกว่า REKINDLE สามารถปูทางไปสู่การสร้างแบบจำลองกระบวนการเมแทบอลิซึมที่มีประสิทธิภาพและแม่นยำยิ่งขึ้น
Ljubisa Miskovic จาก EPFL's Laboratory of Computational Systems Biotechnology และ co-PI ของการศึกษากล่าวว่า “REKINDLE จะช่วยให้ชุมชนการวิจัยลดความพยายามในการคำนวณในการสร้างแบบจำลองจลนพลศาสตร์ได้หลายลำดับความสำคัญ นอกจากนี้ยังจะช่วยตั้งสมมุติฐานใหม่โดยการบูรณาการข้อมูลทางชีวเคมีในแบบจำลองเหล่านี้ อธิบายการสังเกตการทดลอง และควบคุมการค้นพบการรักษาใหม่และการออกแบบเทคโนโลยีชีวภาพ”
Subham Choudhury ผู้เขียนคนแรกของการศึกษากล่าวว่า “จุดมุ่งหมายที่ครอบคลุมของการสร้างแบบจำลองเมแทบอลิซึมคือการอธิบาย พฤติกรรมการเผาผลาญของเซลล์ ในระดับที่การทำความเข้าใจและทำนายผลของการแปรผันในสถานะของเซลล์และสภาพแวดล้อมสามารถทดสอบได้อย่างน่าเชื่อถือสำหรับการศึกษาด้านสุขภาพ เทคโนโลยีชีวภาพ ระบบ และชีววิทยาสังเคราะห์ เราหวังว่า REKINDLE จะช่วยอำนวยความสะดวกในการสร้างแบบจำลองการเผาผลาญสำหรับชุมชนในวงกว้าง”
เทคนิคนี้มีการใช้งานด้านเทคโนโลยีชีวภาพโดยตรง เนื่องจากแบบจำลองจลนพลศาสตร์มีความสำคัญต่อการตรวจสอบจำนวนมาก รวมถึงการผลิตทางชีวภาพ การกำหนดเป้าหมายยา ปฏิสัมพันธ์ระหว่างจุลินทรีย์ และการบำบัดทางชีวภาพ
เชาดูรี กล่าวว่า, “REKINDLE ใช้ไลบรารี Python มาตรฐานที่ใช้กันอย่างแพร่หลายซึ่งทำให้เข้าถึงได้และใช้งานง่าย เป้าหมายหลักของเราในการศึกษาครั้งนี้คือการปูทางไปสู่การสร้างแบบจำลองแบบโอเพ่นซอร์สและสามารถเข้าถึงได้เพื่อให้ทุกคนในชุมชนชีววิทยาสังเคราะห์และระบบสามารถใช้พวกเขาเพื่อเป้าหมายการวิจัยของตนเองได้ ไม่ว่าพวกเขาจะเป็นอะไรก็ตาม”
การอ้างอิงวารสาร:
- Choudhury, S., Moret, M., Salvy, P. และคณะ การสร้างแบบจำลองจลนพลศาสตร์ขึ้นใหม่สำหรับการศึกษาไดนามิกของการเผาผลาญโดยใช้เครือข่ายฝ่ายตรงข้ามเชิงกำเนิด แนท แมช อินเทล 4, 710–719 (2022). ดอย: 10.1038 / s42256-022-00519-Y