所有生物都需要新陈代谢。 有机体代谢营养物质的方式是一个复杂的过程，模拟维持生命的化学过程是一项艰巨的挑战。
从理论上讲，该过程可以用具有特定于每个生物体的参数的数学方程来表示。 但是，由于缺乏实验数据，实际上确定这些参数是一件复杂的事情。
科学家们通常需要大量的实验数据和处理能力才能找到这些参数。 EPFL 科学家们提出了一种基于深度学习的计算框架，该框架再现了在 细胞. 名为 REKINDLE 的框架可以为更有效、更准确地模拟代谢过程铺平道路。
EPFL 计算系统生物技术实验室的 Ljubisa Miskovic 和该研究的联合 PI 说， “REKINDLE 将允许研究界将生成动力学模型的计算工作量减少几个数量级。 它还将通过在这些模型中整合生化数据、阐明实验观察结果以及指导新的治疗发现和生物技术设计来帮助假设新的假设。”
该研究的第一作者 Subham Choudhury 说， “代谢模型的首要目标是描述 细胞代谢行为 在一定程度上，理解和预测细胞状态和环境条件变化的影响可以在健康、生物技术、系统和合成生物学的广泛研究中得到可靠的测试。 我们希望 REKINDLE 有助于为更广泛的社区建立代谢模型。”
该技术具有直接的生物技术应用，因为动力学模型对于众多研究至关重要，包括生物生产、药物靶向、微生物之间的相互作用和生物修复。
乔杜里 说过, “REKINDLE 使用标准的、广泛使用的 Python 库，使其易于访问和使用。 我们这项研究的主要目标是为这些建模工作的开源和可访问铺平道路，以便合成和系统生物学界的任何人都可以将它们用于自己的研究目标，无论它们可能是什么。”
杂志参考：
- Choudhury, S., Moret, M., Salvy, P. 等。 使用生成对抗网络重建代谢动力学研究的动力学模型。 自然马赫情报 4, 710–719 (2022)。 DOI： 10.1038 / s42256-022 - 00519-Y
