Лучшее понимание клеточного метаболизма с помощью ИИ

Метаболизм необходим всем живым организмам, а моделирование химических реакций, поддерживающих жизнь, — непростая задача. Учёные из EPFL представили REKINDLE — процесс на основе глубокого обучения, который открывает путь к более эффективному и точному моделированию метаболических процессов.

Моделирование метаболизма организма в литературе часто представлено набором математических уравнений с параметрами, специфичными для каждого организма. Однако на практике определение этих параметров сложно из-за нехватки экспериментальных данных, что обычно требует больших вычислительных ресурсов.

Учёные EPFL предлагают обойти эту проблему с помощью REKINDLE — вычислительной платформы на основе глубокого обучения, которая воспроизводит наблюдаемые в клетках динамические метаболические свойства. Результаты опубликованы в Nature Machine Intelligence.

Ключевые преимущества REKINDLE:

• Позволяет сократить вычислительные усилия по созданию кинетических моделей на несколько порядков.
• Помогает формулировать новые гипотезы, интегрируя биохимические данные в модели.
• Облегчает понимание экспериментальных наблюдений и способствует новым терапевтическим открытиям и биотехнологическим разработкам.

Практическое применение:

Метод имеет прямые биотехнологические применения, так как кинетические модели — важные инструменты для исследований в области:

• Биопроизводства
• Поиска лекарственных мишеней
• Изучения взаимодействий в микробиоме
• Биоремедиации

Особый интерес представляет использование REKINDLE для оптимизации метаболических сетей микробов с целью промышленного производства химических соединений, например, для замены традиционной нефтехимической промышленности на клеточные фабрики.

Доступность для научного сообщества:

Основная проблема широкого использования кинетического моделирования — высокие вычислительные требования и отсутствие стандартизированного программного обеспечения. REKINDLE, использующий стандартные библиотеки Python, призван сделать такие модели открытыми и доступными для исследовательских целей в областях синтетической и системной биологии.