MINN: Una red neuronal informada por el metabolismo para integrar datos ómicos en el modelado metabólico a escala...

Área de la Ciencia:

• Biología de sistemas
• Biología computacional
• Ingeniería metabólica

Sus antecedentes:

• La comprensión del comportamiento celular requiere la integración del metabolismo y su regulación.
• Los datos multi-ómicos ofrecen instantáneas moleculares detalladas, pero los modelos de ML necesitan grandes conjuntos de datos y carecen de interpretabilidad.
• Los modelos metabólicos a escala de genoma (GEM) proporcionan un análisis estructurado, pero no integran los datos ómicos sin problemas.

Objetivo del estudio:

• Desarrollar un marco híbrido que combine enfoques mecanicistas y basados en datos para el análisis del metabolismo celular.
• Presentar una red neuronal informada metabólicamente (MINN) para predecir los flujos metabólicos en Escherichia coli.
• Evaluar el rendimiento del MINN con respecto a los métodos existentes y abordar posibles conflictos entre los objetivos basados en datos y los objetivos mecanicistas.

Principales métodos:

• Desarrolló una red neuronal informada metabólica (MINN) que incorpora GEM dentro de un marco de red neuronal.
• Se utilizaron datos multiómicos de Escherichia coli bajo diferentes tasas de crecimiento y nocauts genéticos.
• Comparó las predicciones de MINN con el aprendizaje automático puro (ML) y el análisis de equilibrio de flujo parsimonioso (pFBA).

Principales resultados:

• MINN demostró un mejor rendimiento de predicción de flujos metabólicos en comparación con ML y pFBA puros.
• Identificar y proponer soluciones para los conflictos entre los objetivos basados en datos y los objetivos mecanicistas dentro del modelo híbrido.
• Acoplamiento exitoso de MINN con pFBA para mejorar la interpretabilidad de las predicciones metabólicas.

Conclusiones:

• Los modelos híbridos como el MINN ofrecen una poderosa plataforma para integrar datos multiómicos con conocimientos biológicos mecanicistas.
• MINN predice eficazmente los flujos metabólicos y mejora los métodos computacionales existentes.
• Las estrategias para mitigar los conflictos y mejorar la interpretabilidad son cruciales para la aplicación práctica de los modelos híbridos.