Predicción de la participación de metabolitos en vías bioquímicas anotadas en la base de conocimientos MetaCyc

Área de la Ciencia:

• Bioquímica
• Bioinformática
• Biología Computacional

Sus antecedentes:

• Las asociaciones de metabolitos con vías bioquímicas son cruciales para la interpretación de datos moleculares.
• Las anotaciones de vías bioquímicas suelen ser escasas, lo que limita la utilidad de los datos.
• Modelos anteriores de aprendizaje automático predijeron asociaciones de vías bioquímicas utilizando la «Kyoto Encyclopedia of Genes and Genomes» (KEGG).

Objetivo del estudio:

• Evaluar el rendimiento de los modelos de aprendizaje automático para predecir asociaciones de metabolitos con vías bioquímicas utilizando la base de datos MetaCyc.
• Comparar las predicciones basadas en MetaCyc con las de KEGG.
• Evaluar la utilidad de MetaCyc para la interpretación a nivel de vías bioquímicas.

Principales métodos:

• Entrenamiento y evaluación de modelos de perceptrón multicapa.
• Utilización de entradas de compuestos y anotaciones de vías bioquímicas de la base de datos MetaCyc.
• Comparación de métricas de rendimiento (coeficiente de correlación de Matthews) con modelos entrenados con datos de KEGG.

Principales resultados:

• Los modelos entrenados en MetaCyc alcanzaron una MCC media de 0,845 (±0,0101).
• Los modelos entrenados en KEGG alcanzaron una MCC media de 0,847 (±0,0098).
• MetaCyc mostró una mejora >5,6% en el rendimiento de predicción de vías metabólicas en comparación con las vías metabólicas de KEGG.

Conclusiones:

• Los modelos de aprendizaje automático demuestran un rendimiento comparable para la predicción de vías bioquímicas utilizando MetaCyc y KEGG.
• MetaCyc ofrece un conjunto más completo de definiciones de vías bioquímicas para la predicción.
• Los hallazgos respaldan el uso eficaz de MetaCyc para la predicción de asociaciones de metabolitos con vías bioquímicas.