MINN:オミクスデータをゲノムスケールの代謝モデリングに統合するための代謝情報ニューラルネットワーク

科学分野:

• システム生物学
• コンピュータ生物学
• メタボリック・エンジニアリング

背景:

• 細胞の行動を理解するには 代謝とその調節を統合する必要があります
• マルチオミックスのデータは詳細な分子スナップショットを提供しますが,MLモデルは大きなデータセットを必要とし,解釈が不十分です.
• ゲノムスケールメタボリックモデル (GEM) は構造的な分析を提供しているが,オミクスデータをシームレスに統合していない.

研究 の 目的:

• 細胞代謝分析のためのメカニズムとデータ主導のアプローチを組み合わせたハイブリッドフレームワークを開発する.
• エシェリキア・コライの代謝フロースを予測するためのメタボリック情報ニューラルネットワーク (MINN) を提示する.
• 既存の方法と比較してMINNのパフォーマンスを評価し,データ主導とメカニズムの目標の間の潜在的な衝突に対処します.

主な方法:

• GEMをニューラルネットワークの枠組みに組み込むメタボリック情報ニューラルネットワーク (MINN) を開発した.
• エシェリキア・コライの多種多様性のデータを利用し, 成長速度や遺伝子ノックアウトが変化した.
• MINNの予測を純粋な機械学習 (ML) と節約フローバランス分析 (pFBA) と比較した.

主要な成果:

• MINNは,純粋なMLとpFBAと比較して,代謝フロースの予測性能の改善を示した.
• ハイブリッドモデル内のデータ主導とメカニズム的目標の衝突を特定し,解決策を提案しました.
• 代謝予測の解釈性を高めるために,MINNとpFBAを成功裏に結合した.

結論:

• MINNのようなハイブリッドモデルは マルチオミックスのデータを 機械学的生物学的知識と統合するための強力なプラットフォームを提供します
• MINNは,代謝の流れを効果的に予測し,既存の計算方法を改善します.
• ハイブリッドモデルの実用化には,紛争を緩和し,解釈しやすさを高める戦略が不可欠です.