通过机器学习从omics数据预测代谢流:从知识驱动转向数据驱动的方法.
Daniel M Gonçalves1,2,3, Rui Henriques1,2, Rafael S Costa3
1INESC-ID, Rua Alves Redol, 9, Lisbon, 1000-029, Portugal.
Computational and structural biotechnology journal
|October 25, 2023
概括
预测微生物表型是一个挑战. 这项研究引入了一种基于OMIC数据的机器学习方法,与标准方法相比,它提高了代谢流量预测,增强了系统生物学见解.
科学领域:
- 系统生物学 系统生物学
- 计算生物学是一种计算生物学.
- 代谢工程是代谢工程.
背景情况:
- 准确预测微生物表型对于系统生物学至关重要.
- 基因组规模模型 (GEMs) 使用基于约束的方法,如FBA,可以预测代谢流动,但需要广泛的先前知识.
- 整合omics数据 (转录组学,蛋白质组学) 以提高表型预测的准确性仍然是一个挑战.
研究的目的:
- 开发和评估一种新的机器学习 (ML) 方法,用于在各种条件下预测代谢流.
- 为了比较基于omics的ML模型与已建立的节FBA (pFBA) 方法的性能.
- 评估整合转录组学和/或蛋白质组学数据的实用性,以改善表型预测.
主要方法:
- 使用转录组学和/或蛋白质组学数据开发监督机器学习模型.
- 将ML方法应用于涉及大肠杆菌的案例研究.
- 对ML模型预测与pFBA方法的预测进行比较分析.
主要成果:
- 提出的基于奥米克的ML方法在预测代谢流动方面表现出有希望的结果.
- 与pFBA相比,ML模型在内部和外部代谢流的预测误差较小.
- 这项研究为代谢流量预测提供了可行的替代方案,特别是在整合omics数据时.
结论:
- 基于Omics数据的机器学习提供了一种强大的策略,可以提高微生物系统中代谢流量预测的准确性.
- 这种方法通过利用实验性奥米克数据来解决传统方法的局限性.
- 开发的方法对推进系统生物学和代谢工程应用具有重大潜力.
