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

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.