通过对同位素标记模式的深度学习来确定代谢流

科学领域:

• 生物化学 生化学
• 系统生物学 系统生物学
• 计算生物学 计算生物学

背景情况:

• 流体学提供了对代谢状态的洞察力,但依赖于间接测量.
• 稳定同位素标记器根据代谢流量标记代谢物,但将标记模式与流量联系起来具有挑战性.

研究的目的:

• 从同位素追踪数据开发一个精简的计算框架,用于从同位素追踪数据中量化代谢流量.
• 与传统方法相比,加快确定代谢流量的过程.

主要方法:

• 开发了一个两阶段的机器学习框架,ML-Flux.
• 在5个代谢模型中,模型使用模拟的原子转换从13C-葡萄糖,2H-葡萄糖和13C-氨酸标记物到5个代谢模型进行训练.
• 基于深度学习的归算和连续的神经网络被用来将标签模式转换为代谢流.

主要成果:

• ML-Flux准确地量化了通过中央碳代谢的流量.
• 该框架实现了与最小平方方法相似的结果,但比较快.
• 多同位素追踪与ML-Flux相结合,提供了全面的标签信息.

结论:

• ML-Flux提供了一种显著更快,更容易获得的代谢流量量化方法.
• 开发的网络工具使得对代谢流量分析的访问更加民主.
• 为研究和应用提供了对细胞代谢的可操作的见解.