训练数据的代设计用于控制复杂的酶反应网络
Bob van Sluijs1, Tao Zhou2, Britta Helwig1
1Institute for Molecules and Materials, Radboud University, Nijmegen, AJ, The Netherlands.
Nature communications
|February 21, 2024
概括
这项研究引入了一种主动学习和流化学方法,用于为酶反应网络创建优化的数据集. 这种方法可以精确控制反应输出,克服动力建模中的数据限制.
科学领域:
- 生物化学工程 生物化学工程
- 化学动力学 化学动力学
- 系统生物学 系统生物学
背景情况:
- 在体外酶反应网络的动态建模对于理解复杂的生物系统至关重要.
- 目前的建模工作由于缺乏全面的培训数据而受到严重限制.
- 这些网络中的非线性相互作用导致复杂的新兴行为,这些行为难以预测和控制.
研究的目的:
- 开发一种高效的方法,用于为复杂的酶反应网络生成优化的数据集.
- 为了实现精确的运动建模和精确控制网络输出.
- 克服生物化学系统培训数据不足所带来的局限性.
主要方法:
- 集成一种类似于主动学习的方法与流化学,以实现高效的数据生成.
- 应用一个最佳实验设计 (OED) 算法来创建失衡扰动.
- 最大限度地获取关于反应动力学的信息,以构建描述模型.
主要成果:
- 成功生成优化数据集,用于具有多个子路径的高度相互连接的酶网络.
- 开发了一种能够控制网络输出到指定的成本函数的动力模型.
- 通过实验验证模型,通过实现高转换效率的所需产品比率来验证模型.
结论:
- 拟议的工作流可以有效地创建优化的数据集,克服酶网络建模中的数据限制.
- 开发的方法允许精确控制复杂的生化网络输出.
- 这种方法具有可扩展性,并可优化以前无法实现的网络行为.
