使用基于机器学习的kcat数据构建了Myceliophthora thermophila受酶约束的代谢网络模型
Yutao Wang1,2,3,4, Zhitao Mao5,4, Jiacheng Dong1,2,3,4
1Key Laboratory of Industrial Fermentation Microbiology of the Ministry of Education, Tianjin Key Laboratory of Industrial Microbiology, College of Biotechnology, Tianjin University of Science and Technology, Tianjin, 300457, China.
Microbial cell factories
|May 15, 2024
概括
这项研究为Myceliophthora thermophila开发了一种受酶约束的基因组规模代谢模型 (ecGEM),提高了预测准确性并确定了新的代谢工程目标. 新的模型 (ecMTM) 准确地模拟了真菌生长和碳来源利用.
科学领域:
- 代谢工程是代谢工程.
- 系统生物学 系统生物学
- 菌类学 菌类学是指菌类学.
背景情况:
- 基因组规模的代谢模型 (GEMs) 对于理解细胞功能和指导工业菌株发展至关重要.
- 与标准GEM相比,酶受约束的GEM (ecGEM) 提供了增强的预测能力,并识别了与标准GEM相比的新型工程目标.
- 此前已经为Myceliophthora thermophila建立了一个静态测量GEM (iDL1450).
研究的目的:
- 为真菌Myceliophthora thermophila.开发第一个受酶约束的基因组规模代谢模型 (ecGEM).
- 提高M. thermophila.现有的代谢模型的预测准确度和适用性.
- 确定M. thermophila.中化学生产的潜在代谢工程目标.
主要方法:
- 将iDL1450 GEM改进为iYW1475版本,包括生物质,基因-蛋白反应 (GPR) 规则和代谢物的更新.
- 在ECMpy框架内使用机器学习预测的kcat数据 (TurNuP,AutoPACMEN,DLKcat) 构建ecGEM.
- 选择和验证表现最好的ecGEM (ecMTM) 基于预测准确性和模拟M. thermophila表型.
主要成果:
- 精细的iYW1475模型作为ecGEM开发的基础.
- 使用TurNuP预测的kcat值 (ecMTM) 构建的ecGEM表现出卓越的性能.
- ecMTM精确模拟了M. thermophila的生长,层次化的碳来源利用,并揭示了生物质产量和酶效率之间的权衡.
- ecMTM成功预测了已知和拟议的新型代谢工程目标.
结论:
- 将酶约束纳入M. thermophila GEM显著提高了预测准确性和扩大了模型实用性.
- 该研究强调了整合机器学习衍生动力数据用于ecGEM构建的有效性,特别是在有限的实验参数下.
- 开发的ecMTM是了解和设计M. thermophila代谢的宝贵工具.
更多相关视频
12:47Workflow Based on the Combination of Isotopic Tracer Experiments to Investigate Microbial Metabolism of Multiple Nutrient Sources
Published on: January 22, 2018
9.4K
06:49Monitoring Protein Aggregation Kinetics In Vivo using Automated Inclusion Counting in Caenorhabditis elegans
Published on: December 17, 2021
2.8K
