关于细胞代谢流量分布的深度学习可以预测寿命

科学领域:

• * 系统生物学和计算生物学
• * 细胞衰老和长寿研究
• * 代谢网络分析

背景情况:

• * 衰老速度在物种之间有所不同,甚至在统一环境中的基因相同个体中也是如此.
• * 这表明除了遗传和环境之外的内在生物机制驱动衰老.
• * 了解寿命变异对于衰老研究至关重要.

研究的目的:

• * 调查Saccharomyces cerevisiae*中寿命变异的根本原因.
• * 确定代谢网络流量分布是否可以预测复制寿命.
• * 确定影响衰老速度的关键代谢途径.

主要方法:

• *使用了S.cerevisiae*的综合代谢模型 (酵母GEM_v8.5.0).
• *模拟基因淘汰,以分析反应流量空间,并产生406,500个流量分布.
• * 收集了来自812个可生存突变的66400个单个细胞的复制寿命 (RLS) 数据.
• *使用主要组件分析 (PCA) 和深度学习 (RNN,CfNN,CNN) 来将流量配置与RLS相关联.

主要成果:

• *确定了控制衰老速度的高度相关的代谢反应的核心网络.
• * 证明了代谢流量配置足以解释所有观察到的寿命变异.
• * 突出显示特定的生物合成途径 (胺,甘油脂等). 对于寿命监管至关重要.

结论:

• *S. cerevisiae*的复制寿命差异是其代谢网络的新兴属性.
• *代谢流量配置汇聚到三个稳定的状态:延长,缩短和野生类型的寿命.
• *代谢网络动态为衰老速度变化提供了一个基本的解释.