使用基于酶变异的深度学习的代谢流: 应用到Entamoeba histolytica中的糖解

科学领域:

• 代谢途径建模的建模
• 系统生物学 系统生物学
• 计算生物学是一种计算生物学.

背景情况:

• 代谢途径建模对于预测基因突变的影响,药物设计和生物燃料开发至关重要.
• 现型预测的挑战源于有限的实验数据和途径的复杂性.
• 深度学习 (DL) 卓越于大数据集和最佳参数.

研究的目的:

• 评估DL模型是否可以在代谢流量预测中实现与其他机器学习 (ML) 方法相比较或优越的性能.
• 利用基于知识的模型来生成合成数据,以增加有限的实验数据集.
• 用交叉验证和重复保留方法来评估DL性能.

主要方法:

• 利用基于知识的模型,从一个小的实验数据集中生成一个大型合成数据集 (68,950个实例).
• 开发和评估使用交叉验证和重复保留的深度学习 (DL) 模型.
• 将DL模型的性能与古老的ML模型 (如Cubist和PLS) 的性能进行比较.

主要成果:

• DL模型在预测代谢流量方面表现出高精度.
• DL模型略高于立体模型,实现较低的根平均平方误差 (RMSE) (≤0.01).
• DL模型的表现明显优于PLS模型 (RMSE ≥30).

结论:

• 深度学习模型可以有效地预测代谢途径流动,仅使用酶度变化.
• 这项研究是首次应用DL来预测从酶度数据的整体代谢途径流量.
• DL提供了一种有希望的方法来提高代谢途径建模的准确性和可靠性.