NEXT-FBA:一种混合的固体测量/数据驱动方法,以改善细胞内流量预测

科学领域:

• 系统生物学 系统生物学
• 代谢工程是代谢工程.
• 计算生物学 计算生物学

背景情况:

• 基因组规模代谢模型 (GEMs) 对于理解细胞代谢至关重要,但它们的预测准确性受到数据稀缺性和模型复杂性的限制.
• 预测细胞内代谢状态的计算方法通常与不足的约束作斗争,导致生物学上无关紧要的结果.
• 现有的方法缺乏有效的方法来整合细胞外数据以进行强大的细胞内流量预测.

研究的目的:

• 介绍神经网络外细胞训练流量平衡分析 (NEXT-FBA),一种新的计算方法来增强代谢建模.
• 利用外代代谢数据来导出GEM中细胞内流动的生物学相关约束.
• 在代谢建模中提高细胞内流量预测的准确性和生物相关性.

主要方法:

• 开发了NEXT-FBA,一种利用人工神经网络 (ANN) 训练在外代谢数据上的方法.
• 相关的外代谢体数据与来自中国仓鼠卵巢 (CHO) 细胞的C标记细胞内流量体数据.
• 使用ANN来预测细胞内反应流的上限和下限,以限制GEM.

主要成果:

• NEXT-FBA成功地通过捕捉外代代谢和细胞代谢之间的关系来预测细胞内流动的生物学相关约束.
• 在预测与实验观测一致的细胞内流量分布方面,NEXT-FBA的表现优于现有方法.
• 一个案例研究表明,NEXT-FBA在指导生物过程优化和识别代谢工程目标方面具有实用性.

结论:

• 通过提高细胞内流量预测的准确性和生物相关性,NEXT-FBA在代谢建模方面取得了重大进展.
• 该方法有效地利用外甲代谢数据来克服数据稀缺的局限性,限制GEMs.
• NEXT-FBA为生物过程优化和代谢工程提供可操作的见解,对预训练模型的输入数据要求最小.