MINN:一种代谢信息的神经网络,用于将奥米克数据集成到基因组规模的代谢建模中

科学领域:

• 系统生物学
• 计算生物学
• 代谢工程

背景情况:

• 了解细胞行为需要整合新陈代谢及其调节.
• 多omics数据提供了详细的分子快照,但ML模型需要大数据集并且缺乏可解释性.
• 基因组规模代谢模型 (GEM) 提供结构化分析,但不能无地整合omics数据.

研究的目的:

• 开发一个混合框架,结合机械和数据驱动的细胞代谢分析方法.
• 为预测大肠杆菌的代谢流提供代谢信息的神经网络 (MINN).
• 根据现有方法评估MINN的表现,并解决数据驱动和机械目标之间的潜在冲突.

主要方法:

• 开发了一个代谢信息神经网络 (MINN),将GEM嵌入神经网络框架中.
• 在不同的生长速度和基因淘汰下利用大肠杆菌的多种数据.
• 将MINN预测与纯机器学习 (ML) 和节流平衡分析 (pFBA) 进行比较.

主要成果:

• 与纯ML和pFBA相比,MINN对代谢流的预测性能有所改善.
• 在混合模型中确定并提出数据驱动和机械目标之间的冲突解决方案.
• 成功将MINN与pFBA结合起来以提高代谢预测的可解释性.

结论:

• 像MINN这样的混合模型提供了一个强大的平台,
• MINN有效地预测代谢流动,并改进了现有的计算方法.
• 缓解冲突和增强可解释性的策略对于混合模型的实际应用至关重要.