使用全细胞模型和机器学习的Escherichia coli减少基因组的加速设计
Ioana M Gherman1, Kieren Sharma1, Joshua Rees-Garbutt2
1School of Engineering Mathematics and Technology, University of Bristol, Bristol BS8 1TW, UK.
Cell systems
|September 25, 2025
概括
机器学习 (ML) 替代品显著加速全细胞模型 (WCMs),减少95%的计算时间. 这使得在合成生物学应用中能够创建一个在体中减少的大肠杆菌基因组.
科学领域:
- 计算生物学是一种计算生物学.
- 系统生物学 系统生物学
- 合成生物学 合成生物学
背景情况:
- 全细胞模型 (WCMs) 模拟细胞功能,但存在很长的运行时间问题.
- 针对特定任务的基因组设计需要高效的计算工具.
研究的目的:
- 开发一个机器学习 (ML) 替代品来加速WCM模拟.
- 利用加速的WCM进行基因组缩小和设计.
主要方法:
- 在WCM数据上训练ML代理人,以预测细胞分裂.
- 整合ML替代品与基因组设计算法.
- 使用WCM验证缩小基因组,并通过基因本体学分析解释结果.
主要成果:
- ML替代品实现了95%的计算时间缩短.
- 成功生成了一种在中减少的大肠杆菌细胞,其基因减少了40%.
- 验证了缩小的基因组,并提供了生物学解释.
结论:
- ML 替代品可以克服 WCM 运行时间限制.
- 这种方法为合成生物学提供了高效的基因组设计.
- 将整体细胞模拟与降低计算成本相结合.


