合成基因电路的生成设计用于功能和进化性质

科学领域:

• 合成生物学 合成生物学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 设计可靠和可预测的生物技术从遗传电路仍然具有挑战性,尽管有工具.
• 机器学习和建模有助于导航遗传电路设计和预测组件功能.
• 从序列层面设计遗传电路的生成算法正在出现,最近在合成生物学中得到了应用.

研究的目的:

• 为了证明简单的生成模型,如条件变化自编码器 (CVAE),可以设计新的基因电路匹配复杂的动态函数.
• 探索合成生物学中的生成模型在创建可适应电路方面的潜力.
• 研究功能性和进化性质 (表型和进型) 的同时设计.

主要方法:

• 在基RNA模拟中使用,以创建RNA序列的数据集.
• 使用RNA相互作用预测器将序列转换为遗传电路.
• 估计的功能特征,进化稳定性和解释的模型学习特征.
• 框架信号适应作为模型培训的单一设计目标.

主要成果:

• 条件变异自编码器 (CVAE) 模型成功生成了表现出信号适应的多样化遗传电路.
• 模型生成的电路有效匹配目标适应规格,即使训练数据有限.
• 该模型的嵌入空间结构与已知的适应动机相对应,并揭示了设计规则.
• 证明了功能性和进化性质的同时提示,显示了结合的表型和进型设计.

结论:

• 简单的生成模型是有效的设计复杂的遗传电路在合成生物学.
• 数据编码的选择对功能遗传电路的生成产生重大影响.
• 这项工作为在遗传电路中同时设计表型和进型提供了概念验证.