Metabolisme is essentieel voor alle levende organismen, en het modelleren van de chemische reacties die het leven in stand houden is geen gemakkelijke taak. Nu hebben EPFL-wetenschappers REKINDLE uitgebracht, een diepgaand leerproces dat de weg vrijmaakt voor efficiëntere en nauwkeurigere modellering van metabolische processen.

De manier waarop een organisme voedingsstoffen metaboliseert, is een complex proces. In de literatuur kan het proces worden gemodelleerd door een reeks wiskundige vergelijkingen met parameters die specifiek zijn voor elk organisme.

De parameters die men voor een mens zou meten, zouden anders zijn dan die van een muis, bacteriën, gist of welk levend organisme dan ook. Als we toegang hadden tot deze parameters voor een bepaald levend organisme, dan zou het bijbehorende model compleet zijn, zou het overeenkomen met real-world observatie, en in silico-studies zouden mogelijk zijn voor een beter ontwerp van in vitro en in vivo studies.

Op praktisch niveau is het bepalen van die parameters echter een gecompliceerde zaak door het ontbreken van experimentele gegevens. Meestal hebben onderzoekers grote hoeveelheden experimentele gegevens en rekenbronnen nodig om deze parameters te bepalen. Maar wat als u de behoefte aan uitgebreide gegevens zou kunnen omzeilen en toch een model kunt produceren dat overeenkomt met experimentele waarneming en meting? EPFL-wetenschappers stellen precies dat voor met REKINDLE, een op diepgaand leren gebaseerd computerraamwerk dat de dynamische metabolische eigenschappen die in cellen worden waargenomen, reproduceert. De resultaten zijn gepubliceerd in Nature Machine Intelligence .

"REKINDLE zal de onderzoeksgemeenschap in staat stellen de computerinspanningen bij het genereren van kinetische modellen met verschillende ordes van grootte te verminderen. Het zal ook helpen bij het postuleren van nieuwe hypothesen door biochemische gegevens in deze modellen te integreren, experimentele observaties op te helderen en nieuwe therapeutische ontdekkingen en biotechnologische ontwerpen te sturen, " zegt Ljubisa Miskovic van EPFL's Laboratory of Computational Systems Biotechnology en co-PI van de studie.

"Het overkoepelende doel van metabole modellering is om het cellulaire metabolische gedrag zodanig te beschrijven dat het begrijpen en voorspellen van de effecten van variaties in cellulaire toestanden en omgevingscondities betrouwbaar kan worden getest voor een breed scala aan onderzoeken in gezondheid, biotechnologie en systemen en synthetische biologie", legt Subham Choudhury, eerste auteur van de studie, uit. "We hopen dat REKINDLE het bouwen van metabole modellen voor de bredere gemeenschap faciliteert."

De methode heeft directe biotechnologische toepassingen, aangezien kinetische modellen belangrijke hulpmiddelen zijn voor verschillende onderzoeken, waaronder bioproductie, targeting van geneesmiddelen, microbioominteracties en bioremediatie.

De EPFL-wetenschappers zijn vooral enthousiast over hoe REKINDLE kan worden gebruikt om het metabolische netwerk van microben te optimaliseren om chemische verbindingen op industriële schaal te produceren, bijvoorbeeld door de traditionele petrochemische industrie te vervangen door celgebaseerde fabrieken.

Een grote uitdaging die het wijdverbreide gebruik van kinetische modellering in de onderzoeksgemeenschap verhindert, zijn de uitgebreide rekenvereisten en het ontbreken van gestandaardiseerde rekensoftware. De EPFL-wetenschappers hopen dat hun op diepgaand leren gebaseerde raamwerk de inspanningen in de wetenschappelijke gemeenschap zal verenigen.

"REKINDLE gebruikt standaard, veelgebruikte Python-bibliotheken die het toegankelijk en gebruiksvriendelijk maken", vervolgt Choudhury. "Ons hoofddoel met deze studie is om de weg vrij te maken om dit soort modelleringsinspanningen open source en toegankelijk te maken, zodat iedereen in de synthetische en systeembiologische gemeenschappen ze kan gebruiken voor hun eigen onderzoeksdoel, wat ze ook mogen zijn." + Verder verkennen

AI als 'wijze raad' voor synthetische biologie