Integração da cinética enzimática por aprendizado de máquina em modelos metabólicos
Pesquisadores desenvolveram kinGEMs para integrar parâmetros cinéticos enzimáticos previstos por aprendizado de máquina em modelos metabólicos em escala genômica, utilizando ajustes estocásticos. Isso aborda limitações tradicionais em que modelos estequiométricos produzem espaços de soluções muito amplos para previsões práticas.
Revisado por Matheus Grangeiro
- Revisado por pares
- Sim
- Amostra
- 93
Números-chave
93
number of BiGG GEMs used to test scalability
4.7
median flux variability in baseline GEM
0.05
median flux variability under fully constrained level models with pre-tuned kinetics
94fold
reduction in median variability relative to baseline GEM
2.5
median flux variability after kinetic parameter tuning
2fold
reduction in median variability compared to baseline after tuning
0.871/hr
baseline biomass flux for E. coli
97.4%
relative decrease in growth for the fully constrained model
Nível de evidência: Simulação ou modelo
Por que isso importa: Modelos metabólicos estequiométricos tradicionais são limitados apenas pelo balanço de massa e termodinâmica, produzindo espaços de soluções excessivamente amplos para previsões práticas, o que afeta biotecnologistas e engenheiros metabólicos que trabalham no design de linhagens microbianas e na otimização de vias.
Como o kinGEMs integra aprendizado profundo e modelos metabólicos
O pipeline kinGEMs automatiza a integração de previsões de parâmetros cinéticos enzimáticos feitas por aprendizado de máquina em modelos metabólicos em escala genômica, ajustando-os por meio de sintonia estocástica. Essa estrutura utiliza o CPI-Pred, um modelo de aprendizado profundo que combina incorporações de modelos de linguagem de proteínas com codificações moleculares para prever parâmetros cinéticos.
Modelos de linha de base em escala genômica são complementados com restrições enzimáticas usando previsões do CPI-Pred para gerar GEMs restritas por enzimas que suportam isoenzimas, complexos enzimáticos e enzimas promíscuas. Um loop de otimização por recozimento simulado refina iterativamente os parâmetros, uma vez que os parâmetros cinéticos previstos por aprendizado de máquina são imperfeitos e dependentes de condições.
Avaliação da variabilidade do fluxo metabólico e escalabilidade no kinGEMs
A introdução de restrições enzimáticas levou a uma redução sistemática na variabilidade de fluxo do espaço quase ótimo em comparação com o GEM de linha de base em todas as reações. A variabilidade mediana do fluxo diminuiu monotonicamente do valor de linha de base do GEM de 4,7 para 0,05 sob níveis totalmente restritos antes do ajuste em 93 GEMs do BiGG.
O ajuste pós-hoc dos parâmetros cinéticos aumenta a variabilidade mediana do fluxo para 2,5, o que ainda representa uma redução de quase duas vezes em comparação com o GEM de linha de base, restaurando totalmente a produção de biomassa a partir de uma queda relativa de crescimento totalmente restrita de 97,4%.
A adição de restrições de enzimas promíscuas produziu uma queda acentuada na variabilidade mediana do fluxo e na taxa de crescimento, mostrando que a reutilização de enzimas em diferentes reações limita distribuições alternativas de fluxo.
Modelos restritos por enzimas produziram faixas de fluxo substancialmente mais estreitas e mais alinhadas com as estimativas de 13C MFA do que GEMs de linha de base não restritos, apoiados por testes de postos sinalizados de Wilcoxon que mostraram diferenças significativas com grandes tamanhos de efeito.
Comparação com reconstruções GECKO em Rhodotorula toruloides
A estrutura foi aplicada ao Rhodotorula toruloides para reconstruir modelos restritos por enzimas e comparar o cofator previsto e o direcionamento de carbono com as reconstruções GECKO. Utilizando um objetivo baseado apenas no crescimento, o kinGEMs recuperou com sucesso a mudança na alocação de NADPH entre a assimilação de nitrogênio e a lipogênese no Rhodotorula toruloides.
Requisitos de recursos computacionais não resolvidos e custos de escalabilidade
O tamanho absoluto do efeito do tempo de execução computacional e dos custos de recursos para dimensionar o kinGEMs em grandes bibliotecas de organismos permanece desconhecido nos ambientes de simulação atuais. Sem medir esses requisitos de tempo de execução em bibliotecas maiores, o custo computacional prático para aplicações industriais mais amplas não pode ser totalmente determinado apenas a partir dos 93 modelos avaliados.
Veredito: Simulações demonstram que a integração da cinética enzimática prevista por aprendizado de máquina por meio de ajuste automatizado estreita a variabilidade do fluxo metabólico enquanto mantém o crescimento.
Fonte: PLOS Computational Biology. O original é licenciado como CC BY 4.0. Este texto é uma adaptação feita com auxílio de IA (resumida, simplificada e traduzida) e pode diferir do original.