瑞士联邦理工学院洛桑分校（EPFL）的研究团队近日开发了一款名为RENAISSANCE的AI工具，据称该工具能够简化动力学模型的创建过程。RENAISSANCE结合了多种类型的细胞数据，精确描绘出细胞的代谢状态，使得理解细胞功能变得更加容易。这一工具的问世可能为健康和生物技术领域的研究与创新开辟新的途径。
他们的研究成果已发表在《自然催化》杂志上，文章标题为《生成式机器学习生成的动力学模型准确表征了细胞内代谢状态》。
现代生物学能够生成大量关于细胞活动的数据集，这些被称为“组学”的数据集能够提供关于基因活性和蛋白质水平等不同细胞功能的见解。然而，整合和理解这些数据以解码细胞代谢过程依然是一项艰巨的任务。
动力学模型提供了一种解码这种复杂性的途径，通过数学形式来表现细胞代谢。尽管动力学模型具有很大的潜力，但由于确定控制细胞过程的参数困难，开发这些模型一直是一个挑战。
研究团队利用RENAISSANCE创建的动力学模型能够准确反映大肠杆菌的代谢行为。该工具成功生成了与实验观察到的代谢行为相匹配的模型，模拟了细菌在生物反应器中随时间调整其代谢的方式。
这些动力学模型还表现出强大的稳定性，即使在基因和环境条件发生变化时，模型依然能够保持稳定。这表明这些模型可以可靠地预测细胞在不同情况下的反应，从而提升其在研究和工业应用中的实际价值。
“尽管组学技术取得了进展，但数据覆盖不足依然是一个持续的挑战，” EPFL研究团队成员Ljubisa Miskovic博士表示，“例如，代谢组学和蛋白质组学只能检测和定量有限数量的代谢物和蛋白质。通过整合和调和来自不同来源的组学数据，建模技术可以弥补这一局限性并增强系统理解。通过结合组学数据及其他相关信息，如细胞外培养基成分、物理化学数据和专家知识，RENAISSANCE使我们能够精确量化未知的细胞内代谢状态，包括代谢流和代谢物浓度。”
RENAISSANCE在精确建模细胞代谢方面展现出的能力具有重要意义，不仅为研究疾病引发的代谢变化提供了强大的工具，还能促进新疗法和生物技术的开发。由于其易用性和高效性，RENAISSANCE将使更多的学术界和工业界研究人员能够有效利用动力学模型，并推动协作研究的开展。
参考文献：Subham Choudhury, Bharath Narayanan, Michael Moret, Vassily Hatzimanikatis & Ljubisa Miskovic .2024.Generative machine learning produces kinetic models that accurately characterize intracellular metabolic states
编辑：王洪
排版：李丽
评论 (0)