代谢动力学模型通过机械关系将代谢通量、代谢物浓度和酶水平联系起来，使其对于理解、预测和优化生物体的行为至关重要。然而，由于缺乏动力学数据，传统的动力学建模通常只产生很少或没有具有理想动力学特性的动力学模型，使得分析不可靠且计算效率低下。
瑞士洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne，EPFL）的研究人员提出了 REKINDLE（Reconstruction of Kinetic Models using Deep Learning），这是一个基于深度学习的框架，用于有效生成具有与细胞中观察到的动态特性相匹配的动力学模型。
研究人员展示了 REKINDLE 使用少量数据在新陈代谢的生理状态中导航的能力，而计算要求显著降低。结果表明，数据驱动的神经网络吸收了代谢网络的隐含动力学知识和结构，并生成了具有定制属性和统计多样性的动力学模型。研究人员表示，该框架可能会促进学界加深对新陈代谢的理解，从而加速未来在生物技术和健康方面的研究。
该研究「Reconstructing Kinetic Models for Dynamical Studies of Metabolism using Generative Adversarial Networks」为题，于 2022 年 8 月 30 日发布在《Nature Machine Intelligence》。
图片
论文链接：https://www.nature.com/articles/s42256-022-00519-y

内容中包含的图片若涉及版权问题，请及时与我们联系删除