Der Stoffwechsel ist für alle Organismen von entscheidender Bedeutung, und es ist nicht einfach, die chemischen Reaktionen, die das Leben erst möglich machen, zu modellieren. An der EPFL haben Wissenschaftler REKINDLE veröffentlicht, das den Weg für effizientere und genauere Modellierungen von Stoffwechselprozessen mithilfe von Deep Learning ebnet.
Organismen metabolisieren Nährstoffe in komplexen Prozessen. In der wissenschaftlichen Literatur werden dieselben Prozesse anhand von mathematischen Gleichungssätzen mit einzigartigen Parametern für jede Art modelliert.
Man würde unterschiedliche Variablen für einen Menschen, eine Maus, eine Bakterie, eine Hefe oder einen anderen lebenden Organismus messen. Wenn man Zugang zu diesen Parametern für einen bestimmten Organismus hätte, dann wäre das entsprechende Modell vollständig. Es würde sich für Feldbeobachtungen eignen. Es würde In-silico-Studien ermöglichen, um bessere In-vitro- und In-vivo-Experimente zu entwerfen.
Auf praktischer Ebene ist es jedoch aufgrund des Mangels an experimentellen Daten schwierig, die Parameter zu bestimmen. Typischerweise müssen Wissenschaftler Zugang zu großen Datenmengen und Rechenleistung haben, um diese Aufgabe zu bewältigen. Was wäre, wenn man diese Anforderungen umgehen und trotzdem ein Modell erstellen könnte, das mit den Beobachtungen und experimentellen Messungen übereinstimmt? REKINDLE ist ein auf den Prinzipien des Deep Learning basierendes Computertool, das die in Zellen beobachteten dynamischen metabolischen Eigenschaften nachbildet.
"REKINDLE wird es der wissenschaftlichen Gemeinschaft ermöglichen, den rechnerischen Aufwand für die Erstellung kinetischer Modelle um mehrere Größenordnungen zu reduzieren", erklärt der Co-Leiter der Studie Ljubisa Miskovic vom Labor für computergestützte biotechnologische Systeme der EPFL. Es wird auch helfen, neue Hypothesen zu formulieren, indem biochemische Daten in die Modelle integriert werden, experimentelle Beobachtungen zu erklären oder Innovationen in den Bereichen Therapie oder biologische Systeme zu lenken."
"Das höchste Ziel der Stoffwechselmodellierung ist es, das zelluläre Stoffwechselverhalten so weit zu beschreiben, dass wir unser Verständnis und unsere Vorhersagen von Zellzuständen und Umweltbedingungen in einer ganzen Reihe von Studien aus den Bereichen Gesundheit, Biotechnologie, biologische Systeme und synthetische Biologie zuverlässig testen können", erklärt Subham Choudhury, Erstautor der Studie. Wir hoffen, dass REKINDLE das Design von Stoffwechselmodellen für die gesamte wissenschaftliche Gemeinschaft erleichtert."
Die Methode hat ein direktes Anwendungspotenzial. Kinetische Modelle sind wichtige Werkzeuge für viele Studien in den Bereichen Bioproduktion, Targeting von therapeutischen Molekülen, Mikrobiom-Interaktionen und Bioremediation.
Beispielsweise sind die Wissenschaftler der EPFL besonders begeistert von der Anwendung von REKINDLE zur Optimierung von Stoffwechselnetzwerken von Mikroben, die chemische Verbindungen im industriellen Maßstab herstellen. Eine Methode, die es ermöglichen würde, die traditionelle petrochemische Industrie durch Prozesse zu ersetzen, die auf lebenden Zellen basieren.
In der Forschung stehen der hohe Bedarf an Rechenressourcen und die fehlende Standardisierung der Software einer weit verbreiteten Nutzung der kinetischen Modellierung im Wege. Die Wissenschaftler der EPFL hoffen, dass ihr Deep-Learning-Gerät die Bemühungen der wissenschaftlichen Gemeinschaft vereinen wird.
"REKINDLE verwendet standardisierte und weit verbreitete Python-Bibliotheken, was es zugänglich und benutzerfreundlich macht", erklärt Subham Choudhury. Unser Hauptziel ist es, den Weg für Modellierungsinitiativen zu ebnen, so dass jeder in der Gemeinschaft der synthetischen Biologie und der Systembiologie sie für seine eigene Arbeit nutzen kann, unabhängig von den Zielen."
