El metabolismo es esencial para todos los organismos vivos, y modelar las reacciones químicas que sustentan la vida no es tarea fácil. Ahora, los científicos de EPFL han lanzado REKINDLE, un proceso de aprendizaje profundo que allana el camino para un modelado más eficiente y preciso de los procesos metabólicos.

La forma en que un organismo metaboliza los nutrientes es un proceso complejo. En la literatura, el proceso se puede modelar mediante un conjunto de ecuaciones matemáticas con parámetros específicos para cada organismo.

Los parámetros que uno mediría para un ser humano serían diferentes de los de un ratón, bacterias, levaduras o cualquier organismo vivo de estudio. Si tuviéramos acceso a estos parámetros para un organismo vivo dado, entonces su modelo correspondiente estaría completo, coincidiría con la observación del mundo real y sería posible realizar estudios in silico para un mejor diseño de estudios in vitro e in vivo.

Sin embargo, a nivel práctico, determinar esos parámetros es un asunto complicado debido a la falta de datos experimentales. Por lo general, los investigadores requieren grandes cantidades de datos experimentales y recursos computacionales para determinar estos parámetros. Pero, ¿y si pudiera eludir la necesidad de una gran cantidad de datos y aun así producir un modelo que corresponda a la observación y medición experimental? Los científicos de EPFL proponen exactamente eso con REKINDLE, un marco computacional basado en aprendizaje profundo que reproduce las propiedades metabólicas dinámicas observadas en las células. Los resultados se publican en Nature Machine Intelligence .

"REKINDLE permitirá a la comunidad de investigación reducir los esfuerzos computacionales en la generación de modelos cinéticos en varios órdenes de magnitud. También ayudará a postular nuevas hipótesis al integrar datos bioquímicos en estos modelos, dilucidar observaciones experimentales y dirigir nuevos descubrimientos terapéuticos y diseños biotecnológicos. " dice Ljubisa Miskovic del Laboratorio de Biotecnología de Sistemas Computacionales de la EPFL y co-investigadora investigadora del estudio.

"El objetivo general del modelado metabólico es describir el comportamiento metabólico celular hasta tal punto que la comprensión y la predicción de los efectos de las variaciones en los estados celulares y las condiciones ambientales puedan probarse de manera confiable para una amplia gama de estudios en salud, biotecnología y sistemas y biología sintética", explica Subham Choudhury, primer autor del estudio. "Esperamos que REKINDLE facilite la creación de modelos metabólicos para la comunidad en general".

El método tiene aplicaciones biotecnológicas directas, ya que los modelos cinéticos son herramientas importantes para diversos estudios, incluida la bioproducción, la orientación de fármacos, las interacciones del microbioma y la biorremediación.

Los científicos de EPFL están especialmente interesados ​​en cómo REKINDLE podría usarse para optimizar la red metabólica de microbios para producir compuestos químicos a escala industrial, por ejemplo, reemplazando la industria petroquímica tradicional con fábricas basadas en células.

Un desafío importante que impide el uso generalizado del modelado cinético en la comunidad de investigación son los amplios requisitos computacionales y la falta de software computacional estandarizado. Los científicos de la EPFL esperan que su marco basado en el aprendizaje profundo unifique los esfuerzos de la comunidad científica.

"REKINDLE utiliza bibliotecas de Python estándar y ampliamente utilizadas que lo hacen accesible y fácil de usar", continúa Choudhury. "Nuestro principal objetivo con este estudio es allanar el camino para hacer que este tipo de esfuerzos de modelado sean de código abierto y accesibles para que cualquier persona en las comunidades de biología sintética y de sistemas pueda usarlos para su propio objetivo de investigación, cualquiera que sea". + Explora más

La IA como 'sabio consejo' para la biología sintética