-
题名机器学习驱动的基因组规模代谢模型构建与优化
被引量：1
- 1
-
-
作者
吴柯
罗家豪
李斐然
-
机构
清华大学深圳国际研究生院
清华大学化学工程系
-
出处
《合成生物学》
北大核心
2025年第3期566-584,共19页
-
基金
国家自然科学基金面上项目(22478223)。
-
文摘
自1999年首个基因组规模代谢模型(genome-scale metabolic model,GEM)问世以来,GEM已成为解析生物代谢的重要工具。该模型包含代谢基因、代谢物和反应,并结合化学计量矩阵与约束优化,系统描述和模拟生物体内的代谢过程。此外,GEM能够整合热力学参数、动力学参数、多组学数据及多细胞过程,构建更精细且具有更强大预测能力的多约束多过程模型。然而,先验知识的局限成为其发展的瓶颈。机器学习技术凭借强大的数据处理和模式识别能力,为进一步扩展GEM提供了新思路。本综述系统总结了传统GEM及多约束多过程模型的构建流程,并着重探讨了机器学习在其中关键步骤中的应用前景,如基因功能注释、途径解析、空缺填补和生物学参数预测。机器学习技术作为新的驱动力,有望大幅度提升GEM的规模和质量,深化对生物代谢机制的理解,并推动实现数字孪生细胞。
-
关键词
基因组规模代谢模型
机器学习
合成生物学
代谢建模
多约束多过程模型
-
Keywords
genome-scale metabolic model
machine learning
synthetic biology
metabolic modeling
multi-constraint and multi-process model
-
分类号
Q814.9
[生物学—生物工程]
-
