Credito:Subham Choudhury
Il metabolismo è essenziale per tutti gli organismi viventi e modellare le reazioni chimiche che sostengono la vita non è un compito facile. Ora, gli scienziati dell'EPFL hanno rilasciato REKINDLE, un processo di apprendimento profondo che sta aprendo la strada a una modellizzazione più efficiente e accurata dei processi metabolici.
Il modo in cui un organismo metabolizza i nutrienti è un processo complesso. In letteratura, il processo può essere modellato da un insieme di equazioni matematiche con parametri specifici per ciascun organismo.
I parametri che si misurerebbero per un essere umano sarebbero diversi da quelli di un topo, batteri, lieviti o qualsiasi organismo vivente oggetto di studio. Se avessimo accesso a questi parametri per un dato organismo vivente, il suo modello corrispondente sarebbe completo, corrisponderebbe all'osservazione del mondo reale e sarebbero possibili studi in silico per una migliore progettazione di studi in vitro e in vivo.
A livello pratico, tuttavia, determinare tali parametri è una questione complicata, a causa della mancanza di dati sperimentali. In genere, i ricercatori richiedono grandi quantità di dati sperimentali e risorse computazionali per determinare questi parametri. Ma cosa accadrebbe se potessi aggirare la necessità di dati estesi e produrre comunque un modello che corrisponda all'osservazione e alla misurazione sperimentale? Gli scienziati dell'EPFL propongono proprio questo con REKINDLE, un framework computazionale basato sull'apprendimento profondo che riproduce le proprietà metaboliche dinamiche osservate nelle cellule. I risultati sono pubblicati in Nature Machine Intelligence .
"REKINDLE consentirà alla comunità di ricerca di ridurre gli sforzi computazionali nella generazione di modelli cinetici di diversi ordini di grandezza. Aiuterà anche a postulare nuove ipotesi integrando dati biochimici in questi modelli, delucidando osservazioni sperimentali e guidando nuove scoperte terapeutiche e progetti biotecnologici, " afferma Ljubisa Miskovic del Laboratory of Computational Systems Biotechnology dell'EPFL e co-PI dello studio.
"L'obiettivo generale della modellazione metabolica è descrivere il comportamento metabolico cellulare a un livello tale che la comprensione e la previsione degli effetti delle variazioni negli stati cellulari e nelle condizioni ambientali possano essere testate in modo affidabile per un'ampia gamma di studi in salute, biotecnologia e sistemi e biologia sintetica", spiega Subham Choudhury, primo autore dello studio. "Ci auguriamo che REKINDLE faciliti la costruzione di modelli metabolici per la comunità più ampia."
Il metodo ha applicazioni biotecnologiche dirette poiché i modelli cinetici sono strumenti importanti per vari studi tra cui la bioproduzione, il targeting dei farmaci, le interazioni del microbioma e il biorisanamento.
Gli scienziati dell'EPFL sono particolarmente entusiasti di come REKINDLE potrebbe essere utilizzato per ottimizzare la rete metabolica dei microbi per produrre composti chimici su scala industriale, ad esempio sostituendo la tradizionale industria petrolchimica con fabbriche a base di cellule.
Una delle principali sfide che impediscono l'uso diffuso della modellazione cinetica nella comunità di ricerca sono gli ampi requisiti computazionali e la mancanza di software computazionale standardizzato. Gli scienziati dell'EPFL sperano che il loro quadro basato sull'apprendimento profondo unificherà gli sforzi nella comunità scientifica.
"REKINDLE utilizza librerie Python standard e ampiamente utilizzate che lo rendono accessibile e facile da usare", continua Choudhury. "Il nostro obiettivo principale con questo studio è spianare la strada per rendere questo tipo di sforzi di modellazione open source e accessibili in modo che chiunque nelle comunità di biologia sintetica e dei sistemi possa usarli per il proprio obiettivo di ricerca, qualunque essi siano". + Esplora ulteriormente
