O metabolismo é essencial para todos os organismos vivos, e modelar as reações químicas que sustentam a vida não é tarefa fácil. Agora, os cientistas da EPFL lançaram o REKINDLE, um processo de aprendizado profundo que está abrindo caminho para uma modelagem mais eficiente e precisa de processos metabólicos.
A forma como um organismo metaboliza os nutrientes é um processo complexo. Na literatura, o processo pode ser modelado por um conjunto de equações matemáticas com parâmetros específicos para cada organismo.

Os parâmetros que se mediriam para um humano seriam diferentes daqueles de um camundongo, bactéria, levedura ou qualquer organismo vivo de estudo. Se tivéssemos acesso a esses parâmetros para um determinado organismo vivo, então seu modelo correspondente estaria completo, corresponderia à observação do mundo real e estudos in silico seriam possíveis para um melhor desenho de estudos in vitro e in vivo.

Em um nível prático, no entanto, determinar esses parâmetros é uma questão complicada, devido à falta de dados experimentais. Normalmente, os pesquisadores exigem grandes quantidades de dados experimentais e recursos computacionais para determinar esses parâmetros. Mas e se você pudesse contornar a necessidade de dados extensivos e ainda produzir um modelo que corresponda à observação e medição experimental? Os cientistas da EPFL propõem exatamente isso com o REKINDLE, uma estrutura computacional baseada em aprendizado profundo que reproduz as propriedades metabólicas dinâmicas observadas nas células. Os resultados são publicados em Nature Machine Intelligence .

"O REKINDLE permitirá que a comunidade de pesquisa reduza os esforços computacionais na geração de modelos cinéticos em várias ordens de magnitude. Também ajudará na postulação de novas hipóteses, integrando dados bioquímicos nesses modelos, elucidando observações experimentais e orientando novas descobertas terapêuticas e projetos de biotecnologia, " diz Ljubisa Miskovic do Laboratório de Biotecnologia de Sistemas Computacionais da EPFL e co-PI do estudo.

“O objetivo geral da modelagem metabólica é descrever o comportamento metabólico celular de tal forma que a compreensão e a previsão dos efeitos das variações nos estados celulares e nas condições ambientais possam ser testadas de forma confiável para uma ampla gama de estudos em saúde, biotecnologia e sistemas e biologia sintética", explica Subham Choudhury, primeiro autor do estudo. “Esperamos que o REKINDLE facilite a construção de modelos metabólicos para a comunidade em geral”.

O método tem aplicações biotecnológicas diretas, pois os modelos cinéticos são ferramentas importantes para vários estudos, incluindo bioprodução, direcionamento de drogas, interações com microbiomas e biorremediação.

Os cientistas da EPFL estão especialmente interessados ​​em como o REKINDLE pode ser usado para otimizar a rede metabólica de micróbios para produzir compostos químicos em escala industrial, por exemplo, substituindo a indústria petroquímica tradicional por fábricas baseadas em células.

Um grande desafio que impede o uso generalizado de modelagem cinética na comunidade de pesquisa são os extensos requisitos computacionais e a falta de software computacional padronizado. Os cientistas da EPFL esperam que sua estrutura baseada em aprendizado profundo unifique os esforços da comunidade científica.

"O REKINDLE usa bibliotecas padrão do Python amplamente usadas que o tornam acessível e fácil de usar", continua Choudhury. “Nosso principal objetivo com este estudo é pavimentar o caminho para tornar esse tipo de esforço de modelagem de código aberto e acessível para que qualquer pessoa nas comunidades de biologia sintética e de sistemas possa usá-los para seus próprios objetivos de pesquisa, sejam eles quais forem”. + Explorar mais

A IA como um 'sábio conselho' para a biologia sintética