DBgDel: marco de eliminación de genes mejorado con bases de datos para la producción acoplada al crecimiento en modelos metabólicos a escala genómica

La identificación de estrategias de eliminación de genes para la producción acoplada al crecimiento en modelos metabólicos a escala genómica presenta importantes desafíos computacionales. La producción acoplada al crecimiento, que vincula el crecimiento celular con la síntesis de metabolitos objetivo, es esencial para las aplicaciones de ingeniería metabólica. Sin embargo, derivar estrategias de eliminación de genes para modelos a gran escala exige una gran demanda computacional, ya que existe un espacio de búsqueda masivo combinado con la necesidad de cálculos repetidos en diferentes metabolitos objetivo. Estos desafíos limitan la escalabilidad y eficiencia de los métodos y su aplicación en la biotecnología industrial y la investigación metabólica.

Los enfoques ampliamente utilizados, como el método basado en vectores de flujo elemental, gDel minRN, GDLS y optGene, son eficaces pero a menudo computacionalmente costosos. La mayoría de estos enfoques no comparten información entre objetivos, porque la mayoría de ellos dependen de cálculos de novo para cada metabolito involucrado. La redundancia aumenta el coste computacional, lo que significa que la mayoría de estos enfoques tienen baja escalabilidad. La tasa de éxito del GDLS es muy baja, mientras que para aplicar el tiempo de cálculo requerido a escala del genoma, es demasiado alta para optGene.

Para abordar esta ineficiencia, investigadores de la Universidad de Kyoto desarrollaron DBgDel, un marco basado en una base de datos para calcular estrategias para la eliminación de genes. Esto incorpora el conocimiento de la base de datos MetNetComp en el cálculo. Funciona en dos pasos principales. Primero, recupera los “genes restantes” derivados de estrategias de eliminación máxima archivadas en la base de datos con el fin de tener un acervo genético inicial enfocado, y luego aplica una versión mejorada del algoritmo gDel minRN para un cálculo eficiente de las estrategias de eliminación de genes. Reduce el cálculo redundante y acelera el cálculo al reducir el espacio de búsqueda; por lo tanto, ofrece una solución muy escalable y práctica para la ingeniería metabólica a escala del genoma.

El equipo de investigación utilizó tres modelos metabólicos con distintos niveles de complejidad (núcleo de E. coli, iMM904 e iML1515) utilizando la base de datos MetNetComp, que contiene más de 85.000 estrategias de eliminación de genes. Este flujo de trabajo genera un conjunto reducido de genes restantes a partir de la información de la base de datos y utiliza un algoritmo basado en MILP para refinar las estrategias de eliminación. El rendimiento se midió utilizando una combinación de tasas de éxito y tiempo de cálculo en comparación con DBgDel con las herramientas existentes, como gDel minRN, GDLS y optGene.

DBgDel demostró mejoras considerables en el rendimiento computacional y mantuvo un buen rendimiento en todos los modelos probados. Demostró una aceleración promedio de 6,1 veces en comparación con los enfoques tradicionales. Puede identificar estrategias de eliminación para 507 de 991 metabolitos objetivo de modelos a gran escala, como iML1515, en un tiempo de cálculo mínimo. La inclusión de los acervos genéticos iniciales basados ​​en bases de datos permitió un mejor manejo de la escalabilidad y la precisión al proporcionar evidencia de su eficacia en aplicaciones de ingeniería metabólica a escala genómica.

DBgDel ofrece una solución transformadora para identificar estrategias de eliminación de genes en modelos metabólicos a escala genómica, abordando desafíos de larga data en eficiencia computacional y escalabilidad. El conocimiento extraído de las bases de datos da como resultado resultados más rápidos y precisos con tasas de éxito comparables. Este avance abre una amplia vía para usos más prácticos de la ingeniería metabólica a escala genómica en la biotecnología industrial. Para lograr mejoras en los métodos de extracción de bases de datos, será necesario hacerlos más versátiles para expandirlos hacia un área de aplicación más general.

Mira el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa.. No olvides unirte a nuestro SubReddit de más de 55.000 ml.

(SEMINARIO WEB GRATUITO sobre IA) Implementación del procesamiento inteligente de documentos con GenAI en servicios financieros y transacciones inmobiliarias– Del marco a la producción

Aswin AK es pasante de consultoría en MarkTechPost. Está cursando su doble titulación en el Instituto Indio de Tecnología de Kharagpur. Le apasiona la ciencia de datos y el aprendizaje automático, y aporta una sólida formación académica y experiencia práctica en la resolución de desafíos interdisciplinarios de la vida real.