Le métabolisme est essentiel à tous les organismes vivants, et modéliser les réactions chimiques qui entretiennent la vie n'est pas une tâche facile. Aujourd'hui, des scientifiques de l'EPFL ont publié REKINDLE, un processus d'apprentissage en profondeur qui ouvre la voie à une modélisation plus efficace et plus précise des processus métaboliques.

La façon dont un organisme métabolise les nutriments est un processus complexe. Dans la littérature, le processus peut être modélisé par un ensemble d'équations mathématiques avec des paramètres propres à chaque organisme.

Les paramètres que l'on mesurerait pour un humain seraient différents de ceux d'une souris, d'une bactérie, d'une levure ou de tout organisme vivant à l'étude. Si nous avions accès à ces paramètres pour un organisme vivant donné, alors son modèle correspondant serait complet, il correspondrait à l'observation du monde réel, et des études in silico seraient possibles pour une meilleure conception des études in vitro et in vivo.

Sur le plan pratique, cependant, la détermination de ces paramètres est une question compliquée, en raison du manque de données expérimentales. En règle générale, les chercheurs ont besoin de grandes quantités de données expérimentales et de ressources informatiques pour déterminer ces paramètres. Mais que se passerait-il si vous pouviez contourner le besoin de données étendues et toujours produire un modèle qui correspond à l'observation et à la mesure expérimentales ? C'est exactement ce que proposent les scientifiques de l'EPFL avec REKINDLE, un cadre informatique basé sur l'apprentissage en profondeur qui reproduit les propriétés métaboliques dynamiques observées dans les cellules. Les résultats sont publiés dans Nature Machine Intelligence .

"REKINDLE permettra à la communauté de recherche de réduire les efforts de calcul pour générer des modèles cinétiques de plusieurs ordres de grandeur. Il aidera également à postuler de nouvelles hypothèses en intégrant des données biochimiques dans ces modèles, en élucidant les observations expérimentales et en orientant de nouvelles découvertes thérapeutiques et conceptions biotechnologiques, " déclare Ljubisa Miskovic du Laboratoire de biotechnologie des systèmes computationnels de l'EPFL et co-PI de l'étude.

"L'objectif primordial de la modélisation métabolique est de décrire le comportement métabolique cellulaire à un degré tel que la compréhension et la prédiction des effets des variations des états cellulaires et des conditions environnementales peuvent être testées de manière fiable pour une large gamme d'études dans les domaines de la santé, de la biotechnologie et des systèmes et biologie synthétique », explique Subham Choudhury, premier auteur de l'étude. "Nous espérons que REKINDLE facilitera la construction de modèles métaboliques pour l'ensemble de la communauté."

La méthode a des applications biotechnologiques directes, car les modèles cinétiques sont des outils importants pour diverses études, notamment la bioproduction, le ciblage des médicaments, les interactions du microbiome et la bioremédiation.

Les scientifiques de l'EPFL sont particulièrement intéressés par la manière dont REKINDLE pourrait être utilisé pour optimiser le réseau métabolique des microbes afin de produire des composés chimiques à l'échelle industrielle, par exemple en remplaçant l'industrie pétrochimique traditionnelle par des usines à base de cellules.

Un défi majeur empêchant l'utilisation généralisée de la modélisation cinétique dans la communauté de la recherche est les exigences de calcul étendues et le manque de logiciels de calcul standardisés. Les scientifiques de l'EPFL espèrent que leur cadre basé sur l'apprentissage en profondeur unifiera les efforts de la communauté scientifique.

"REKINDLE utilise des bibliothèques Python standard largement utilisées qui le rendent accessible et facile à utiliser", poursuit Choudhury. "Notre objectif principal avec cette étude est d'ouvrir la voie pour rendre ce type d'efforts de modélisation open source et accessible afin que n'importe qui dans les communautés de la biologie synthétique et des systèmes puisse les utiliser pour son propre objectif de recherche, quel qu'il soit." + Explorer plus loin

L'IA comme "conseil avisé" pour la biologie synthétique