RealFeedApp kinGEMs senkt die mittlere Flussvariabilität um mehrere Fache
Das Framework kinGEMs kombiniert ein Deep-Learning-Modell zur Vorhersage kinetischer Parameter mit einem Pipeline-System für Stoffwechseloptimierung. Es reduziert die mittlere Flussvariabilität in Enzym-restrichen Genom-Skalen-Modellen um mehrere Fache.
- Bereich
- Training von Sprachmodellen
- Was gemacht wurde
- Die Autoren haben ein neues Framework namens kinGEMs entwickelt, das ein tiefes Lernmodell (CPI-Pred) mit einem Pipeline-System verbindet, um enzymatische Reaktionsgeschwindigkeiten aus Sequenzdaten vorherzusagen. Dieses System integriert diese vorhergesagten Werte in genomweite Stoffwechselmodelle, um deren Genauigkeit und Verallgemeinerungsfähigkeit zu verbessern.
- Warum es wichtig ist
- Das Framework wurde erstellt, um das Problem der unvollständigen kinetischen Daten in der Systembiologie zu lösen und die Vorhersage von Wachstumsraten sowie Stoffwechselströmen zu verbessern. Die Tests zeigten, dass es die Variabilität der Stoffwechselströme um mehrere Fache reduziert und die Ergebnisse mit experimentellen Beobachtungen übereinstimmen.
#ecgems#deep learning#kinetic parameters#metabolic optimization#systems biology
