基于图神经网络揭示基因组尺度代谢网络热力学原理及优化规律

来自研究团队开发了基于图神经网络的算法dGbyG，用于精准预测基因组尺度代谢反应的标准吉布斯自由能变（ΔrG°′）。该研究解决了代谢热力学数据匮乏的瓶颈，显著提升代谢模型预测精度，揭示了反应拓扑结构与酶表达调控的耦合机制，并发现多目标优化驱动的热力学普适规律。

　　

研究团队开发了一种基于图神经网络（GNN）的算法dGbyG，能够高精度预测代谢反应的标准吉布斯自由能变化（Δ_rG°′），突破了基因组尺度热力学数据缺失的限制。该模型展现出卓越的泛化能力与鲁棒性，其预测结果显著提升了基因组尺度代谢模型（GEMs）的校准精度和通量预测可靠性。通过整合热力学约束，研究识别出具有显著负反应吉布斯自由能变（Δ_rG）的热力学驱动反应（TDRs），这些反应呈现独特的网络拓扑特征及异质性酶表达模式，表明热力学驱动力与代谢网络结构之间存在协同调控机制。此外，研究在线性代谢通路中发现热力学参数的普遍分布规律，并通过多目标优化模型揭示其背后平衡通路通量最大化与酶/代谢物负荷最小化的帕累托最优原则。该工作为大规模代谢热力学研究提供关键数据支持，并从优化原理角度深化了对代谢系统设计的理解。