《Nature Communications》:Generative approaches to kinetic parameter inference in metabolic networks via latent space exploration
编辑推荐:
本文针对构建大规模动力学代谢模型时酶动力学参数稀缺的瓶颈,研究团队提出了一种潜空间探索框架。该框架通过重新利用已训练的生成式神经网络,无需额外训练即可在新的生物学体系(如不同物种或生理状态)中生成具有目标动力学特性的模型。研究表明,在Escherichia coli和Saccharomyces cerevisiae中,该方法可有效调控有氧代谢响应速度、识别限速酶,并实现代谢动力学的稳健控制。该工作为加速细胞工厂设计和实现个性化代谢建模提供了新的可行路径。
代谢是生命活动的核心,如何精准、高效地描述和理解其中复杂多变的化学过程,一直是系统生物学和合成生物学领域的重大挑战。传统的动力学模型能够追踪代谢物浓度、通量和酶水平的动态变化,量化细胞对遗传及环境扰动的响应,是深入解析代谢机制、设计细胞工厂(Cell Factory)乃至实现个性化医疗的强大工具。然而,构建此类模型,尤其是在接近基因组尺度(Genome-scale)的水平上进行,却面临着一个根本性障碍:酶动力学参数(Kinetic Parameters)的极度匮乏。这些参数如同描述化学反应速度的“密码”,获取它们通常依赖耗时、昂贵且通量低的实验测定,严重制约了大规模、可推广的动力学模型构建。
近年来,生成式神经网络(Generative Neural Networks)的崛起为快速参数化大规模动力学模型提供了曙光,它们能利用现有数据高效生成模型的参数集。但现有方法存在明显短板:模型内部表示(Representation)难以解读,缺乏可解释性;更重要的是,一旦研究目标从一种生物转向另一种,或从一种生理状态转向另一种,模型往往需要“从头开始”进行新的训练,既浪费计算资源,也缺乏灵活性与通用性。这就好比为每一款新手机都要重新开发一套完全不同的操作系统,而不是在同一个内核上进行适配和调整。那么,能否找到一种方法,让一个已训练好的生成式模型“一专多能”,无需重复训练就能适应新的生物体系并生成满足特定动力学需求的模型参数呢?
为了回答这个问题,一项发表于《Nature Communications》的研究提出了一个创新性的“潜空间探索”(Latent-space Exploration)框架。该框架的核心思想是,将训练好的生成式神经网络视为一个“模型生成器”,其内部的潜空间(Latent Space)蕴含着丰富的、可调控的模型行为信息。研究人员不再需要为每个新任务重新训练网络,而是通过探索和操纵这个潜空间中的输入变量(即潜变量,Latent Variables),来直接引导模型输出具有目标动力学特性的参数集。这相当于为动力学模型的行为安装了一套实用的“控制旋钮”,只需调节这些旋钮,就能让模型表现出不同的动态行为,如改变代谢响应速度、切换生理状态等。
研究人员主要采用了生成式神经网络建模、潜空间操纵与优化、以及跨物种/跨生理状态的动力学模型验证与预测等关键方法。研究利用已公开的代谢网络模型和部分动力学参数数据作为训练基础,构建了基础的生成模型。随后,通过定义与目标动力学特性(如有氧呼吸速率、厌氧代谢产物分布等)相关的数学目标函数,在生成网络的潜空间中进行搜索和优化,寻找能使生成模型满足新约束条件的潜变量输入。研究在Escherichia coli(大肠杆菌)和Saccharomyces cerevisiae(酿酒酵母)两个经典模式生物中进行了系统验证,评估了框架在不同训练阶段和数据条件下的鲁棒性。
通过潜变量调控Escherichia coli的有氧响应与酶识别
研究首先在Escherichia coli的模型上展示其框架的威力。研究人员发现,通过系统地调节输入生成网络的潜变量,可以像调节旋钮一样,连续、可控地改变模型预测的有氧代谢响应速度。这意味着无需改变模型结构或重新进行参数训练,仅通过调整潜输入,就能让模型模拟出从迟缓到迅速的各种代谢适应行为。更重要的是,该方法能够自动识别出在不同动态响应中起关键作用的限速酶(Rate-limiting Enzymes),为后续的代谢工程改造提供了明确的靶点。最引人注目的是,研究人员成功地将一个在“有氧”生理状态下训练得到的生成网络,通过潜空间探索,重新定向(Retarget)用于生成能准确模拟“厌氧”动力学的模型参数,实现了跨生理状态的模型迁移。
在Saccharomyces cerevisiae中验证跨物种与跨训练阶段的鲁棒性
为了证明该方法的普适性,研究将其应用于更复杂的真核生物Saccharomyces cerevisiae。结果表明,该潜空间探索框架对模型在不同训练阶段(即使用不同规模或质量的数据训练后)的表现均具有稳健的控制能力。无论潜输入如何变化(即设定不同的目标动力学),框架都能引导生成网络产出符合预期且物理解释合理的动力学模型。这强有力地证明了,该框架能够作为一个通用工具,将针对某一物种或条件训练的生成模型,灵活地应用于其他相关物种或全新的生理场景中,有效解决了生成式方法普遍面临的“重新训练”困境。
该研究得出结论,生成式神经网络的潜空间不仅仅是模型内部的一个抽象表示,更是一个蕴藏着丰富、可操控动力学信息的“宝库”。通过主动探索和优化这个空间,可以将训练好的生成网络重新用于快速创建适应新体系、满足新需求的动力学模型,而无需进行昂贵且耗时的额外网络训练。研究所提出的框架将潜变量转化为调控动力学模型行为的实用控制旋钮。
这项工作的意义重大。它为解决大规模动力学代谢建模的核心瓶颈——参数稀缺与模型僵化——提供了一条高效、灵活的新路径。在基础研究层面,它增强了模型的可解释性和可控性,使研究人员能够更深入地探究代谢调控原理。在应用层面,它极大地加速了面向生物制造(Bio-manufacturing)的细胞工厂设计流程,允许快速测试和优化不同代谢途径的动态性能。更重要的是,该框架为实现个性化代谢建模(Personalized Metabolic Modeling)带来了新的可能,未来或可基于个体特定的代谢组学等数据,快速生成定制化的动力学模型,用于疾病机制研究或个性化治疗策略的探索,推动计算生物学向更精准、更实用的方向发展。