
-
生物通官微
陪你抓住生命科技
跳动的脉搏
通量采样与图神经网络在改进哺乳动物基因组尺度代谢模型中基因关键性预测中的应用
《npj Systems Biology and Applications》:Flux sampling and graph neural networks for improved gene essentiality prediction in mammalian genome-scale metabolic models
【字体: 大 中 小 】 时间:2026年05月09日 来源:npj Systems Biology and Applications 3.5
编辑推荐:
摘要基因的必要性,即基因对生存或增殖的必要性,是理解细胞过程和确定药物靶点的关键。实验方法需要进行大规模的培养筛选,这既耗时又昂贵,因此推动了一种计算模拟(in silico)方法的发展。现有的方法主要使用通量平衡分析(Flux Balance Analysis, FBA),这是
基因的必要性,即基因对生存或增殖的必要性,是理解细胞过程和确定药物靶点的关键。实验方法需要进行大规模的培养筛选,这既耗时又昂贵,因此推动了一种计算模拟(in silico)方法的发展。现有的方法主要使用通量平衡分析(Flux Balance Analysis, FBA),这是一种基于约束的优化框架,需要预先定义的细胞目标函数。然而,这种方法可能会引入观察者偏差,因为目标函数往往反映了研究者的假设,而非细胞的生物学真实目标。在这里,我们提出了FluxGAT,这是一种图神经网络(Graph Neural Network, GNN),它能够从通量采样数据的图形表示中预测基因的必要性。通量采样消除了对显式目标函数的需求,而是描述了可行的稳态通量情况。FluxGAT将这一信息与代谢网络拓扑结构结合起来,学习到基于通量的节点表示,并将反应分类为必需或非必需的。我们将FluxGAT应用于iCHO2291中国仓鼠卵巢细胞的基因组规模模型以及Mouse1(一种具有独立必需性标签的通用小鼠模型)。在这两个系统中,FluxGAT都在保持高精度和特异性的同时提升了检测灵敏度,并且能够识别出更多的实验验证为必需的基因,尤其是在FBA预测的必需基因数量很少的情况下。这些结果表明,基于通量的GNN能够在不需要人工设计目标函数的情况下,为哺乳动物基因组规模模型提供更普遍的基因必要性预测。