AlphaGEM通过将蛋白质结构比对与基于深度学习的暗代谢挖掘相结合，实现了精确的基因组尺度代谢建模

《Nature Communications》：AlphaGEM enables precise genome-scale metabolic modelling by integrating protein structure alignment with deep-learning-based dark metabolism mining

　　

摘要

为非模式生物构建高质量的基因组尺度代谢模型仍然具有挑战性。为解决这一问题，我们开发了AlphaGEM这一多功能工具箱，它利用蛋白质组尺度的结构比对、蛋白质语言模型以及基于深度学习的预测方法，高效地挖掘基因组信息，从而生成可用于实际应用的代谢模型。与传统基于序列的方法相比，AlphaGEM在识别同源关系方面表现更佳。更重要的是，它通过整合多种深度学习工具，有效挖掘由非同源蛋白质编码的隐性代谢功能，进而扩展物种特有的代谢网络。我们在原核生物（Klebsiella pneumoniae、Bacillus subtilis）、真核生物（Rhodosporidium toruloides、Pichia pastoris）以及复杂哺乳动物（Mus musculus、Cricetulus griseus）中验证了AlphaGEM的性能，其预测结果与人工构建的模型相当，且优于现有的同类工具。此外，我们还展示了该工具的可扩展性，能够自动为332种不同的酵母物种重建高精度的代谢模型。总之，AlphaGEM能够在不同生物领域实现精准、快速的代谢模型构建，为那些拥有基因组序列的生物的通用功能分析提供了坚实基础。