Mākslīgā intelekta izmantošana uz stehiometriskiem modeļiem bāzētu organismu celmu izvēlē un metaboliskajā inženierijā biotehnoloģijā

Abstract

Stehiometrisko genoma mēroga modeļu analīze ar katru gadu kļūst aizvien populārāka metode organismu analīzei, potenciālo modifikāciju meklēšanai un vispārīgi palīdz izvairīties no liekiem laboratorijas eksperimentiem. Tajā pašā laikā būtiski palielinās arī metabolisko reakciju, metabolītu un gēnu datu bāžu izmēri. Šie abi iemesli noved pie nepieciešamības pēc metodēm un algoritmiem, kas spētu apstrādāt aizvien pieaugošos datus un atvieglot metabolisko modeļu izveidi un apstrādi. Šajā darbā tiek izstrādāts kStrainAlgorithm, kurš izmanto ģenētiskos algoritmus, lai pildītu trīs galvenās funkcijas: 1) spēt identificēt nepieciešamās reakcijas genoma mēroga stehiometriskā modeļa darbībai, 2) izmantojot KEGG datu bāzi, pievienot reakciju kopu, kas uzlabo mērķa metabolīta plūsmu un 3) atbrīvoties no reakcijām, kas neietekmē vai maz ietekmē mērķa metabolīta plūsmu. Tādējādi tiek iegūtas idejas potenciālām organisma modifikācijām vai iespējamiem laboratorijas eksperimentiem ar šiem organismiem. Algoritms veiksmīgi izpilda tam sniegtos uzdevumus, un apmierinošā laikā tiek iegūti genoma mēroga modeļa modifikāciju ieteikumi, pēc kuriem var izvēlēties organismu celmus un to modifikācijas. Algoritma parametri un funkcijas ir viegli modificējamas un pielāgojamas dažādām situācijām. Līdz ar to kStrainAlgorithm ir potenciāls risināt ne tikai reakciju un metabolītu pievienošanas problēmas, bet arī citas genoma mēroga modeļu analizēšanas problēmas.

The analysis of genome-scale stoichiometric models is becoming an increasingly popular method for analysing organisms, searching for potential modifications, and generally helps to get rid of unnecessary laboratory experiments. At the same time, the size of metabolic reactions, metabolites, and gene databases is significantly increasing. Both reasons lead to the need for methods and algorithms that can process ever-increasing data and facilitate the creation and processing of metabolic models. In this work, a kStrainAlgorithm is developed, which uses genetic algorithms to perform three main functions: 1) being able to identify the necessary reactions for the target metabolite production of the genome-scale metabolic model, 2) adding a set of reactions that improve fluxes of the target metabolite and 3) getting rid of reactions that have little or no effect on the fluxes of the target metabolite. Thus, ideas for potential modifications of the organism or possible laboratory experiments with these organisms are obtained. The algorithm successfully fulfils the tasks given to it and the recommendations for modifications of the genome-scale model are obtained in a satisfactory time, according to which the strains of organisms and their modifications can be selected. Algorithm parameters and functions can be easily modified and adapted to different situations. Thus, the kStrainAlgorithm has the potential to solve not only the problems of reactions and metabolite addition but also other problems of analysing genome-scale models.