通过超图学习梳理基因组规模代谢网络的缺失反应｜Nat. Commun. 速递

关键词：代谢网络，深度学习，超图学习

论文题目：Teasing out missing reactions in genome-scale metabolic networks through hypergraph learning

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-38110-7

基因组规模代谢模型（GEMs，GEnome-scale Metabolic models）是预测生物体细胞代谢和生理状态的有力工具。它通过两个矩阵提供了全面的基因-反应-代谢关联，是有机体代谢的数学表示。然而，由于人们对代谢过程的知识并不完备，即使是精心设计的 GEMs 也存在知识空白（例如，一些缺失反应）。现有的空白填补方法通常需要表型数据作为输入，我们仍然缺乏一种快速准确的计算方法，在获得实验数据之前，填补代谢网络的空白。

在这篇最近发表在 Nature Communications 的文章中，作者提出了一种基于深度学习的方法——切比雪夫光谱超链接预测器（CHESHIRE，CHEbyshev Spectral HyperlInk pREdictor）——仅仅从代谢网络的拓扑性质来预测 GEMs 中的缺失反应。作者用 CHESHIRE 预测了926个高质量和中等质量的 GEMs 里人工去除的反应，证明了 CHESHIRE 优于其他基于拓扑的方法。此外，对发酵产物和氨基酸分泌物的49个草拟 GEMs，CHESHIRE 能够提升表型预测。这两种类型的验证表明，CHESHIRE 是 GEM 管理的强大工具，可以揭示反应和观察到的代谢表型之间的未知联系。