[논문 리뷰] A generalizable framework for unlocking missing reactions in genome-scale metabolic networks using deep learning

Xiaoyi Liu, Hongpeng Yang외 6명|arXiv (Cornell University)|2024. 09. 20.

Microbial Metabolic Engineering and BioproductionBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

이 논문은 생체지네식 대사 모델(GEM)의 초안에서 부족한 반응을 표현형 데이터에 의존하지 않고 예측하기 위해 초과망(hypergraphs)으로 대사 네트워크를 모델링하는 딥러닝 프레임워크 CLOSEgaps를 소개한다. 초과망 컨volutional 네트워크와 어텐션 메커니즘을 통합함으로써 다양한 생물에서 96% 이상의 정확도를 달성하여 표현형 예측 및 주요 대사산물 생산을 크게 향상시킨다.

ABSTRACT

Incomplete knowledge of metabolic processes hinders the accuracy of GEnome-scale Metabolic models (GEMs), which in turn impedes advancements in systems biology and metabolic engineering. Existing gap-filling methods typically rely on phenotypic data to minimize the disparity between computational predictions and experimental results. However, there is still a lack of an automatic and precise gap-filling method for initial state GEMs before experimental data and annotated genomes become available. In this study, we introduce CLOSEgaps, a deep learning-driven tool that addresses the gap-filling issue by modeling it as a hyperedge prediction problem within GEMs. Specifically, CLOSEgaps maps metabolic networks as hypergraphs and learns their hyper-topology features to identify missing reactions and gaps by leveraging hypothetical reactions. This innovative approach allows for the characterization and curation of both known and hypothetical reactions within metabolic networks. Extensive results demonstrate that CLOSEgaps accurately gap-filling over 96% of artificially introduced gaps for various GEMs. Furthermore, CLOSEgaps enhances phenotypic predictions for 24 GEMs and also finds a notable improvement in producing four crucial metabolites (Lactate, Ethanol, Propionate, and Succinate) in two organisms. As a broadly applicable solution for any GEM, CLOSEgaps represents a promising model to automate the gap-filling process and uncover missing connections between reactions and observed metabolic phenotypes.

연구 동기 및 목표

• 시스템 생물학 및 대사 공학 분야에서 정확성과 활용도를 제한하는 생체지네식 대사 모델(GEM)의 지속적인 지식 부족 문제를 해결한다.
• 비용이 많이 들고 시간이 오래 걸리는 표현형 스크리닝과 수작업 코딩에 의존하는 전통적 결함 보완 방법의 한계를 극복한다.
• 실험 데이터나 애너테이션된 게놈이 제공되기 이전에 초안 GEM 내에서 부족한 반응을 식별할 수 있는 모델 프리(MODEL-FREE), 데이터 기반 접근법을 개발한다.
• 모델링 대상 생물 종류에 관계없이 자동화되고 확장 가능하며 일반화된 결함 보완을 가능하게 한다.
• 정확히 부족한 대사 연결을 복원하고 플럭스 균형 분석 결과를 향상시킴으로써 GEM의 예측 능력을 향상시킨다.

제안 방법

• 반응은 초과변(하이퍼엣지)로, 대사산물은 초과노드로 표현하여 복잡한 반응-대사산물 관계의 위상학적 모델링이 가능한 초과망으로 대사 네트워크를 표현한다.
• 학습 가능한 파rameter를 가진 초과망 컨volutional 네트워크(HGCN)를 활용하여 초과망 구조에서 계층적인 위상학적 특징을 추출한다.
• 특징 전파 과정에서 이웃한 초과변과 대사산물의 중요도를 동적으로 가중치를 매기는 어텐션 메커니즘을 통합한다.
• 결함 보완을 하이퍼링크 예측 문제로 재정의한다: 학습된 초과변 표현에 이진 분류 헤드를 적용하여 가상 반응의 존재 여부를 예측한다.
• 노드와 초과변 간의 유사도 함수(식 3)를 사용하여 어텐션 가중치를 계산함으로써 맥락 인식 기반의 표현 학습을 가능하게 한다.
• 후보 반응을 BiGG 데이터베이스에서 선별하기 위해 신뢰도 임계값 0.99999를 적용하고, 에너지 생성 순환(EGCs)을 플럭스 경계 조정을 통해 탐지하고 제거하면서 매 반복마다 상위 200개의 반응을 추가한다.

실험 결과

연구 질문

• RQ1 기존 표현형 데이터나 수작업 코딩 없이 딥러닝 프레임워크가 초안 GEM 내에서 부족한 반응을 예측할 수 있는가?
• RQ2 초과망 기반의 표현 학습 접근법이 대사 네트워크의 위상학적 특징을 결함 보완에 얼마나 효과적으로 포착하는가?
• RQ3 다양한 생물 종의 여러 GEM에서 제안된 방법이 표현형 예측 정확도를 얼마나 향상시키는가?
• RQ4 이 프레임워크는 락트산, 에탄올, 프로피온산, 사쿠신산과 같은 주요 대사산물의 생산을 향상시키는 생물학적으로 관련성이 있는 부족 반응을 식별할 수 있는가?
• RQ5 비모델 생물 또는 배양할 수 없는 생물 종을 포함한 다양한 생물 종에 대해 이 방법은 얼마나 일반화 가능한가?

주요 결과

• CLOSEgaps는 다수의 생체지네식 대사 모델에 인위적으로 도입된 결함에 대해 96% 이상의 정확도를 달성하여 높은 예측 신뢰도를 입증했다.
• 24종의 다양한 GEM에서 표현형 예측 정확도가 향상되어 모델의 정밀도와 기능적 커버리지가 향상됨을 나타냈다.
• 두 생물 종에서 CLOSEgaps는 락트산, 에탄올, 프로피온산, 사쿠신산과 같은 네 가지 핵심 대사산물의 시뮬레이션 생산을 크게 향상시켰으며, 이는 부족한 반응을 식별하고 통합함으로써 가능했다.
• 엄격한 신뢰도 임계값(0.99999)과 반복적인 EGC 탐지로 높은 품질의 결함 보완을 확보하면서 대사 일관성 문제를 피했다.
• 이 방법은 ATP, GTP 등의 에너지 소모 반응 15개를 성공적으로 식별하여 재구성된 모델에서 잘못된 플럭스 순환을 제거하는 데 핵심적인 역할을 했다.
• 이 프레임워크는 생물 종의 유형에 관계없이 모든 GEM에 널리 적용 가능하며, 실험적 표현형 데이터가 없어도 효과적으로 작동한다.