EnzymeTuning通过深度学习技术提升了受酶限制的代谢建模以及蛋白质组丰度预测的准确性

《Nature Communications》：EnzymeTuning improves enzyme-constrained metabolic modeling and proteome abundance prediction through deep learning

　　

摘要

酶动力学参数的准确性，尤其是酶转化数（k_cat），对于基于酶的基因组规模代谢模型的预测性能至关重要。然而，目前可用的动力学数据集仍然较为稀少，且常常无法准确反映体内酶的行为，从而限制了模型的准确性。为了解决这些问题，我们开发了EnzymeTuning，这是一个基于生成对抗网络的框架，用于全局优化酶转化数（k_cat）。通过进一步结合文献中提供的蛋白质降解常数，我们推断了蛋白质合成速率，并系统地评估了这些常数对模型性能的影响。实验结果表明，EnzymeTuning显著提高了预测准确性，并扩展了在不同生物体（包括Saccharomyces cerevisiae、Kluyveromyces lactis、Kluyveromyces marxianus、Yarrowia lipolytica和Escherichia coli）中的蛋白质组覆盖范围。此外，EnzymeTuning还揭示了在多种碳源和氮源受限的化学计量条件下酶的使用模式及其适应性催化资源分配机制，凸显了该框架在整合多组学分析方面的巨大潜力。