中国科学院、新アルゴリズムET-OptMEで代謝エンジニアリングの精度向上を実現

中国科学院が新規代謝工学ターゲット設計アルゴリズムを開発 代謝工学は、合成生物学における主要な技術手段の一つで、微生物による化合物生産の効率化を推進しています。代謝ターゲットの予測は、設計-構築-テスト-学習（デザインサイクル）の最初のステップであり、実験の効率とリソースの投入を決める重要な要素です。セル内の複雑な酵素触媒反応と熱力学的機構が微生物の代謝行動を支配しています。これらのメカニズムに基づく「物理化学的本質」の細胞モデルは、AIモデルでは難しい説明可能性を持っており、代謝工学の設計精度を向上させる鍵になっています。 従来のターゲット設計アルゴリズムであるOptForceやFSEOFは、化学計量モデルに依存しており、酵素のリソース消費量と反応の熱力学的実現可能性という二つの重要な生理的メカニズムを無視していました。中国科学院天津工业生物技術研究所は、自然界の「省エネルギー且つ効率的な」自由エネルギーと酵素リソースの精巧な協調制御に着想を得て、ET-OptMEフレームワークを開発しました。このフレームワークは、酵素制約と熱力学制約を併せて導入することで、予測の生理的真实性と実験実現性を向上させています。 ET-OptMEは、ET-ECompとET-ESEOFの二つのコアアルゴリズムから成ります。ET-ECompは、異なる状態での酵素濃度範囲を比較して、上昇または下降すべき酵素を特定します。ET-ESEOFは、目標流量を増加させる過程での酵素濃度変化トレンドをスキャンし、制御シグナルを捉えます。さらに、「プロテイン・センター」戦略を導入することで、従来の反応レベルでのターゲット予測から脫却し、多機能酵素の予測で生じる調節方向の統一問題を解決しています。 具体例として、穂状桿菌の5つの工業製品生産ケースで、ET-OptMEは化学計量アルゴリズムよりも最小精度指標で292%以上、Accuracyで106%改善されました。また、現在の最先进の酵素制約アルゴリズムと比較しても、70%の精度優位性と47%のAccuracy優位性を持っています。 研究チームは、キーとなるターゲットとなるpyc、gapA、leuAの予測成功要因を代謝レベルで分析し、酵素-熱力制約によるターゲット予測アルゴリズムが、パス効率の向上と代謝のボトルネックの克服に優れていることを示しました。関連する研究結果は、『代謝工学』（Metabolic Engineering）誌にオンラインで発表されました。この研究は、国家重点研究開発計画と国家自然科学研究基金の支援を受けています。 （論文リンク: ET-OptMEのアルゴリズム示意图）