面向基因规模代谢模型（GEMs）的多因素 Gap-filling 的组合优化方法
最优化与控制
2026-04-29 v1 基因组学
摘要
基因规模代谢模型（GEMs）描述了基因、蛋白质与支撑生物体代谢的酶反应之间的相互作用，旨在计算模拟细胞水平的功能。虽然许多代谢反应可从基因组分析中推断，但构建 GEMs 通常涉及纳入不受基因组数据支持的反应以提高预测准确性。这被称为 gap-filling，一种可手动进行（耗时）或计算进行的过程。传统计算 gap-filling方法旨在解决单个环境条件（介质）下的 GEM 预测，通过求解大规模整数线性规划问题。跨多个介质的顺序应用可产生更稳健的模型，但常在其他介质中引入不现实的预测。且运行缓慢。本文中，我们研究多因素 gap-filling，即同时在通常 10 多个输入介质中进行 gap-filling，同时提高整体预测准确性并最小化不现实行为。我们将反应集合的选择视为组合优化问题，描述一种基于经典元启发式方法的算法，仅需求解连续线性规划问题。本文为非生物学背景的读者介绍此问题，提出实用初步解法方法。我们展示该方法为三个细菌株进行 gap-filling，选取 3000 至 4000 个反应，基于 9 至 28 个独立介质条件的实验测量性能进行匹配。我们表明该方法在多个指标上优于传统方法，包括 Kendall Tau 和均方根误差分别提高平均 7.3% 和 13.3%。
关键词
引用
@article{arxiv.2604.25233,
title = {A Combinatorial Optimisation Approach to Multi-factorial Gap-filling in Genome-scale Metabolic Models (GEMs)},
author = {Philip Kilby and Sevvandi Kandanaarachchi and Matthew J. Morgan and Amy M. Paten and Mariana Velasque and Andrew C. Warden and Juan P. Molina Ortiz},
journal= {arXiv preprint arXiv:2604.25233},
year = {2026}
}