基于约束的代谢网络逆建模：概念验证

我们考虑从经验通量数据推断代谢网络模型中通量配置概率分布的问题。对于需要检索实验平均值的简单情况，数据由类玻尔兹曼分布（$\propto e^{F/T}$）描述，其中 $F$ 是通量的线性组合，且“温度”参数 $T\geq 0$ 允许波动。零温度极限对应于通量平衡分析场景，其中目标函数（$F$）被最大化。作为测试，我们通过玻尔兹曼学习对大肠杆菌在葡萄糖限制好氧静止生长条件下的分解代谢核心进行了逆建模。当 $F$ 是生物量产生和葡萄糖摄取的简单组合且温度为有限时，经验均值被最好地再现，意味着波动的存在。本文提出的方案有潜力提供对细胞代谢的新的定量洞察。然而我们的实现计算密集，并突出了有效算法在采样代谢网络高维解空间中可发挥的重要作用。