GraphGDel：构建和学习基因组尺度代谢模型的图表示以预测生长耦合基因删除
定量方法
2026-04-10 v7 机器学习
摘要
在基因组尺度约束型代谢模型中，基因删除策略对于实现生长耦合生产至关重要，其中细胞生长与靶代谢物合成同时发生。尽管代谢模型本质上具有网络性，现有计算方法主要依赖顺序数据，缺乏能够捕捉其复杂关系的图表示，两者均未得到充分探索。为填补这一差距，我们提出了双重解决方案。首先，我们引入了一个系统化的管道用于从约束型代谢模型构建图表示。其次，我们开发了一个深度学习框架，将这些图表示与基因和代谢物序列数据集成，用于预测生长耦合基因删除策略。我们的方法在三个代谢模型上 consistently 超越了既定基准，在相同代谢物图上，分别相对于深度前馈神经网络基准提高了 14.04%、16.26% 和 13.18% 在总体准确率方面，相对于序列学习基准提高了 6.17%、4.96% 和 5.31%，相对于拓扑感知图聚合基准提高了 5.10%、4.36% 和 4.70%。该项目的源代码和示例数据集可在 https://github.com/MetNetComp/GraphGDel 查阅。
引用
@article{arxiv.2504.06316,
title = {GraphGDel: Constructing and Learning Graph Representations of Genome-Scale Metabolic Models for Growth-Coupled Gene Deletion Prediction},
author = {Ziwei Yang and Takeyuki Tamura},
journal= {arXiv preprint arXiv:2504.06316},
year = {2026}
}