混合物理先验代谢控制遗传学：以通量平衡分析指导的机器学习代理增强过程速率

代谢控制遗传学是一个极具前景的概念，它将基因表达和细胞代谢与计算机相连接，以实现实时的动态代谢控制。其重点在于转录水平的控制，以此作为调节胞内代谢通量的手段。该领域最近的策略采用了基于约束的动态模型来进行过程优化、控制和估计。然而，这会导致双层动态优化问题，带来相当大的数值和概念上的挑战。在本研究中，我们提出了一种用于代谢控制遗传学的替代性混合物理先验动态建模框架，旨在简化优化、控制和估计任务。通过利用机器学习代理，我们的方法有效地将代谢网络的物理特性嵌入到与基因表达耦合的结构更简单的宏观动力学模型的过程速率中。这些由通量平衡分析指导的代理，将可操作的胞内酶领域与代谢交换通量联系起来。这确保了由系统代谢网络捕获的关键知识得以保留。所得模型可以集成到涉及单层优化的代谢控制遗传学方案中。此外，该混合建模方法将系统状态的数量保持在必要的最低限度，减轻了过程监测和估计的负担。我们通过一个关于光遗传学辅助大肠杆菌生产衣康酸的 computational case study 演示了该混合物理先验代谢控制遗传学框架。