CN117476092A - 一种基于异质性的细胞代谢网络建模方法及其应用 - Google Patents
一种基于异质性的细胞代谢网络建模方法及其应用 Download PDFInfo
- Publication number
- CN117476092A CN117476092A CN202210861942.3A CN202210861942A CN117476092A CN 117476092 A CN117476092 A CN 117476092A CN 202210861942 A CN202210861942 A CN 202210861942A CN 117476092 A CN117476092 A CN 117476092A
- Authority
- CN
- China
- Prior art keywords
- data
- cell
- single cell
- modeling
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000019522 cellular metabolic process Effects 0.000 title claims abstract description 41
- 230000002503 metabolic effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000006461 physiological response Effects 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 177
- 108090000623 proteins and genes Proteins 0.000 claims description 50
- 102000004169 proteins and genes Human genes 0.000 claims description 47
- 239000002207 metabolite Substances 0.000 claims description 42
- 238000013135 deep learning Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000004060 metabolic process Effects 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 108010026552 Proteome Proteins 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000001413 cellular effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004949 mass spectrometry Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000007865 diluting Methods 0.000 claims description 4
- 238000001819 mass spectrum Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 210000002421 cell wall Anatomy 0.000 claims description 3
- 102000038379 digestive enzymes Human genes 0.000 claims description 3
- 108091007734 digestive enzymes Proteins 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000004907 flux Effects 0.000 abstract description 4
- 238000009510 drug design Methods 0.000 abstract description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 23
- 238000003062 neural network model Methods 0.000 description 22
- 238000012360 testing method Methods 0.000 description 19
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 18
- 241000195597 Chlamydomonas reinhardtii Species 0.000 description 17
- DNIAPMSPPWPWGF-UHFFFAOYSA-N Propylene glycol Chemical compound CC(O)CO DNIAPMSPPWPWGF-UHFFFAOYSA-N 0.000 description 15
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013518 transcription Methods 0.000 description 9
- 230000035897 transcription Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 238000013079 data visualisation Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000010230 functional analysis Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 150000003626 triacylglycerols Chemical class 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000816 matrix-assisted laser desorption--ionisation Methods 0.000 description 5
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000813 microbial effect Effects 0.000 description 4
- 230000002103 transcriptional effect Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010839 reverse transcription Methods 0.000 description 3
- 238000012106 screening analysis Methods 0.000 description 3
- -1 transcription Proteins 0.000 description 3
- 210000005253 yeast cell Anatomy 0.000 description 3
- 239000002299 complementary DNA Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 101000892220 Geobacillus thermodenitrificans (strain NG80-2) Long-chain-alcohol dehydrogenase 1 Proteins 0.000 description 1
- 102000003960 Ligases Human genes 0.000 description 1
- 108090000364 Ligases Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006037 cell lysis Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001973 epigenetic effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- ULWHHBHJGPPBCO-UHFFFAOYSA-N propane-1,1-diol Chemical compound CCC(O)O ULWHHBHJGPPBCO-UHFFFAOYSA-N 0.000 description 1
- 238000012514 protein characterization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 108010082737 zymolyase Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biotechnology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于异质性的细胞代谢网络建模方法，包括：基于异质性采集单细胞数据；处理所述单细胞数据；基于人工智能构建细胞代谢模型。本发明还公开了将上述细胞代谢网络建模方法在细胞生理响应预测、细胞设计中的应用。本发明具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和AI的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
Description
技术领域
本发明涉及生物学领域，尤其涉及一种基于异质性的细胞代谢网络建模方法及其应用。
背景技术
合成生物学是生物科学近年来兴起的新兴领域，近年来合成生物的研究进展很快。合成生物学与传统生物学通过解剖生命体以研究其内在构造的办法不同，合成生物学的研究策略是相反的，它是从最基本的要素开始一步步建立生物体系，从而揭示生物的内部运行规律。
同时，合成生物学作为一门科学领域，也能够针对特定目的重新设计有机体，赋予其新的能力。世界各地的合成生物学研究人员和公司致力于解决医学、制造业和农业方面的问题。现阶段，合成生物学应用技术开发的模式很大程度上仍然是一个反复试错的过程，涉及设计-建造-测试-学习(DBTL)循环的多次迭代，该循环时间较长，迭代较慢，严重制约了合成生物学的应用。DBTL循环之所以缓慢和低效的一个重要原因在于其学习步骤的低效率。这是因为可供使用的学习数据量少，数据采集成本高通量低，无法全面准确的反映与复杂的代谢网络的特性。这同时也从根本上限制了先进的人工智能方法的应用。
异质性(heterogeneity)是一个普遍存在的生物学现象。多细胞生物个体由多种形态功能不同的细胞组成，多种类型细胞有序地结合在一起，形成了组织和器官。在疾病发生的情况下，异常的细胞常常藏匿于正常细胞之中。同样地，对于微生物而言，由同一祖先细胞繁殖形成的培养物(菌落或生物膜)中的微生物细胞之间也具有异质性。微生物种群内的这种细胞的异质性分化是由多种原因早成的，不仅有表观遗传学的差异，还有通过细胞间的遗传物质交换以及细胞内的自发突变造成的群体水平的遗传差异。微生物的这种异质性可使微生物种群在面临胁迫环境冲击时拥有更大的生存机会，是细菌适应环境的重要手段。值得注意的是，细胞的异质性可以通过影响群体稳定性进而作用于整体宏观表现。譬如，异质性影响生物制造的产量，在医学领域异质性影响耐药性等。异质性本质上是由于细胞的内部差异造成的，因而在基因、转录、蛋白、代谢等不同的维度具有体现，可以在不同的层面上进行表征。
因此，本领域的技术人员致力于开发一种基于异质性的细胞代谢网络建模方法及其应用，具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和AI的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
发明内容
为实现上述目的，本发明提供了一种基于异质性的细胞代谢网络建模方法，包括以下步骤：
基于异质性采集单细胞数据；
处理所述单细胞数据；
基于人工智能构建细胞代谢模型。
进一步地，在采集所述单细胞数据时，基于所述异质性的不同维度采集所述单细胞数据。
进一步地，选取单细胞转录组、单细胞蛋白质组、单细胞代谢组中的一个或多个采集所述单细胞数据。
进一步地，利用单细胞数据采集平台采集所述单细胞转录组的数据。
进一步地，使用细胞壁消化酶对单细胞进行细胞裂解，然后使用所述单细胞数据采集平台对逆转录后的细胞内容物进行数据采集。
进一步地，利用单细胞数据采集平台或质谱成像设备采集所述单细胞蛋白组的数据。
进一步地，利用所述质谱成像设备采集所述单细胞蛋白组的数据包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
进一步地，利用单细胞数据采集平台或质谱成像设备采集所述单细胞代谢组的数据。
进一步地，利用所述质谱成像设备采集所述单细胞蛋白组的数据的步骤包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
进一步地，处理所述单细胞数据的步骤包括：
生成所述单细胞数据的密集/稀疏数据矩阵；
对所述密集/稀疏数据矩阵进行批次校正；
对经过校正后的所述密集/稀疏数据矩阵进行细胞群体分析和兴趣指标筛选。
进一步地，进行所述细胞群体分析和兴趣指标筛选时，将符合预设条件的单细胞予以保留。
进一步地，所述预设条件包括：转录本/蛋白/代谢物表达超过100个特征的细胞，和/或超过1/5细胞共有的转录本/蛋白/代谢物。
进一步地，基于人工智能构建细胞代谢模型的步骤包括：
选择需要预测的目标物；
进行归一化；
选择人工智能算法建立针对所述目标物的模型。
进一步地，建立针对所述目标物的模型的步骤包括：
利用所述人工智能算法建立第一模型，对所述第一模型进行深度学习训练；
建立最优化代谢模型。
进一步地，在所述深度学习训练之后，使用预留的所述单细胞数据对所述第一模型进行测试。
进一步地，建立最优化代谢模型的步骤包括：
生成单一预测数据；
生成随机预测数据；
对所述单一预测数据和所述随机预测数据进行可视化处理；
根据所述可视化处理的结果建立所述目标物的所述最优化代谢模型。
进一步地，生成所述单一预测数据时，在保持其他数据值不变的前提下对每一条用于预测的数据在预设区间内进行波动。
进一步地，使用极坐标以及反映代谢物客观分布的图片对所述单一预测数据和所述随机预测数进行可视化。
本发明提供的上述细胞代谢网络建模方法可以应用在细胞生理响应预测中，包括以下步骤：
给定一组能够代表代谢特征数据组成的特征向量；
将所述特征向量输入利用上述细胞代谢网络建模方法建立的细胞代谢模型。
本发明提供的上述细胞代谢网络建模方法可以应用在细胞设计中，包括以下步骤：
生成数据并进行归一化；
利用上述细胞代谢网络建模方法建立的细胞代谢模型对所述生成数据进行预测；
获取最优化代谢模型。
本发明克服了目前基于设计-建造-测试-学习循环(DBTL)的合成生物学技术路线中测试数据量少，无法对复杂代谢网络内部关联进行有效学习，进而设计部分缺乏理性基础的缺点。本发明提供的方法，具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和AI的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是酵母单细胞转录组学数据的Uniform Manifold Approximation andProjection(UMAP)示意图；
图2为酵母单细胞转录组数据的数据分布示意图；
图3为基于酵母单细胞转录组数据针对乙醇合成酶高转录表达的深度学习模型训练示意图；
图4为基于酵母单细胞转录组数据针对甲醇合成酶高蛋白表达的深度学习模型训练示意图；
图5为基于酵母单细胞转录组数据针对丙二醇高产的深度学习模型训练示意图；
图6是莱茵衣藻单细胞转录组学数据的Uniform Manifold Approximation andProjection(UMAP)示意图；
图7为莱茵衣藻单细胞转录组数据的数据分布示意图；
图8为基于莱茵衣藻单细胞转录组数据针对甘油合成酶高转录表达的深度学习模型训练示意图；
图9为基于莱茵衣藻单细胞转录组数据针对甘油合成酶高蛋白表达的深度学习模型训练示意图；
图10为基于莱茵衣藻单细胞转录组数据针对高产甘油三酯的深度学习模型训练示意图；
图11为本发明的基于异质性的细胞代谢网络建模方法流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
合成生物学涉及设计-建造-测试-学习(DBTL)循环的多次迭代，但由于可供使用的学习数据量少，数据采集成本高、通量低，无法全面准确的反映与复杂的代谢网络的特性，从而限制了将人工智能方法在其中的应用。如果能够通过低成本、高通量的方法采集大量的单细胞数据用作学习数据，则有望将机器学习等人工智能方法应用于合成生物学。
异质性作为普遍存在的生物学现象，本质上是由于细胞的内部差异造成的，在基因、转录、蛋白、代谢等不同的维度具有体现，可以在不同的层面上进行表征。鉴于细胞的微观尺度，在任何一个宏观的生物体系中，比如在一个菌落、一个组织或者一个培养物中，都蕴含海量具备异质性的单细胞。比如在一个典型的细菌菌落中,其中的微生物细胞数据在10亿的级别。因此，使用单细胞技术对具备异质性的细胞进行信息采集，可以获得海量级别的单细胞的信息，即单细胞大数据，并且这些数据隐含着代谢网络的应激机制。这种基于异质性的单细胞数据采集，可提供适于机器学习的大数据。在此基础上现代的人工智能方法可以引入，从而建立细胞代谢模型，将可以从根本上改变DBTL循环的面貌，促生合成生物学领域的革命性进展。基于此，本发明提供了一种基于异质性的细胞代谢网络建模方法，利用细胞异质性在各种维度的特征，采集海量的单细胞数据，然后对单细胞数据进行处理，再利用人工智能算法构件细胞代谢模型。
本发明提供的基于异质性的细胞代谢网络建模方法，包括以下步骤：
S1、单细胞数据采集和获取。单细胞数据采集基于细胞异质性在不同维度的体现来进行。例如，异质性在基因、转录、蛋白、代谢等不同的维度具有体现，可以选取一个或几个维度来进行数据采集。
S2、单细胞数据处理。对步骤S1中采集的数据进行处理，针对不同的单细胞数据进行不同的处理，提取对应的数据矩阵，然后进行校正，并进行细胞筛选与功能分析，确定最终保留的数据。
S3、基于人工智能的细胞代谢模型构建。采用人工智能算法，选择目标物，利用所采集的数据进行深度学习训练和建立算法模型，然后进行测试，最终建立目标物最优化模型。
在一些实施方式中，步骤S1包括：
S1.1、单细胞转录组数据采集：可以利用商业化或非商业化单细胞数据采集平台进行单细胞转录组数据采集，例如，数据采集平台包括但不限于10X genomics、BDRhapsody、Fluidigm C1、Bio-Rad等；亦可以采用现有技术中已知的单细胞转录组技术采集，例如Smart-seq、CEL-Seq、Quartz-Seq、Drop-seq、InDrop-seq、Smart-seq2等。
S1.2、单细胞蛋白质组数据采集：可以利用商业化或非商业化单细胞数据采集平台进行单细胞转录组数据采集，亦可以利用质谱成像仪进行数据采集。
S1.3、单细胞代谢组数据采集：可以利用商业化或非商业化单细胞数据采集平台进行单细胞代谢组数据采集，亦可以利用质谱成像仪进行数据采集。
应当理解，根据选取的细胞异质性的维度的不同，步骤S1.1-S1.3可以根据实际需求有选择性的删减，也可以增加其他维度的数据采集步骤。
在一些实施方式中，步骤S2包括：
S2.1、矩阵生成：对单细胞数据进行矩阵提取，例如，对转录组学数据建库，然后定性单细胞转录本，使用Seurat程序包进行矩阵提取；对单细胞蛋白组定性，使用Seurat程序包进行矩阵提取；对单细胞代谢组定性，使用SCiLS Lab软件进行矩阵提取；分别整理上述数据，分别建立密集/稀疏数据矩阵。
S2.2、批次校正：针对单细胞转录，蛋白组数据，我们使用Seurat，Harmony程序包进行单细胞矩阵批次校正；针对单细胞代谢组数据，我们使用MetNormalizer程序包进行单细胞矩阵批次校正。通过校正，可以避免不同数据采集批次间带来的差异，即规避批次效应。
S2.3、功能分析：对经过数据预处理的矩阵进行细胞群体分析与兴趣指标筛选。针对细胞群体分析，以单细胞转录组学数据为例，使用在一些细胞群体中特异性表达的转录本作为兴趣指标将该细胞群体与其他细胞进行区分；将符合预设条件的细胞予以保留，预设条件可以根据实际需求设定，例如，保留转录本/蛋白/代谢物表达超过100个特征的细胞，保留超过1/5细胞共有的转录本/蛋白/代谢物。
在一些实施方式中，步骤S3包括：
S3.1、目标物选择：可以选择一个/一类/多个/多类目标进行预测。例如，选择转录本/蛋白质/代谢物的一个/一类/多个/多类。在选择转录本/蛋白质/代谢物进行预测时，应当对转录本/蛋白质/代谢物矩阵数据进行归一化；在选择转录本/蛋白质/代谢物进行预测时，应当对转录本/蛋白质/代谢物矩阵数据加和后再进行归一化；例如：在以某一代谢物作为目标进行预测时，应当对除该代谢物外其它所有代谢物对应的矩阵数值进行加和后再归一化。
S3.2、归一化方式：选择最大值最小值归一化或选择公式归一化。归一化区间为(-1-1)或(0-1)等任何可对数据进行合理缩放的区间之间。
S3.3、模型建立：选择人工智能算法进行模型建立。可以选择合适的人工智能算法，例如神经网络、贝叶斯、决策树、线性分类器、聚类分析等任意一种人工智能算法。利用人工智能算法建立模型，通过训练、测试，最终得到针对目标物的最优化模型。可以选择Matlab、Python、Perl、R等常见编程语言或商业化软件进行模型建立、训练、测试和优化。
以上描述了本发明提供的基于细胞异质性的代谢网络建模方法，通过该方法建立模型后，可以应用在不同的技术场景中。
在一些实施方式中，可以利用上述模型对细胞生理响应预测，预测方法包括：给定一组能够代表代谢特征数据组成的特征向量，直接输入上述模型计算，可得到对应的参数、生理状态以及对应的目标参数。
在一些实施方式中，可以利用上述模型进行细胞设计，细胞设计方法包括：
S4.1、数据生成：使用python，matlab或excel进行转录本/蛋白质/代谢物对应的矩阵数据生成，可以使用函数或非函数形式进行数据归一化。以函数形式为例，使用sigmoid函数进行数据归一化；以非函数形式为例，使用matlab中mapminmax功能进行数据归一化处理。
S4.2、数据预测：使用步骤S3.3建立的模型进行生成数据预测；其中，可以使用已经训练好的模型对生成的数据进行预测。
S4.3、最优代谢模型获取：选择预测结果数值排名靠前的数据作为候选对象，通过计算特征向量与参考向量的距离，选择距离较短的作为最优代谢模式。例如，可以使用极坐标图或任何类似的数据展现形式对生成数据预测结果进行可视化，并使用现存所有距离计算方式计算特征向量与参考向量之间距离。
以下通过多个实施例来进一步描述本发明的实施过程和所达到的技术效果。
实施例1基于单细胞技术的酵母数据采集
基于单细胞技术的酵母数据采集主要包含三个方面。即对单细胞进行转录，蛋白，代谢组学的数据采集。主要包含以下几个方面：
1、酵母单细胞转录组学数据采集：在cDNA建库前使用zymolyase(一种细胞壁消化酶)进行细胞裂解。使用10x Genomics平台对逆转录后的细胞内容物进行数据采集；采集结果如图1和图2所示，图1是使用t-SNE图对采集到的单细胞数据进行降维后展示；图2是对采集到的单细胞转录组学数据使用Matlab mapminmax函数进行数据缩放后的统计柱状图，转录本响应值在0-0.5之间的分布。
2、酵母单细胞蛋白组学数据采集：对酵母单细胞稀释至100细胞/微升后将其点样0.5微升于导电玻片上并进行显微拍照，进一步使用质谱成像仪进行数据采集。
3、酵母单细胞代谢组学数据采集：对酵母单细胞稀释至100细胞/微升后将其点样0.5微升于导电玻片上并进行显微拍照，进一步使用质谱成像仪进行数据采集。
实施例2基于单细胞技术的酵母数据处理
基于单细胞技术的酵母数据采集后，针对不同的单细胞数据应当进行如下的数据处理：
1、矩阵生成：输入测序原始数据，使用STAR将原始数据比对到酵母参考基因组上，获取转录本矩阵；输入原始数据，使用Protein discover或Mascot进行自动化蛋白定性，获得蛋白矩阵；输入原始数据，使用Compound discover或QI对原始数据进行自动化注释，获得代谢物矩阵。分别整理上述数据分别建立密集/稀疏数据矩阵；
2、批次校正：使用开源批次校正软件包如Harmony、MetNormalizer等根据代码(可以从Github网站免费获取)进行不同数据采集批次间的校正。通过批次校正，消除不同数据采集批次间的内部差异；
3、功能分析：根据软件说明书，使用Seurat等商业化/非商业化软件进行细胞筛选与功能分析。分别保留转录本/蛋白/代谢物表达超过100个特征的细胞，保留超过1/5细胞共有的转录本/蛋白/代谢物。
实施例3基于酵母细胞异质性的乙醇合成酶高转录表达模型建立方法
本实施例由三部分组成。即单细胞转录组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞转录组学数据采集使用10X genomics最新ChromiumTM，包含逆转录cDNA建库，细胞计数与上机。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择乙醇合成酶作为目标转录本。
2、深度学习训练：如图3所示，通过MATLAB 2021b的回归学习器进行乙醇合成酶Y及其它特征X的可优化神经网络建立。该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，模型的R：0.8591，MSE＝0.00078563。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单一数据生成：单一数据可以为单转录本/蛋白质/代谢物标签数据，在保持其他数据值不变的前提下对每一条用于预测的标签数据在预设区间内进行波动。波动可以是均匀和非均匀的。
2、随机预测数据生成：随机预测数据可以为多转录本/蛋白质/代谢物标签数据，在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映代谢物客观分布的图片展现方式对预测数据进行可视化。
4、目标产物最优化模型生成：确认乙醇合成酶最大转录表达量下的其它转录本上下调比例。
实施例4基于酵母细胞异质性的甲醇合成酶高表达模型建立方法
本实施例由三部分组成。即单细胞蛋白组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞蛋白组学数据采集使用MALDI2-TIMSTOF进行。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择甲醇合成酶作为目标蛋白。
2、深度学习训练：如图4所示，通过MATLAB 2021b的回归学习器进行甲醇合成酶Y及其它特征X的可优化神经网络建立。通过超参数选取，获得最佳神经网络模型。该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，模型的R：0.8668，MSE＝0.00075214。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单转录本/蛋白质/代谢物标签数据生成：在保持其他数据值不变的前提下对每一条用于预测的数据在一定区间内进行波动。波动可以是均匀和非均匀的。
2、多转录本/蛋白质/代谢物标签数据生成：在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映各种蛋白客观分布的图片展现方式对预测数据进行可视化，提供权重/贡献率/密度较高的体现甲醇合成酶高蛋白表达量对应下的其他蛋白表达模式。
4、目标产物最优化模型生成：确认甲醇合成酶最大蛋白表达量下的其它蛋白的上下调比例。
实施例5基于酵母细胞异质性的丙二醇最高产代谢模型建立方法
本实施例由三部分组成。即单细胞代谢组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞代谢组学数据采集使用MALDI2-TIMSTOF。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择丙二醇目标代谢物。
2、深度学习训练：如图5所示，通过MATLAB 2021b的回归学习器进行丙二醇Y及其它特征X的可优化神经网络建立。该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，通过超参数选取，获得最佳神经网络模型。R：0.8592，MSE＝0.00078902。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单转录本/蛋白质/代谢物标签数据生成：在保持其他数据值不变的前提下对每一条用于预测的数据在一定区间内进行波动。波动可以是均匀和非均匀的。
2、多转录本/蛋白质/代谢物标签数据生成：在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映代谢物客观分布的图片展现方式对预测数据进行可视化，提供权重/贡献率/密度较高的体现丙二醇高丰度下的代谢模式。
4、目标产物最优化模型生成：确认丙二醇最大累积量下的其它代谢物上下调比例。
实施例6基于单细胞技术的莱茵衣藻数据采集
基于单细胞技术的莱茵衣藻数据采集主要包含三个方面。即对单细胞进行转录，蛋白，代谢组学的数据采集。主要包含以下几个方面：
1、莱茵衣藻单细胞转录组学数据采集：使用10x Genomics平台对逆转录后的细胞内容物进行数据采集；采集结果如图6和图7所示，图6是使用t-SNE图对采集到的单细胞数据进行降维后展示；图7是对采集到的单细胞转录组学数据使用Matlab mapminmax函数进行数据缩放后的统计柱状图，转录本响应值在0-0.5之间的分布。
2、莱茵衣藻单细胞蛋白组学数据采集：对莱茵衣藻单细胞稀释至100细胞/微升后将其点样0.5微升于导电玻片上并进行显微拍照，进一步使用质谱成像仪进行数据采集。
3、莱茵衣藻单细胞代谢组学数据采集：对莱茵衣藻单细胞稀释至100细胞/微升后将其点样0.5微升于导电玻片上并进行显微拍照，进一步使用质谱成像仪进行数据采集。
实施例7基于单细胞技术的莱茵衣藻数据处理
基于单细胞技术的莱茵衣藻数据采集后，针对不同的单细胞数据应当进行如下的数据处理：
1、矩阵生成：使用转录组建库后定性单细胞转录本；使用Protein discover或Mascot进行单细胞蛋白组定性；使用Compound discover或QI进行单细胞代谢组定性。分别整理上述数据分别建立密集/稀疏数据矩阵；
2、批次校正：使用批次校正软件如Harmony、MetNormalizer等进行不同采集批次间的校正；
3、功能分析：使用Seurat等商业化/非商业化软件进行细胞筛选与功能分析。分别保留转录本/蛋白/代谢物表达超过100个特征的细胞，保留超过1/5细胞共有的转录本/蛋白/代谢物。
实施例8基于莱茵衣藻细胞异质性的甘油合成酶高转录表达模型建立方法
本实施例由三部分组成。即单细胞转录组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞转录组学数据采集使用10X genomics标准步骤进行。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择甘油合成酶作为目标转录本。
2、深度学习训练：如图8所示，通过MATLAB 2021b的回归学习器进行甘油合成酶Y及其它特征X的可优化神经网络建立。通过超参数选取，获得最佳神经网络模型。R：0.8352，MSE＝0.00090754。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单一预测数据生成：在保持其他数据值不变的前提下对每一条用于预测的数据在一定区间内进行波动。波动可以是均匀和非均匀的。
2、随机预测数据生成：在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映代谢物客观分布的图片展现方式对预测数据进行可视化，提供权重/贡献率/密度较高的体现甘油脱氢酶高转录表达下的其他转录本表达模式。
4、目标产物最优化模型生成：根据可视化结果建立基于数据的目标产物最优化代谢模型。得到甘油合成酶高转录表达量下其它转录本上下调比例。
实施例9基于莱茵衣藻细胞异质性的甘油合成酶高表达模型建立方法
本实施例由三部分组成。即单细胞蛋白组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞蛋白组学数据采集使用MALDI2-TIMSTOF。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择甘油合成酶作为目标蛋白。
2、深度学习训练：如图9所示，该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，R：0.8589，MSE＝0.00078724。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单转录本/蛋白质/代谢物标签数据生成：在保持其他数据值不变的前提下对每一条用于预测的数据在一定区间内进行波动。波动可以是均匀和非均匀的。
2、多转录本/蛋白质/代谢物标签数据生成：在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映代谢物客观分布的图片展现方式对预测数据进行可视化，提供权重/贡献率/密度较高的体现甘油合成酶高蛋白表达量下对应的其它蛋白分布模式。
4、目标产物最优化模型生成：确认甘油合成酶最大累积量下的其它蛋白的上下调比例。
实施例10基于莱茵衣藻细胞异质性的甘油三酯最高产代谢模型建立方法
本实施例由三部分组成。即单细胞代谢组学数据采集，基于目标物的深度学习以及最优化代谢模型建立。单细胞代谢组学数据采集使用MALDI2-TIMSTOF。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择甘油三酯作为目标代谢物。
2、深度学习训练：如图10所示，该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，R：0.8664，MSE＝0.00076168。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
最优化代谢模型建立包括以下步骤：
1、单转录本/蛋白质/代谢物标签数据生成：在保持其他数据值不变的前提下对每一条用于预测的数据在一定区间内进行数据波动。波动可以是均匀和非均匀的。
2、多转录本/蛋白质/代谢物标签数据生成：在一定数据区间内进行用于预测数据随机生成。
3、数据可视化：使用极坐标图及任何可以反映代谢物客观分布的图片展现方式对预测数据进行可视化，提供权重/贡献率/密度较高的体现甘油三酯高丰度的代谢模式。
4、目标产物最优化模型生成：根据可视化结果建立基于数据的目标产物最优化代谢模型。得到甘油三酯最大累积量下的其它代谢物上下调比例。
实施例11基于实测数据的甘油三酯代谢水平预测
本实施例由三部分组成。即单细胞代谢组学数据采集，基于目标物的深度学习以及基于实测数据的甘油三酯代谢水平预测。单细胞代谢组学数据采集使用MALDI2-TIMSTOF。
基于目标物的深度学习包含以下步骤：
1、目标物选择：选择甘油三酯作为目标代谢物。
2、深度学习训练：该神经网络建立由输入Y与X通过回归学习器自动训练。通过超参数选取，获得最佳神经网络模型。回归值R代表预测输出和目标输出之间的相关性，R值越接近1表示预测和输出数据之间的关系越密切，R值越接近0表示预测和输出数据之间的关系随机性越大。均方误差MSE代表n个样本的预测值(y)与(y_)的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型。训练结果显示，R：0.8664，MSE＝0.00076168。
3.模型测试：通过使用预留的10％数据作为测试，验证可优化神经网络模型的最终结果准确性。
基于实测数据的甘油三酯代谢水平预测包括两部分：
1、采集除甘油三酯外的其它单细胞代谢组学数据。
2、使用采集的数据按照Matlab回归学习器要求输入，得到甘油三酯代谢水平的结果。
本发明克服了目前基于设计-建造-测试-学习循环(DBTL)的合成生物学技术路线中测试数据量少，无法对复杂代谢网络内部关联进行有效学习，进而设计部分缺乏理性基础的缺点。本发明提供的方法，具有数据量大、采集通量高的特点，能直接对复杂代谢网络进行基于数据和AI的解析与学习，从而建立可计算、可预测的细胞模型，进而能够对细胞进行生理响应预测和理性设计。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (20)
1.一种基于异质性的细胞代谢网络建模方法，其特征在于，包括以下步骤：
基于异质性采集单细胞数据；
处理所述单细胞数据；
基于人工智能构建细胞代谢模型。
2.如权利要求1所述的细胞代谢网络建模方法，其特征在于，在采集所述单细胞数据时，基于所述异质性的不同维度采集所述单细胞数据。
3.如权利要求2所述的细胞代谢网络建模方法，其特征在于，选取单细胞转录组、单细胞蛋白质组、单细胞代谢组中的一个或多个采集所述单细胞数据。
4.如权利要求3所述的细胞代谢网络建模方法，其特征在于，利用单细胞数据采集平台采集所述单细胞转录组的数据。
5.如权利要求4所述的细胞代谢网络建模方法，其特征在于，使用细胞壁消化酶对单细胞进行细胞裂解，然后使用所述单细胞数据采集平台对逆转录后的细胞内容物进行数据采集。
6.如权利要求3所述的细胞代谢网络建模方法，其特征在于，利用单细胞数据采集平台或质谱成像设备采集所述单细胞蛋白组的数据。
7.如权利要求6所述的细胞代谢网络建模方法，其特征在于，利用所述质谱成像设备采集所述单细胞蛋白组的数据包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
8.如权利要求3所述的细胞代谢网络建模方法，其特征在于，利用单细胞数据采集平台或质谱成像设备采集所述单细胞代谢组的数据。
9.如权利要求8所述的细胞代谢网络建模方法，其特征在于，利用所述质谱成像设备采集所述单细胞蛋白组的数据的步骤包括：将单细胞稀释后，置于导电玻片上，进行显微拍照，使用所述质谱成像设备采集数据。
10.如权利要求1所述的细胞代谢网络建模方法，其特征在于，处理所述单细胞数据的步骤包括：
生成所述单细胞数据的密集/稀疏数据矩阵；
对所述密集/稀疏数据矩阵进行批次校正；
对经过校正后的所述密集/稀疏数据矩阵进行细胞群体分析和兴趣指标筛选。
11.如权利要求10所述的细胞代谢网络建模方法，其特征在于，进行所述细胞群体分析和兴趣指标筛选时，将符合预设条件的单细胞予以保留。
12.如权利要求11所述的细胞代谢网络建模方法，其特征在于，所述预设条件包括：转录本/蛋白/代谢物表达超过100个特征的细胞，和/或超过1/5细胞共有的转录本/蛋白/代谢物。
13.如权利要求1所述的细胞代谢网络建模方法，其特征在于，基于人工智能构建细胞代谢模型的步骤包括：
选择需要预测的目标物；
进行归一化；
选择人工智能算法建立针对所述目标物的模型。
14.如权利要求13所述的细胞代谢网络建模方法，其特征在于，建立针对所述目标物的模型的步骤包括：
利用所述人工智能算法建立第一模型，对所述第一模型进行深度学习训练；
建立最优化代谢模型。
15.如权利要求14所述的细胞代谢网络建模方法，其特征在于，在所述深度学习训练之后，使用预留的所述单细胞数据对所述第一模型进行测试。
16.如权利要求14所述的细胞代谢网络建模方法，其特征在于，建立最优化代谢模型的步骤包括：
生成单一预测数据；
生成随机预测数据；
对所述单一预测数据和所述随机预测数据进行可视化处理；
根据所述可视化处理的结果建立所述目标物的所述最优化代谢模型。
17.如权利要求16所述的细胞代谢网络建模方法，其特征在于，生成所述单一预测数据时，在保持其他数据值不变的前提下对每一条用于预测的数据在预设区间内进行波动。
18.如权利要求16所述的细胞代谢网络建模方法，其特征在于，使用极坐标以及反映代谢物客观分布的图片对所述单一预测数据和所述随机预测数进行可视化。
19.一种如权利要求1-18任一项所述的细胞代谢网络建模方法在细胞生理响应预测中的应用，其特征在于，包括以下步骤：
给定一组能够代表代谢特征数据组成的特征向量；
将所述特征向量输入细胞代谢模型。
20.一种如权利要求1-18任一项所述的细胞代谢网络建模方法在细胞设计中的应用，其特征在于，包括以下步骤：
生成数据并进行归一化；
利用细胞代谢模型对所述生成数据进行预测；
获取最优化代谢模型。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210861942.3A CN117476092A (zh) | 2022-07-21 | 2022-07-21 | 一种基于异质性的细胞代谢网络建模方法及其应用 |
| PCT/CN2022/112025 WO2024016407A1 (zh) | 2022-07-21 | 2022-08-12 | 一种基于异质性的细胞代谢网络建模方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210861942.3A CN117476092A (zh) | 2022-07-21 | 2022-07-21 | 一种基于异质性的细胞代谢网络建模方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117476092A true CN117476092A (zh) | 2024-01-30 |
Family
ID=89616870
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210861942.3A Pending CN117476092A (zh) | 2022-07-21 | 2022-07-21 | 一种基于异质性的细胞代谢网络建模方法及其应用 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117476092A (zh) |
| WO (1) | WO2024016407A1 (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015069827A2 (en) * | 2013-11-06 | 2015-05-14 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Pathology case review, analysis and prediction |
| CN112466401B (zh) * | 2019-09-09 | 2024-04-09 | 华为云计算技术有限公司 | 利用人工智能ai模型组分析多类数据的方法及装置 |
| CN111341382B (zh) * | 2020-02-20 | 2023-04-18 | 江南大学 | 赖氨酸生物制造中宏观动力学与细胞代谢通量耦合建模方法 |
| CN113160986B (zh) * | 2021-04-23 | 2023-12-15 | 桥恩(北京)生物科技有限公司 | 用于预测全身炎症反应综合征发展的模型构建方法及系统 |
| CN114019010A (zh) * | 2021-11-04 | 2022-02-08 | 上海交通大学 | 一种微生物单细胞代谢组学分析方法 |
| CN113989294B (zh) * | 2021-12-29 | 2022-07-05 | 北京航空航天大学 | 基于机器学习的细胞分割和分型方法、装置、设备及介质 |
-
2022
- 2022-07-21 CN CN202210861942.3A patent/CN117476092A/zh active Pending
- 2022-08-12 WO PCT/CN2022/112025 patent/WO2024016407A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024016407A1 (zh) | 2024-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798921B (zh) | 一种基于多尺度注意力卷积神经网络的rna结合蛋白预测方法及装置 | |
| US20200202241A1 (en) | Method, apparatus, and computer-readable medium for efficiently optimizing a phenotype with a specialized prediction model | |
| WO2022042506A1 (zh) | 基于卷积神经网络的细胞筛选方法和装置 | |
| WO2022042510A1 (zh) | 蛋白表达量的预测方法、装置、计算机设备和存储介质 | |
| CN112232407A (zh) | 病理图像样本的神经网络模型训练方法、装置 | |
| WO2022042509A1 (zh) | 基于表达量预测模型的细胞筛选方法和装置 | |
| CN113724195B (zh) | 基于免疫荧光图像的蛋白质的定量分析模型和建立方法 | |
| CN117476092A (zh) | 一种基于异质性的细胞代谢网络建模方法及其应用 | |
| CN114357869A (zh) | 一种基于数据关系学习和预测的多目标优化代理模型设计方法及系统 | |
| CN114819151A (zh) | 基于改进代理辅助混洗蛙跳算法的生化路径规划方法 | |
| Hassani et al. | Active learning for microRNA prediction | |
| Cai et al. | Application and research progress of machine learning in Bioinformatics | |
| Fadhil et al. | Classification of Cancer Microarray Data Based on Deep Learning: A Review | |
| CN116665764B (zh) | 一种预测代谢网络中的缺失反应的方法 | |
| Sivanandan et al. | Machine learning enabled pooled optical screening in human lung cancer cells | |
| WO2024016389A1 (zh) | 泛素化位点的识别方法、装置、系统和存储介质 | |
| CN117912591B (zh) | 一种基于深度对比学习的激酶药物相互作用预测方法 | |
| CN113469244B (zh) | 小众app分类系统 | |
| Huang et al. | ESR: Optimizing Gene Feature Selection for scRNA-seq Data | |
| Sokhansanj et al. | Interpreting microarray data to build models of microbial genetic regulation networks | |
| CN118038960A (zh) | 基于深度学习的单细胞数据中基因因果关系的推断方法 | |
| Nagarajan et al. | A Modelling Framework for Catalysing Progress in the Rod-Shaped Bacterial Cell Growth Discourse | |
| CN114417582A (zh) | 细胞株稳定性预测方法、装置、计算机设备和存储介质 | |
| Nambiar et al. | FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi | |
| CN118098439A (zh) | 基于数据支持的电解水制氢系统产氢特性预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |