Il est essentiel en biologie de comprendre comment les cellules traitent les nutriments et produisent de l’énergie (le métabolisme). La biologie moderne génère de vastes ensembles de données sur diverses activités cellulaires, mais intégrer et analyser les vastes quantités de données sur les processus cellulaires pour déterminer les états métaboliques est une tâche complexe.
Les modèles cinétiques permettent de décoder cette complexité en fournissant des représentations mathématiques du métabolisme cellulaire. Ils agissent comme des cartes détaillées qui décrivent la manière dont les molécules interagissent et se transforment au sein d’une cellule, illustrant la manière dont les substances sont converties en énergie et en d’autres produits au fil du temps. Cela aide les scientifiques à comprendre les processus biochimiques qui sous-tendent le métabolisme cellulaire. Malgré leur potentiel, le développement de modèles cinétiques est difficile en raison de la difficulté à déterminer les paramètres qui contrôlent les processus cellulaires.
Une équipe de chercheurs dirigée par Ljubisa Miskovic et Vassily Hatzimanikatis de l’EPFL vient de créer RENAISSANCE, un outil basé sur l’intelligence artificielle qui simplifie la création de modèles cinétiques. RENAISSANCE combine différents types de données cellulaires pour décrire avec précision les états métaboliques, facilitant ainsi la compréhension du fonctionnement des cellules. RENAISSANCE représente une avancée majeure en biologie computationnelle, ouvrant de nouvelles perspectives pour la recherche et l’innovation dans les domaines de la santé et des biotechnologies.
Dans leur étude publiée dans Catalyse de la natureLes chercheurs ont utilisé RENAISSANCE pour créer des modèles cinétiques reflétant avec précision le comportement métabolique d’Escherichia coli. L’outil a généré avec succès des modèles correspondant aux comportements métaboliques observés expérimentalement, simulant la manière dont les bactéries ajusteraient leur métabolisme au fil du temps dans un bioréacteur.
Les modèles cinétiques se sont également révélés robustes, conservant leur stabilité même lorsqu’ils sont soumis à des perturbations génétiques et environnementales. Cela indique que les modèles peuvent prédire de manière fiable la réponse cellulaire à différents scénarios, améliorant ainsi leur utilité pratique dans la recherche et les applications industrielles.
« Malgré les progrès réalisés dans les techniques omiques, la couverture inadéquate des données reste un défi persistant », explique Miskovic. « Par exemple, la métabolomique et la protéomique ne peuvent détecter et quantifier qu’un nombre limité de métabolites et de protéines. Les techniques de modélisation qui intègrent et réconcilient les données omiques provenant de diverses sources peuvent compenser cette limitation et améliorer la compréhension des systèmes.
« En combinant les données omiques et d’autres informations pertinentes, telles que le contenu du milieu extracellulaire, les données physico-chimiques et les connaissances d’experts, RENAISSANCE nous permet de quantifier avec précision les états métaboliques intracellulaires inconnus, y compris les flux métaboliques et les concentrations de métabolites. »
La capacité de RENAISSANCE à modéliser avec précision le métabolisme cellulaire a des implications importantes, offrant un outil puissant pour étudier les changements métaboliques, qu’ils soient induits par une maladie ou non, et contribuant au développement de nouveaux traitements et de nouvelles biotechnologies. Sa simplicité d’utilisation et son efficacité permettront à un plus large éventail de chercheurs du monde universitaire et de l’industrie d’utiliser efficacement les modèles cinétiques et favoriseront la collaboration.
Plus d’informations :
Subham Choudhury et al, L’apprentissage automatique génératif produit des modèles cinétiques qui caractérisent avec précision les états métaboliques intracellulaires, Catalyse de la nature (2024). DOI : 10.1038/s41929-024-01220-6