Comprender cómo las células procesan nutrientes y generan energía (conocido colectivamente como metabolismo) es esencial para la biología. Sin embargo, analizar grandes cantidades de datos sobre procesos celulares para inferir el estado metabólico es una tarea compleja.
La biología moderna genera grandes conjuntos de datos sobre diversas funciones celulares. Estos conjuntos de datos “ómicos” brindan información sobre diversas funciones celulares, como la actividad genética y los niveles de proteínas. Sin embargo, integrar e interpretar estos conjuntos de datos para comprender el metabolismo celular es un desafío.
Los modelos cinéticos ofrecen una forma de decodificar esta complejidad proporcionando una representación matemática del metabolismo celular. Sirven como mapas detallados que describen cómo las moléculas interactúan y se transforman dentro de una célula, y muestran cómo las sustancias se convierten en energía y otros productos con el tiempo. Ayuda a los científicos a comprender los procesos bioquímicos que subyacen al metabolismo celular. A pesar de su potencial, los modelos dinámicos son difíciles de construir debido a la dificultad para determinar los parámetros que gobiernan los procesos celulares.
Un equipo de investigadores dirigido por Ljubisa Miskovic y Vassily Hatzimanikatis de la EPFL ha desarrollado RENAISSANCE, una herramienta basada en inteligencia artificial que simplifica la creación de modelos dinámicos. Renaissance combina diferentes tipos de datos celulares para representar con precisión los estados metabólicos, lo que facilita la comprensión de cómo funcionan las células. El Renacimiento representa un gran avance en la biología computacional, al abrir nuevas vías para la investigación y la innovación en salud y biotecnología.
Los investigadores han utilizado Renaissance para crear modelos dinámicos que reflejan con precisión Escherichia coli Comportamiento metabólico. La herramienta produjo con éxito modelos que coincidían con el comportamiento metabólico observado experimentalmente, simulando cómo las bacterias ajustarían su metabolismo con el tiempo en un biorreactor.
También se ha demostrado que los modelos cinéticos son robustos y mantienen la estabilidad incluso cuando se someten a perturbaciones en las condiciones genéticas y ambientales. Esto indica que los modelos pueden predecir de manera confiable las respuestas celulares en diversas condiciones, lo que aumenta su utilidad práctica en investigación y aplicaciones industriales.
“A pesar de los avances en las técnicas ómicas, la cobertura insuficiente de datos sigue siendo un desafío persistente”, afirmó Miscovich. “Por ejemplo, la metabolómica y la proteómica pueden identificar y cuantificar sólo un número limitado de metabolitos y proteínas. Las técnicas de modelado que integran y coordinan datos ómicos de diferentes fuentes pueden compensar esta limitación y mejorar la comprensión del sistema. Los datos ómicos y otra información relevante al combinar, Por ejemplo, el contenido del medio extracelular, los datos fisicoquímicos y el conocimiento experto, Renaissance nos permite cuantificar con precisión estados metabólicos intracelulares desconocidos, incluidos los flujos metabólicos y las concentraciones de metabolitos”.
La capacidad de Renaissance para modelar con precisión el metabolismo celular tiene implicaciones importantes, ya que ofrece una poderosa herramienta para estudiar los cambios metabólicos, ya sean inducidos por una enfermedad o no, y ayuda al desarrollo de nuevos tratamientos y biotecnologías. Su facilidad de uso y eficiencia permitirán a una amplia gama de investigadores del mundo académico y de la industria utilizar modelos dinámicos de forma eficaz y fomentar la colaboración.