Résumé

Au cours des deux dernières décennies, la communauté de la biologie des systèmes a consacré des efforts considérables à la construction de modèles métaboliques à l’échelle du génome (GEM), qui offrent des représentations détaillées de l’ensemble du métabolisme d’un organisme. Les GEM présentent le métabolisme comme un réseau, reliant les réactions métaboliques et les métabolites. Malgré la richesse des informations qu’ils contiennent, les GEM présentent des limites notables. Ils tentent d’englober tous les phénotypes métaboliques potentiels, ce qui conduit à un vaste espace de solutions qu’il peut être difficile d’explorer efficacement.

L’approche prédominante pour l’exploitation des GEM, l’analyse de l’équilibre des flux (FBA), repose sur des simplifications et n’a pas la capacité de se généraliser à diverses conditions. En revanche, les techniques d’apprentissage automatique ont gagné en intérêt pour la modélisation métabolique, notamment en exploitant les données -omiques à grande échelle pour prédire les comportements biologiques dans divers environnements. Bien que de nombreuses approches combinent les GEM et l’apprentissage automatique, elles séparent toujours les parties modélisation métabolique et apprentissage automatique, ce qui limite leur adaptabilité et leur réutilisation.

Dans le cadre de cette thèse de doctorat, Léon Faure introduit une approche innovante qui s’attaque à cette limitation : un modèle hybride neuronal-mécaniste pour les GEM, appelé Réseau Métabolique Artificiel (AMN). Cela implique le développement de méthodes de substitution au FBA compatibles avec la rétropropagation du gradient et la création d’une fonction de perte mécaniste pour aligner les prédictions AMN avec les contraintes des GEMs. Cette thèse se penche sur les phénomènes biologiques abordés par les AMN et passe en revue les méthodes d’utilisation des GEM les plus récentes. Elle démontre ensuite que les AMN sont plus performants que le FBA pour prédire les taux de croissance d’E. coli dans divers milieux et conditions génétiques, sans qu’il soit nécessaire d’obtenir des données expérimentales supplémentaires. 

Les capacités et les limites des AMN sont ensuite examinées en détail. Enfin, Léon Faure les résultats et propose des pistes pour poursuivre le développement de modèles hybrides pour les GEM, qui peuvent aider à construire des modèles de cellules entières performants et informatifs - un objectif ambitieux dans le domaine de la biologie des systèmes.
Mots clés : Modélisation métabolique, Apprentissage automatique, Modèles hybrides 

Mots clés : Modélisation métabolique, Apprentissage automatique, Modèles hybrides

Contact

• Leon Faure (SDSV, UMR MICALIS)

• Linkedin
• ResearchGate

Publications

• Cell-Free Biosensors and AI Integration
• In silico, in vitro, and in vivo machine learning in synthetic biology and metabolic engineering (Current Opinion in Chemical Biology)
•  Faure, L., Mollet, B., Liebermeister, W. et al. A neural-mechanistic hybrid approach improving the predictive power of genome-scale metabolic models. Nat Commun 14, 4669 (2023). https://doi.org/10.1038/s41467-023-40380-0
• A versatile active learning workflow for optimization of genetic and metabolic netwworks

Communications

• The project was presented at 2022 AAAI Spring Symposium: Artificial Intelligence for Synthetic Biology, March 21-23, 2002, Stanford University, Palo Alto, California, USA,  AI-4-SynBio Symposium, Imperial College London, (slides) March 24, 2022, London UK.

Projets associés

• Projet ANR Réseaux Métaboliques Artificiels (AMN) : démarrage mars 2022 (42 Mois). Aide ANR : 498 390 €. Coordinateur : Jean-Loup Faulon