論文の概要: An Integrative Genome-Scale Metabolic Modeling and Machine Learning Framework for Predicting and Optimizing Biofuel-Relevant Biomass Production in Saccharomyces cerevisiae

• arxiv url: http://arxiv.org/abs/2603.25561v1
• Date: Thu, 26 Mar 2026 15:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.360075
• Title: An Integrative Genome-Scale Metabolic Modeling and Machine Learning Framework for Predicting and Optimizing Biofuel-Relevant Biomass Production in Saccharomyces cerevisiae
• Title（参考訳）: Saccharomyces cerevisiae におけるバイオ燃料関連バイオマス生産の予測と最適化のための統合的ゲノムメタボリックモデリングと機械学習フレームワーク
• Abstract要約: 本稿では,Yeast9ゲノムスケールメタボリックモデルと機械学習と最適化を組み合わせた計算フレームワークを提案する。 本稿では, ゲノムスケールシミュレーション, 解釈可能なML, 生成モデリングが酵母の代謝工学をいかに前進させるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Saccharomyces cerevisiae is a cornerstone organism in industrial biotechnology, valued for its genetic tractability and robust fermentative capacity. Accurately predicting biomass flux across diverse environmental and genetic perturbations remains a significant challenge for rational strain design. We present a computational framework combining the Yeast9 genome-scale metabolic model with machine learning and optimization to predict, interpret, and enhance biomass flux. Flux balance analysis generated 2,000 flux profiles by varying glucose, oxygen, and ammonium uptake rates. Random Forest and XGBoost regressors achieved R2 of 0.99989 and 0.9990, respectively. A variational autoencoder revealed four distinct metabolic clusters, and SHAP analysis identified glycolysis, the TCA cycle, and lipid biosynthesis as key biomass determinants. In silico overexpression achieved a biomass flux of 0.979 gDW/hr, while Bayesian optimization of nutrient constraints produced a 12-fold increase (0.0858 to 1.041 gDW/hr). A generative adversarial network proposed stoichiometrically feasible novel flux configurations. This framework demonstrates how genome-scale simulation, interpretable ML, and generative modeling can advance yeast metabolic engineering.
• Abstract（参考訳）: サッカロマイセス・セレビシア(Saccharomyces cerevisiae)は、工業バイオテクノロジーの基盤となる生物であり、その遺伝性および堅牢な発酵能力に価値がある。 多様な環境および遺伝的摂動にまたがるバイオマスフラックスの正確な予測は、合理的なひずみ設計において重要な課題である。 本稿では,Yeast9ゲノムスケールメタボリックモデルと機械学習と最適化を組み合わせて,バイオマスフラックスの予測,解釈,拡張を行う計算フレームワークを提案する。 フラックスバランス分析では, グルコース, 酸素, アンモニウムの取り込み速度によって2,000のフラックスプロファイルが得られた。 ランダムフォレストとXGBoostはそれぞれ0.99989と0.9990のR2を達成した。 変異型オートエンコーダにより4つの異なる代謝クラスターが同定され,SHAP分析により糖分解,TCAサイクル,脂質生合成が重要なバイオマス決定因子として同定された。 シリカの過剰発現は0.979 gDW/hrのバイオマスフラックスを達成し、ベイジアンによる栄養制限の最適化は12倍(0.0858から1.041 gDW/hr)増加した。 確率論的に実現可能な新しいフラックス構成を提案する。 この枠組みは、ゲノムスケールのシミュレーション、解釈可能なML、生成モデリングが酵母の代謝工学をどのように進めるかを示す。

関連論文リスト

• An Early Warning of Emerging Biosecurity Risks in Frontier LLMs [62.01705276160883]
  Intern-BioBreakerは、特殊な生体赤チームモデルであり、計算と物理を統合したフレームワークである。 このフレームワーク内では、Intern-BioBreakerがターゲットのjailbreakプロンプトを生成して、アライメントされたモデルを誘導して運用ガイダンスを提供することができるかどうかをテストする。 本評価では,テキストレベルの保護と,有能な科学モデルによるリスクとのギャップを明らかにする。
  論文  参考訳（メタデータ） (2026-07-20T15:26:23Z)
• GGBound: A Genome-Grounded Agent for Microbial Life-Boundary Prediction [16.245500767957697]
  微生物株の生理的生活境界を特徴付けることは、バイオテクノロジーと生態学の中心である。 既存の計算手法では、生理的特性を独立した教師対象として扱うか、または静的エンコーダとして生物学的基礎モデルを扱う。 微生物のライフバウンダリ予測を統合ゲノム・生理的タスクとして定式化し,ツール拡張LDMエージェントで処理する。
  論文  参考訳（メタデータ） (2026-05-14T06:37:55Z)
• BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature [53.894504720119805]
  生物活性データ抽出のためのマルチモーダル抽出フレームワークであるBioMinerを紹介する。 BioMinerでは、生物活性セマンティクスは直接推論によって推測され、化学構造は化学構造に基づく視覚的セマンティクス推論パラダイムによって解決される。 厳密な評価と方法開発のために,500の出版物から得られた16,457の生物活性成分からなるベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-04-23T10:11:56Z)
• What Makes a Bacterial Model a Good Reservoir Computer? Predicting Performance from Separability and Similarity [1.8853398065417313]
  細菌の代謝モデルが物理的貯水池として機能しうるか, 分離性と類似性に関連する動的特性からそれらの計算性能を予測することができるかを検討する。 いくつかの微生物モデルは高い分類精度を達成し、細菌の代謝動態が非線形計算をサポートすることを示した。 すべての大腸菌変異体は野生型モデルによって支配されており、遺伝子の欠失が効率的な計算に必要な動的富度を減少させることを示唆している。
  論文  参考訳（メタデータ） (2026-04-17T08:08:09Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Prediction by Machine Learning Analysis of Genomic Data Phenotypic Frost Tolerance in Perccottus glenii [7.412214379486083]
  我々はPerccottus gleniiの遺伝子配列解析に機械学習技術を用いる。 我々はRandom Forest, LightGBM, XGBoost, Decision Treeの4つの分類モデルを構築した。 これらの分類モデルで使用されるデータセットは、National Center for Biotechnology Informationデータベースから抽出された。
  論文  参考訳（メタデータ） (2024-10-11T14:45:47Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• A Three-Phase Analysis of Synergistic Effects During Co-pyrolysis of Algae and Wood for Biochar Yield Using Machine Learning [0.0]
  熱分解技術は、プラスチック、木材、作物の残留物、果物などの天然および人為的なバイオマス製品を効果的に利用するための画期的な技術である。 近年の進歩は、異なるバイオマスを一定の割合で混合することにより、バイオチャー、バイオオイル、その他の非凝縮性ガスのような必須成分の収率を高めている。 この2つの熱分解原料の組み合わせによる相乗効果を系統的に研究し, 3つの相に分類した。
  論文  参考訳（メタデータ） (2024-05-20T06:32:57Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。