arXiv cs.AI· Ziwei Yang, Takeyuki Tamura·· 12 小时前AI 评分18
HGPRGDel：面向生长偶联基因敲除设计的 GPR 感知学习与排序方法
HGPRGDel: GPR-Aware Learning and Ranking for Growth-Coupled Gene Deletion Design
AI 导读
HGPRGDel 提出一种可复用的生长偶联基因敲除设计协议，通过学习并排序各目标代谢物的基因敲除优先级，在约束性代谢分析前缩小候选空间。该方法显式建模基因-蛋白-反应（GPR）逻辑，在 e_coli_core、iMM904 和 iML1515 上取得所评估学习配置中最高的 macro-F1 与 AUC。其排序在检查基因数少于基线方法的情况下，平均找回 MetNetComp 参考敲除基因的 90%。
正文 · AI 翻译
摘要：设计用于生长偶联生产的微生物菌株是代谢工程的一项基本目标，其中细胞生长通过遗传干预与目标化合物的合成相关联。基于约束的方法可以识别生长偶联的缺失策略，但针对每个目标的设计通常需要在大量可能的基因缺失组合中进行单独搜索。这促使人们采用一种可复用的方法，从先前评估过的菌株设计中学习，以便在下游基于约束的评估之前对候选干预措施进行优先级排序。我们提出了一种可复现的生长偶联基因缺失设计协议，该协议为每个目标代谢物学习并排序基因缺失优先级。该协议以计算整理出的缺失策略作为学习资源，生成连续的缺失优先级排序，在可调整的搜索空间预算下构建候选策略，并通过基于约束的代谢分析评估这些候选策略。其学习组件 HGPRGDel 显式表示基因-蛋白质-反应（GPR）逻辑，捕捉多个基因如何共同支持一个反应或替代基因如何维持其活性，同时整合分子和反应层面的信息。在 e_coli_core、iMM904 和 iML1515 上，该协议在所评估的学习配置中取得了最高的 macro-F1 和 AUC。HGPRGDel 的排序通过检查比所评估的基线方法更少的基因，从 MetNetComp 中平均恢复了 90% 的参考缺失基因。通过将学习到的干预优先级排序与下游基于约束的评估分离，该协议提供了一个可复现的框架，用于复用菌株设计知识，同时控制候选空间的大小并保留对生长偶联生产的机制性评估。
| 学科： | 定量方法（q-bio.QM）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37478 [q-bio.QM] |
| （或 arXiv:2610.37478v1 [q-bio.QM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37478 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ziwei Yang [查看电子邮件]
[v1]
2026年10月27日星期二 16:07:02 UTC（1,140 KB）
来源：arXiv cs.AI · arxiv.org