ترکیب مدلهای مکانیستیک و مدلهای مبتنی بر یادگیری ماشین
برای مهندسی پیشبینی گرایانه و بهینه سازی متابولیسم تریپتوفان

در مسیر مدلسازی مکانیستیک پیشرفته و تولید مجموعه دادههای بزرگ با کیفیت بالا، یادگیری ماشین جزء مهمی در یکپارچه سازی شناخت و مهندسی سامانههای زیستی شده است.
مدلهای مکانیستیک و مدلهای مبتنی بر یادگیری ماشین را میتوان ترکیب کرد تا پیشبینیهای ژنوتیپ به فنوتیپ دقیقی داشت.
در این تحقیق از یک مدل با ابعاد ژنومیک برای مهندسی دقیق اهداف، ساخت کارآمد کتابخانههای طراحیهای مسیرهای متابولیک و غربالگری با عملکرد بالای مبتنی بر زیستحسگرها جهت آموزش الگوریتمهای متنوع یادگیری ماشین استفاده شده است.
این فرآیند سبب مهندسی رو به جلوی موفق متابولیسم پیچیده آمینواسید آروماتیک در مخمر شده است. در بهترین طراحی مبتنی بر پیشنهادات یادگیری ماشین تیتر و عملکرد تولید تریپتوفان به ترتیب ۷۴ و ۴۳ درصد در مقایسه با بهترین طراحیهای استفاده شده برای آموزش الگوریتم افزایش یافته است.
از نتایج این تحقیق قدرت ترکیب مدلهای مکانیستیک و مدلهای مبتنی بر یادگیری ماشین برای هدایت دقیق مهندسی متابولیک مشخص میشود.