💻 bioinformatics

ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation

El artículo presenta ML4SD, un ciclo de aprendizaje activo de Diseño-Construcción-Prueba-Aprendizaje que integra el aprendizaje automático con un nuevo algoritmo de alto rendimiento (gcSwarms) para identificar eficientemente diseños de cepas microbianas acopladas al crecimiento, logrando rendimientos de carbono significativamente más altos con muchas menos iteraciones experimentales que los métodos de búsqueda tradicionales.

Autores originales: Gargantilla Becerra, A., Nogales Enrique, J.

Publicado 2026-09-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gargantilla Becerra, A., Nogales Enrique, J.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En la carrera por construir una economía circular, los científicos están intentando enseñar a los microbios a convertir los desechos en productos químicos valiosos, reemplazando los procesos basados en el petróleo que actualmente impulsan nuestro mundo. Imagine el suelo de una fábrica donde las bacterias actúan como diminutos trabajadores, consumiendo materia vegetal desechada o subproductos industriales y expulsando plásticos, combustibles o medicinas. El desafío es que estos trabajadores microscópicos priorizan naturalmente el crecimiento y la división por encima de gastar energía fabricando un producto específico para los humanos. Para solucionar esto, los ingenieros intentan recablear el metabolismo interno de las bacterias para que la fabricación del producto deseado se vuelva esencial para la propia supervivencia del organismo. Si las bacterias dejan de producir la sustancia química, dejan de crecer. Esta estrategia de "acoplamiento al crecimiento" obliga a los microbios a hacer el trabajo, pero encontrar los interruptores genéticos adecuados para activar es como buscar una aguja en un pajar de miles de millones de posibilidades. Los métodos tradicionales implican probar un cambio genético a la vez, un proceso lento y costoso que a menudo arroja pocos resultados.

Un equipo de investigadores ha desarrollado ahora un nuevo enfoque que combina el modelado computacional con el aprendizaje automático para acelerar esta búsqueda de manera drástica. Crearon un sistema llamado ML4SD, que actúa como una guía inteligente para diseñar estas bacterias modificadas. En lugar de probar ciegamente miles de combinaciones genéticas, el sistema utiliza un gemelo digital del metabolismo de la bacteria para simular cómo diferentes cortes genéticos afectarían su crecimiento y producción. Luego utiliza el aprendizaje automático para aprender de estas simulaciones, identificando patrones que conducen al éxito. Los investigadores descubrieron que, para que este aprendizaje funcione, el conjunto inicial de diseños simulados debe ser vasto y variado, incluyendo muchos que fallan o tienen un desempeño pobre. Si el conjunto contiene solo los "mejores" diseños, el modelo computacional se confunde y no puede generalizar a nuevas situaciones. Al entrenar con un conjunto de datos diverso, el sistema aprendió a predecir qué cambios genéticos funcionarían mejor, estrechando eficazmente el espacio de búsqueda.

Para probar su método, el equipo se centró en una tarea específica y desafiante: convertir el 4-hidroxibenzoato, un compuesto derivado de la lignina en los desechos vegetales, en 6-caprolactama, la unidad de construcción para el nailon-6. Esta es una conversión difícil porque las vías químicas son complejas y las bacterias, Pseudomonas putida, no realizan esta tarea de forma eficiente de manera natural. Los investigadores primero intentaron utilizar un algoritmo existente para generar una lista de posibles diseños genéticos, pero descubrieron que producía una lista pequeña y repetitiva de opciones de la cual el modelo de aprendizaje automático no podía aprender eficazmente. El modelo sufrió de sobreajuste (overfitting), lo que significa que memorizó los pocos ejemplos que se le dieron pero falló al predecir los resultados para nuevos diseños no vistos.

Para resolver esto, el equipo construyó un nuevo algoritmo de búsqueda llamado gcSwarms. A diferencia del método anterior, este algoritmo exploró el espacio de diseño de manera más amplia, generando una biblioteca masiva de más de 50,000 diseños genéticos únicos en una sola ejecución. Esto incluyó muchos diseños que no eran perfectos, proporcionando al sistema de aprendizaje automático los datos ricos y variados que necesitaba para aprender las reglas subyacentes del metabolismo. Cuando introdujeron esta biblioteca diversa en su sistema ML4SD, los resultados fueron sorprendentes. El sistema identificó con éxito un conjunto de deleciones genéticas que mejoraron el rendimiento de carbono del proceso hasta en un 164 por ciento en comparación con los mejores diseños encontrados por la búsqueda inicial por sí sola.

El poder de este enfoque reside en su eficiencia. Para encontrar estos diseños de alto rendimiento, el sistema ML4SD exploró menos de 4,500 diseños. En contraste, el algoritmo de búsqueda tradicional tuvo que examinar entre 10,000 y 30,000 diseños para alcanzar un nivel de rendimiento similar. Esto significa que el nuevo método logró el mismo resultado utilizando de dos a siete veces menos esfuerzo computacional. Además, el sistema fue capaz de señalar un conjunto específico y mínimo de tres cambios genéticos que aparecían consistentemente en los mejores diseños. Estos cambios redirigieron eficazmente el flujo de energía dentro de la célula, obligándola a canalizar los recursos hacia la fabricación del precursor del nailon.

Los investigadores enfatizan que estos hallazgos son actualmente simulaciones, una prueba de concepto que demuestra el potencial del método. El siguiente paso sería construir las bacterias reales en un laboratorio y probar si se comportan como predice la computadora. Si tiene éxito, este enfoque podría acelerar significamente el desarrollo de la biofabricación sostenible, convirtiendo los flujos de desechos en materiales valiosos con mucho menos tiempo y recursos de lo que permiten los métodos actuales. Al enseñar a las máquinas a aprender de una amplia variedad de intentos fallidos y exitosos, los investigadores han creado una hoja de ruta para navegar el complejo paisaje de la ingeniería metabólica, ofreciendo un camino práctico hacia un futuro industrial más circular y sostenible.

Planteamiento del Problema
La optimización de la biofabricación microbiana para reemplazar las rutas petroquímicas requiere alcanzar títulos, tasas y rendimientos competitivos, a menudo mediante la producción acoplada al crecimiento (GC, por sus siglas en inglés), donde la síntesis del objetivo está vinculada a la formación de biomasa. La identificación de estrategias de inactivación de genes (knockout) que impongan este acoplamiento es computacionalmente intensiva y resulta en una escasez de diseños probados in vivo. Esta escasez de datos dificulta la aplicación de métodos estándar de aprendizaje automático (ML), que típicamente requieren conjuntos de datos grandes y diversos para aprender patrones generalizables. Los marcos de trabajo de ML existentes para el diseño de cepas, como DeepGDel, enfrentan limitaciones que incluyen la dependencia de bases de datos preexistentes (lo que impide el diseño de novo), la falta de consideración de la topología metabólica y la predicción de estados de eliminación binarios en lugar de métricas de rendimiento cuantitativas. Además, los algoritmos tradicionales de diseño de cepas (SD) generan bibliotecas restringidas a diseños pareto-óptimos o mínimos, los cuales carecen de la diversidad (incluyendo diseños subóptimos y no viables) necesaria para prevenir el sobreajuste (overfitting) de los modelos de ML.

Metodología
Los autores proponen ML4SD (Machine Learning for Strain Design), un ciclo de aprendizaje activo de Diseño–Construcción–Prueba–Aprendizaje (DBTL) que integra modelos metabólicos a escala genómica (GEM) con modelos de ensamble de ML para refinar iterativamente las recomendaciones de inactivación.

Arquitectura del Marco de Trabajo:
- Generación de la Biblioteca Inicial: El ciclo comienza con una biblioteca inicial de diseños ( $\mathcal{D}$ ) generada por un algoritmo de SD sobre un GEM reducido. Estos diseños se representan como vectores binarios de inactivaciones de reacciones.
- Modelado de Ensamble: Utilizando el paquete AutoSklearn, el marco entrena un ensamble de modelos de ML para predecir métricas de producción (por ejemplo, Rendimiento de Carbono) basadas en los vectores de inactivación.
- Aprendizaje Activo y Muestreo: El ensamble predice puntuaciones de rendimiento ( $y$ ) y errores de estimación (Error Absoluto, $AE(y)$ ) para todo el espacio de diseño. Se calcula una distribución de muestreo $S(\mathcal{D})$ combinando el Área Bajo la Curva (AUC) de las predicciones de puntuación y las predicciones de error. Esta distribución guía la selección del siguiente conjunto de diseños, equilibrando la exploración (apuntar a regiones de alto error para mejorar la precisión del modelo) y la explotación (apuntar a regiones de alta puntuación para optimizar el rendimiento).
- Refinamiento Iterativo: Nuevos diseños se validan in silico (usando el GEM completo) o in vivo, y los datos resultantes se añaden a la biblioteca para reentrenar el ensamble, mejorando progresivamente el poder predictivo del modelo.
Desarrollo del Algoritmo (gcSwarms):
- Los autores identificaron que los algoritmos de SD existentes como gcFront producían bibliotecas demasiado pequeñas y homogéneas (compuestas solo por diseños pareto-óptimos), lo que provocaba un severo sobreajuste en los modelos de ML.
- Para abordar esto, desarrollaron gcSwarms, un nuevo algoritmo de Optimización por Enjambre de Partículas Binarias (BPSO).
- Características Clave de gcSwarms:
  - Inicialización: Utiliza el Muestreo de Hipercubo Latino (LHS) para asegurar una población inicial diversa a través del espacio de búsqueda.
  - Estrategia de Búsqueda: Emplea un enfoque basado en vecindad para equilibrar la exploración global y la explotación local, evitando la convergencia prematura a óptimos locales.
  - Salida: Registra todo el historial de búsqueda en lugar de solo la solución final óptima, proporcionando un conjunto de datos grande y diverso que contiene diseños viables, subóptimos y no viables, esenciales para entrenar modelos de ML robustos.
Caso de Estudio:
- El marco fue probado en Pseudomonas putida KT2440 (usando el GEM iJN1462).
- Un caso de estudio específico se centró en la conversión de 4-hidroxibenzoato (4-HB) derivado de la lignina a 6-caprolactama (el monómero de la nailon-6).
- Se ejecutaron dos campañas de optimización: una maximizando el Rendimiento de Carbono (CY) y otra maximizando el Rendimiento de Producto Acoplado a la Biomasa (BCPY).

Resultados Clave

Diversidad de la Biblioteca y Generalización del Modelo: Las bibliotecas generadas por gcFront eran pequeñas (20–349 diseños) y homogéneas, lo que resultó en modelos de ML con una generalización deficiente (mediana de $R^2$ de prueba de 0.952 pero con alta varianza y bajo rendimiento en datos sintéticos, con un NRMSE de 58.0%). En contraste, las bibliotecas generadas por gcSwarms produjeron un promedio de ~59,000 diseños únicos con una diversidad significativamente mayor (distancia de Jaccard mediana de 0.44 vs. 0.67 para gcFront). Los modelos entrenados con los datos de gcSwarms mostraron una generalización superior (mediana de $R^2$ de prueba de 0.872 con baja varianza) y una alta precisión predictiva en datos sintéticos (NRMSE de 4.4%).
Mejora del Rendimiento: En el caso de estudio de 4-HB a 6-caprolactama, el flujo de trabajo ML4SD mejoró el rendimiento de carbono del mejor diseño inicial hasta en un 164%.
Eficiencia de Datos: ML4SD alcanzó su máximo rendimiento explorando solo 4,316 diseños. En comparación, una búsqueda independiente de gcSwarms requirió entre 10,869 y 30,615 diseños para alcanzar un rendimiento similar. Esto representa una reducción de 2.5 a 7.1 veces en el número de diseños requeridos.
Información Mecanística: El análisis SHAP (Explicaciones de SHapley) de los modelos de ensamble reveló un motivo de intervención mínima compartido entre las réplicas: la eliminación de ICL, AKGDH y PTRCTA2/SSALy. Este motivo redirige correctamente el flujo del TCA a través de la acetil-CoA para favorecer la producción de 6-caprolactama, validando la capacidad del modelo para recapitular los principios del diseño metabólico.
Eficiencia de Recursos: El flujo de trabajo ML4SD se ejecutó en una computadora portátil estándar (6 núcleos) en aproximadamente 74 minutos, mientras que la búsqueda comparativa de gcSwarms requirió un clúster de Computación de Alto Rendimiento (HPC) (32 núcleos) durante 44 minutos solo para generar la biblioteca inicial.

Significancia y Reivindicaciones
El artículo afirma que ML4SD ofrece una ruta práctica y eficiente en términos de datos para diseñar cepas acopladas al crecimiento, particularmente para bioprocesos donde los datos experimentales son escasos. Al acoplar un algoritmo de búsqueda diversa (gcSwarms) con un ciclo de aprendizaje activo DBTL, el método supera la limitación de "necesidad de datos" del ML en ingeniería metabólica. Los autores enfatizan que su enfoque:

Permite el Diseño De Novo: No depende de bases de datos de diseños de cepas preexistentes, sino que genera bibliotecas específicas para cada bioproceso.
Mejora la Eficiencia de Datos: Reduce significativamente la carga computacional y experimental al identificar diseños de alto rendimiento con menos evaluaciones que los algoritmos de SD tradicionales.
Proporciona Interpretabilidad: A través del análisis SHAP, el marco extrae reglas de diseño interpretables (motivos de intervención mínima) en lugar de solo recomendaciones de "caja negra".
Une el In Silico con el In Vivo: Los autores posicionan a ML4SD como una herramienta de "arranque en caliente" (warm start) que utiliza GEMs para generar candidatos iniciales, que luego pueden refinarse con datos experimentales para corregir las brechas cinéticas y regulatorias inherentes a los modelos estequiométricos.

El estudio concluye que, si bien los resultados son una prueba de concepto computacional, el marco demuestra con éxito el potencial para guiar la ingeniería metabólica hacia diseños de cepas óptimos para aplicaciones de la economía circular, como la valorización de la lignina.

Más como este