SynBioCrow: provenance-preserving integration of complementary retrosynthesis engines for biosynthetic pathway design
SynBioCrow 是一个保持溯源性的框架,它整合了多种逆合成引擎以扩大路径覆盖范围,在既定基准测试中展示了改进的连通水平恢复能力,同时透明地报告了其在完全恢复前瞻性目标完整路径方面的现有局限性。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在合成生物学领域,科学家们扮演着生命细胞建筑师的角色,通过设计新的代谢途径,将简单的起始原料转化为有价值的化学品、燃料或药物。为了实现这一目标,他们依赖于一种被称为“逆向生物合成”(retrobiosynthesis)的过程,该过程从理想的最终产物出发,反向推导构建该产物所需的逐步化学反应。想象一下,尝试通过从做好的成品菜肴倒推回原始食材来重构一道复杂的菜肴;在这个领域,计算机试图绘制出细胞制造特定分子时可能采取的每一种可能的化学路径。然而,没有任何单一的计算机程序能够完美胜任这项任务。不同的软件工具使用不同的规则和策略,这意味着一个程序可能会发现一条而另一个程序完全错过的路径。研究人员面临的挑战在于,如何在不产生混乱且冲突的数据,或丢失证明某条路径在化学上合理可靠的细节的情况下,将这些各种工具的长处结合起来。
由达文波特大学(Davenport University)的托马斯·J·海曼(Thomas J. Heiman)领导的一个团队通过构建一个名为 SynBioCrow 的系统解决了这个问题,该系统作为一个中央枢纽,可以同时运行多个独立的逆向合成引擎。该系统并没有强迫这些不同的程序就单一方法达成一致,而是让每个引擎独立工作,提出各自的潜在化学路径清单。随后,该软件会将所有这些独立的建议合并为一个统一的可能反应图谱,并仔细记录是哪一个计算机程序提出了哪一步骤。这种方法使研究人员能够看到比任何单一工具本身所能提供的范围要广得多的可能性。其目标不仅是生成更多的想法,而且是以一种保留每项建议背后证据的方式进行,从而确保最终的路径列表既广泛又可靠。
研究人员使用一组从科学文献中预先选定的六十五个已知生物途径对该系统进行了测试。他们想看看这个组合系统是否能够重新发现这些已知的路径,以及它是否能找到单个工具所错过的新的有效路径。结果表明,该组合系统在寻找这些已知路径的组成部分方面,确实比任何单独工作的工具都更成功。虽然单个工具在六十五个案例中分别找到了十三到九个部分的解决方案,但组合系统在十九个案例中找到了部分匹配。这证实了将不同的工具结合在一起确实拓宽了搜索范围,并有助于找回科学家已经记录的更多化学步骤。
然而,这项研究也揭示了一个显著的局限性,使得该系统目前还不能被宣布为完全成功。虽然组合系统找到了更多的化学步骤,但它并不一定能将最佳、最完整的路径排在列表的最顶端。事实上,对于系统找到的少数精确路径,与单个工具发现它们时相比,组合方法有时会将它们的排名降低。更重要的是,当研究人员在两个未用于训练或调优的新化学目标——1,3-丙二醇和1,4-丁二醇——上测试该系统时,系统未能找到存在于真实科学文献中的特定已知化学中间体。尽管软件生成了数千条潜在路径,且一些内部检查表明它已经找到了解决方案,但其中没有一个与已知的真实世界路径的精确结构相匹配。
这个在处理新目标时的负面结果是故事中至关重要的一部分。它表明,仅仅生成大量的潜在路径并不等同于找到正确的路径。该系统显示,虽然它可以撒下更广的网,但目前缺乏在没有人类指导或更好证据的情况下,从大量错误的路径中辨别出真正有用且化学准确路径的能力。研究人员得出结论,下一步不是仅仅增加更多的工具或生成更多的数据,而是改进系统评估每一步背后证据质量的方式。直到该系统能够在无需事后调整的情况下,可靠地在新的、未见过的目标上找到并排列正确的路径之前,它仍然是一个极具前景的未来开发对象,而非一个成熟的解决方案。这项工作是一次谨慎且诚实的评估,它既结合了多种工具的力量,也清晰地承认了技术目前仍存在的不足。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。