MetaGEM: Reconstrução de Baixo para Cima de Redes Metabólicas em Escala Genômica por Meio de Ancoragem Profunda de Enzimas e Metabólitos

Modelos metabólicos em escala genômica (GEMs) são ferramentas indispensáveis para a biologia de sistemas e o design racional de chassis biológicos. No entanto, a reconstrução convencional desses modelos, que adota uma abordagem de cima para baixo, depende fortemente da homologia de sequência. Essa dependência frequentemente resulta na identificação incompleta de enzimas e na presença de 'matéria escura' metabólica, ou seja, componentes da rede que permanecem desconhecidos ou não caracterizados. Essa limitação compromete a completude e a precisão dos modelos, dificultando a compreensão abrangente dos processos metabólicos celulares e o desenvolvimento de estratégias de engenharia metabólica eficazes.

A reconstrução direta a partir de dados metabolômicos também apresenta desafios significativos. O mapeamento de metabólitos observados em reações metabólicas é um problema inverso mal-posto, caracterizado por ambiguidade combinatória e o risco de gerar redes espúrias. Para superar essas dificuldades, apresentamos o MetaGEM, uma estrutura inovadora que emprega uma abordagem de baixo para cima. O MetaGEM utiliza enzimas como âncoras físicas, transformando a inferência de rede em nível de sistema em uma tarefa de previsão de interação enzima-metabólito. Essa estratégia permite uma construção mais robusta e fundamentada da rede metabólica, partindo de componentes moleculares bem definidos.

A arquitetura do MetaGEM é baseada em um modelo multimodal de torre dupla, que integra informações diversas para otimizar a previsão de interações. Essa arquitetura combina a semântica evolutiva de proteínas, derivada de um modelo de linguagem de proteínas avançado, com representações tridimensionais detalhadas de metabólitos. O MetaGEM também incorpora o aprendizado contrastivo com mineração negativa intensa. Essa técnica é crucial para distinguir metabólitos estruturalmente semelhantes e, assim, reduzir a ocorrência de interações falso-positivas, aumentando a especificidade e a confiabilidade das previsões da rede metabólica. A combinação desses elementos permite ao MetaGEM capturar nuances complexas nas interações moleculares.

Em um benchmark des-homologado rigoroso, o MetaGEM demonstrou um desempenho de ponta na previsão de interações entre enzimas e metabólitos. Os resultados obtidos incluem um AUROC (Area Under the Receiver Operating Characteristic curve) de 0, 9701 e um MCC (Matthews Correlation Coefficient) de 0, 8033. Esses valores atestam a alta capacidade preditiva do modelo. Notavelmente, o MetaGEM manteve sua robustez mesmo sob baixas divisões de identidade de sequência, indicando sua aplicabilidade em cenários onde a homologia é limitada. Essa performance superior valida a eficácia da abordagem de ancoragem profunda e do aprendizado contrastivo na resolução do problema de reconstrução de redes metabólicas.

Na etapa de reconstrução a jusante, o MetaGEM foi capaz de gerar modelos metabólicos funcionais em escala genômica para organismos modelo importantes, como Escherichia coli, Bacillus subtilis e Pseudomonas aeruginosa. Os modelos reconstruídos apresentaram melhorias significativas na conectividade da rede, um aspecto fundamental para a representação precisa dos fluxos metabólicos. Além disso, esses modelos foram eficazes em capturar enzimas promíscuas, que são aquelas capazes de catalisar múltiplas reações, um desafio comum em abordagens convencionais. A forte concordância observada entre as previsões do MetaGEM e dados experimentais, incluindo microarranjos fenotípicos e dados de essencialidade genética, reforça a validade e a utilidade prática dos modelos gerados.

Esses resultados demonstram que o MetaGEM oferece um caminho prático e eficiente para transpor evidências metabolômicas em redes metabólicas computáveis e funcionais. A capacidade de gerar modelos precisos e validados experimentalmente posiciona o MetaGEM como uma ferramenta promissora para a pesquisa em biologia de sistemas. A estrutura proposta estabelece uma base sólida para a reconstrução automatizada de células virtuais, impulsionada por inteligência artificial. Isso abre novas perspectivas para a engenharia metabólica, a descoberta de drogas e a compreensão aprofundada da complexidade biológica em diversas espécies.