Ensemble Modeling of Cancer Metabolism
Notice bibliographique
Résumé
The metabolic behavior of cancer cells is adapted to meet their proliferative needs, with notable changes such as enhanced lactate secretion and glucose uptake rates. In this work, we use the Ensemble Modeling (EM) framework to gain insight and predict potential drug targets for tumor cells. EM generates a set of models which span the space of kinetic parameters that are constrained by thermodynamics. Perturbation data based on known targets are used to screen the entire ensemble of models to obtain a sub-set, which is increasingly predictive. EM allows for incorporation of regulatory information and captures the behavior of enzymatic reactions at the molecular level by representing reactions in the elementary reaction form. In this study, a metabolic network consisting of 58 reactions is considered and accounts for glycolysis, the pentose phosphate pathway, lipid metabolism, amino acid metabolism, and includes allosteric regulation of key enzymes. Experimentally measured intracellular and extracellular metabolite concentrations are used for developing the ensemble of models along with information on established drug targets. The resulting models predicted transaldolase (TALA) and succinyl-CoA ligase (SUCOAS1m) to cause a significant reduction in growth rate when repressed, relative to currently known drug targets. Furthermore, the results suggest that the synergistic repression of transaldolase and glycine hydroxymethyltransferase (GHMT2r) will lead to a threefold decrease in growth rate compared to the repression of single enzyme targets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».