A Dynamic Constraint-based Modelling (DCBM) Approach With Alternative Metabolic Objective Functions Predicts The impact of Oxidative Stress on Stored Red Blood Cells (RBCs)
Notice bibliographique
Résumé
Mathematical metabolic modelling is a systematic endeavour to allow identifying the main causes of an observed metabolic change and to estimate the consequences of an imposed metabolic perturbation regarding a biosystem. Dynamic Constraint-based modelling (DCBM) has delivered promising results in metabolic engineering and in bioprocess design by providing mechanistically relevant systems-level knowledge of a network of bioreactions. Here, we seek to establish a DCBM approach that leverages convex optimization and nonlinear regression mathematical toolkit to estimate dynamic intracellular metabolic flux distributions in stored Red Blood Cells (RBCs) for transfusion purposes. First, we developed an ad-hoc metabolic network including 77 reactions and 74 metabolites, second, we adapted Flux Variability Analysis (FVA) technique to quantify the connection between exometabolomic dynamics and the dynamics of feasible intracellular reaction flux ranges. We have obtained fine-grained flux range dynamics of the intracellular reactions for the benchmark data published in (Bordbar et al., 2016). Then, we defined four objective functions regarding the accumulation of oxidative stress in stored RBCs for performing a dynamic Flux Balance Analysis (DFBA). In all four cases, time-resolved flux predictions were obtained respecting the imposed equality and inequality constraints. Last, we adapted a quadratic programming (QP) approach to calculate the Euclidean distance between the dynamic optimum flux vectors. The DCBM approach we have developed herein along with the developed metabolic network showed being suitable for the computational analysis of RBCs metabolic behaviour, and it is thought to be useful for other biosystems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».