馬耳他大學(xué)（UM）和倫敦瑪麗女王大學(xué)（QMUL Malta）的學(xué)者們最近在書中發(fā)表了一章“代謝工程和合成生物學(xué)的計(jì)算生物學(xué)和機(jī)器學(xué)習(xí)“，應(yīng)編輯Kumar Selvarajoo教授的邀請(qǐng)。醫(yī)生羅莎琳博內(nèi)塔瓦倫蒂諾（馬耳他QMUL），讓-保羅·埃貝赫博士（UM），以及博士工程師吉安盧卡瓦倫蒂諾（UM）撰寫了一個(gè)標(biāo)題為“用于代謝組學(xué)途徑分析的機(jī)器學(xué)習(xí)“. 這本書是由施普林格鏈接出版的，是”分子生物學(xué)方法“系列中。

In this chapter, the authors reviewed the use of machine learning for metabolic pathway analyses, with a step-by-step focus on the use of deep learning to predict the association of compounds (metabolites) to their respective metabolomic pathway classes. This prediction may help explain interactions of small molecules in organisms. They built and trained a deep learning neural network model to perform a multi-label prediction.

兩種不同類型的分子指紋被認(rèn)為是功能（輸入模型）。該模型的輸出是一組代謝途徑類（從KEGG數(shù)據(jù)集），其中輸入分子參與。作者引導(dǎo)讀者通過這個(gè)過程的不同步驟，包括數(shù)據(jù)匯集，功能工程，模型選擇，培訓(xùn)和評(píng)估。這種建模和評(píng)估過程可以很容易地轉(zhuǎn)移到其他感興趣的領(lǐng)域。本章中使用的所有計(jì)算機(jī)源代碼都是公開的。