CytoGem-XAI：用于基因组尺度代谢建模与可解释分析的超图神经网络框架

基因组尺度代谢模型对于理解细胞代谢至关重要，然而现有深度学习方法仍然是“黑箱”，而传统通量平衡分析（FBA）无法提供样本特异性的预测。据我们所知，CytoGem-XAI 是首个将超图神经网络表示、可解释且与 FBA 并行的分析，以及样本特异性代谢表征相结合的框架。基于将反应编码为连接其参与代谢物的超边这一超图表示方式，CytoGem-XAI 引入了三个分析模块：基于扰动的碳源重要性排序、硬干预反应瓶颈识别，以及通路层面的拓扑归因。除预测之外，CytoGem-XAI 还独特地实现了依赖条件的碳源必需性分析和随遗传背景变化的反应瓶颈识别——这些能力是传统 FBA 和现有深度学习方法均不具备的。在 17,400 个大肠杆菌生长条件下采用 10 折交叉验证进行训练后，我们的框架达到了 R^2 = 0.862，显著优于 AMN（R^2 = 0.81，提升 6.4%）、FBA（R^2 = 0.62，提升 39%）以及梯度提升基线模型（R^2 = 0.71，提升 21%）。生物学验证表明，CytoGem-XAI 能够识别已知的关键必需碳源（如丙氨酸、苹果酸）和限速酶（如三羧酸循环中的相关酶），同时还揭示了 N-乙酰胞壁酸——一种肽聚糖前体——作为一种此前未受到充分重视的必需营养物质。

基因组尺度代谢模型对于理解细胞代谢至关重要，然而现有的深度学习方法仍然是“黑箱”，而传统的通量平衡分析（FBA）又无法提供样本特异性的预测。据我们所知，CytoGem-XAI 是首个将超图神经网络表征、可解释且与 FBA 并行的分析，以及样本特异性代谢表征相结合的框架。

CytoGem-XAI 建立在超图表征之上，其中反应被编码为连接其参与代谢物的超边，并引入了三个分析模块：基于扰动的碳源重要性排序、硬干预反应瓶颈识别，以及通路层面的拓扑归因。除预测之外，CytoGem-XAI 还独特地能够揭示依赖条件变化的碳源必需性以及随遗传背景而变化的反应瓶颈——这些能力是传统 FBA 和现有深度学习方法都不具备的。

在 17,400 个大肠杆菌生长条件下进行训练并采用 10 折交叉验证后，我们的框架达到了 R^2 = 0.862，显著优于 AMN（R^2 = 0.81，提升 6.4%）、FBA（R^2 = 0.62，提升 39%）以及梯度提升基线模型（R^2 = 0.71，提升 21%）。生物学验证进一步证实，CytoGem-XAI 能够识别已知的必需碳源（如丙氨酸、苹果酸）和限速酶（如 TCA 循环中的酶），同时还揭示了 N-乙酰胞壁酸——一种肽聚糖前体——作为此前未受到充分重视的必需营养物质。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730334v1?rss=1

🏷️ 基因组尺度代谢模型 超图神经网络 可解释人工智能 通量平衡分析 样本特异性代谢预测 大肠杆菌