.png){kind=icon}
返回
Efficient computational frameworks for whole-cell models
.png){kind=icon}
OA
AI
DOI：10.1016/j.coisb.2026.100610.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全细胞模型旨在通过将关于生化过程的机制性、基因组规模的信息整合到一个计算框架中，预测从基因型到环境下的细胞表型。尽管这些模型在概念上具有潜力，并在揭示知识空白、指导实验和实现机制洞察方面显示出实际效用，但进展相对缓慢，迄今发表的模型仅有少数。主要原因是效率问题——随着生物学规模和复杂性的增加，计算和软件相关挑战日益显著。本文从计算效率的角度审视了全细胞建模的当前格局，围绕四个相互关联的领域组织了挑战和最新进展：生物数据/知识组织、模型构建、模拟与分析、传播/长期模型演化。我们讨论了数据可用性、互操作性和聚合的问题；现有模型构建工作流程和格式的局限性；混合、多尺度模拟中的算法和性能瓶颈；以及参数估计、验证和可重复性方面的持续困难。我们强调了新兴解决方案，包括与软件无关的模型格式、基于规则和数据库驱动的模型生成、编译和并行模拟引擎，以及模型-数据比较的标准框架。最后，我们讨论了可用性、可持续性和基于社区的开发方面的挑战，强调需要专业的软件工程实践和协作基础设施来支持长期、可扩展的全细胞模型，并借鉴其他类似工作的经验教训。这些分析表明，开发可扩展、可重用和社区驱动的计算框架，以推动全细胞建模向更广泛的基础和转化影响方向发展，具有可行的方向。
