近日，德国马克斯・普朗克分子植物生理研究所Sebastian Huß与Zoran Nikoloski团队在《Plant Biotechnology Journal》上发表题为《NeuralFlux: Estimation of Reaction Fluxes at a Genome-Scale Level From Time-Resolved Isotope Labelling Patterns Using Deep Learning》的研究简报。该研究开发了一种基于深度学习的代谢通量估算工具NeuralFlux，突破了传统同位素非稳态代谢通量分析在基因组尺度应用中面临的计算瓶颈，为系统解析植物代谢网络功能、指导代谢性状遗传改良提供了高效可靠的计算新方法。 代谢通量是细胞生理状态的核心表征，也是作物代谢性状改良的重要靶点。传统同位素非稳态代谢通量分析虽能利用动态标记数据估算通量，但在处理基因组尺度代谢网络时存在计算复杂度高、耗时长、可重复性差等问题。为此，研究团队创新性地将深度学习与代谢网络建模相结合，开发了NeuralFlux工具，其主要研究进展如下：
