| name | scientific-metabolic-flux |
| description | 代謝フラックス解析スキル。13C/15N 安定同位体トレーサー
データを用いた代謝フラックス推定・EMU モデリング・
フラックスバランス制約統合パイプライン。
|
| tu_tools | [{"key":"bigg","name":"BiGG Models","description":"代謝フラックスモデル検索"}] |
Scientific Metabolic Flux
13C/15N 安定同位体トレーサー実験データを用いた代謝フラックス
推定・EMU (Elementary Metabolite Unit) フレームワーク・
フラックスバランス解析 (FBA) 制約統合パイプラインを提供する。
When to Use
- 13C 安定同位体トレーサー実験データを解析するとき
- EMU/アイソトポマーモデルを構築するとき
- MID (Mass Isotopomer Distribution) データをフィッティングするとき
- 経路別の代謝フラックスを定量するとき
- FBA 制約とトレーサーデータを統合するとき
Quick Start
1. MID (Mass Isotopomer Distribution) データ処理
import numpy as np
import pandas as pd
from scipy.optimize import minimize
def load_mid_data(mid_file, sep="\t"):
"""
MID データ読み込み・正規化。
Parameters:
mid_file: str — MID データファイルパス
(TSV: metabolite, M+0, M+1, M+2, ...)
sep: str — 区切り文字
"""
df = pd.read_csv(mid_file, sep=sep,
index_col="metabolite")
mid_cols = [c for c in df.columns
if c.startswith("M+")]
for idx in df.index:
row_sum = df.loc[idx, mid_cols].sum()
if row_sum > 0:
df.loc[idx, mid_cols] /= row_sum
print(f"MID data: {len(df)} metabolites, "
f"{len(mid_cols)} isotopomers")
return df[mid_cols]
def natural_abundance_correction(mid_df, n_carbons):
"""
天然同位体存在量補正。
Parameters:
mid_df: DataFrame — 正規化済み MID データ
n_carbons: dict — 代謝物名→炭素数マッピング
"""
C13_NAT = 0.011
corrected = mid_df.copy()
for met in corrected.index:
n_c = n_carbons.get(met, 6)
n_iso = min(corrected.shape[1], n_c + 1)
raw = corrected.loc[met].values[:n_iso]
corr_matrix = np.zeros((n_iso, n_iso))
for i in range(n_iso):
for j in range(i, n_iso):
from math import comb
k = j - i
remain = n_c - i
if k <= remain:
corr_matrix[i, j] = (
comb(remain, k)
* C13_NAT ** k
* (1 - C13_NAT) ** (remain - k)
)
try:
corrected_vals = np.linalg.solve(
corr_matrix[:n_iso, :n_iso], raw)
corrected_vals = np.maximum(corrected_vals, 0)
corrected_vals /= corrected_vals.sum()
corrected.loc[met, corrected.columns[:n_iso]] = (
corrected_vals)
except np.linalg.LinAlgError:
pass
print(f"NA correction: {len(corrected)} metabolites")
return corrected
2. EMU フラックスモデル
def build_emu_model(reactions, atom_transitions):
"""
EMU (Elementary Metabolite Unit) モデル構築。
Parameters:
reactions: list[dict] — 反応定義
[{id, substrates, products, reversible}]
atom_transitions: dict — 原子遷移マッピング
{reaction_id: [(from_met, from_atoms,
to_met, to_atoms)]}
"""
emu_network = {}
for rxn in reactions:
rxn_id = rxn["id"]
transitions = atom_transitions.get(rxn_id, [])
for from_met, f_atoms, to_met, t_atoms in (
transitions
):
emu_size = len(t_atoms)
emu_key = (to_met, tuple(sorted(t_atoms)))
if emu_key not in emu_network:
emu_network[emu_key] = []
emu_network[emu_key].append({
"reaction": rxn_id,
"precursor": from_met,
"precursor_atoms": f_atoms,
"reversible": rxn.get(
"reversible", False),
})
print(f"EMU model: {len(emu_network)} EMUs, "
f"{len(reactions)} reactions")
return emu_network
def simulate_mid(fluxes, emu_model, substrate_labeling,
metabolite):
"""
フラックスからの MID シミュレーション。
Parameters:
fluxes: dict — {reaction_id: flux_value}
emu_model: dict — EMU ネットワーク
substrate_labeling: dict — 基質ラベリングパターン
{metabolite: [M+0 fraction, M+1, ...]}
metabolite: str — シミュレーション対象代謝物
"""
relevant_emus = {
k: v for k, v emu_model.items()
k[] == metabolite
}
relevant_emus:
np.array([])
max_size = ((k[]) k relevant_emus)
mid = np.zeros(max_size + )
mid[] =
emu_key, precursors relevant_emus.items():
emu_size = (emu_key[])
prec precursors:
rxn_flux = fluxes.get(prec[], )
prec_label = substrate_labeling.get(
prec[],
[] + [] * emu_size)
i, frac (
prec_label[:emu_size + ]
):
i <= max_size:
mid[i] += rxn_flux * frac
mid_sum = mid.()
mid_sum > :
mid /= mid_sum
mid
3. フラックス推定
def estimate_fluxes(observed_mids, emu_model,
substrate_labeling,
initial_fluxes,
metabolites):
"""
最小二乗法によるフラックス推定。
Parameters:
observed_mids: dict — {metabolite: np.array}
観測 MID データ
emu_model: dict — EMU ネットワーク
substrate_labeling: dict — 基質ラベリング
initial_fluxes: dict — 初期フラックス推定値
metabolites: list — 対象代謝物リスト
"""
flux_names = list(initial_fluxes.keys())
x0 = [initial_fluxes[f] for f in flux_names]
def objective(x):
fluxes = dict(zip(flux_names, x))
residual = 0.0
for met in metabolites:
if met not in observed_mids:
continue
obs = observed_mids[met]
sim = simulate_mid(
fluxes, emu_model,
substrate_labeling, met)
n = min(len(obs), len(sim))
residual += np.sum(
(obs[:n] - sim[:n]) ** 2)
return residual
bounds = [(0, None) for _ in flux_names]
result = minimize(objective, x0, method="L-BFGS-B",
bounds=bounds)
estimated = dict(zip(flux_names, result.x))
print(f"Flux estimation: SSR={result.fun:.6f}, "
f"converged={result.success}")
return estimated, result
4. 代謝フラックス統合パイプライン
def metabolic_flux_pipeline(mid_file, reactions,
atom_transitions,
substrate_labeling,
n_carbons,
output_dir="results"):
"""
代謝フラックス統合パイプライン。
Parameters:
mid_file: str — MID データファイル
reactions: list — 反応定義リスト
atom_transitions: dict — 原子遷移マッピング
substrate_labeling: dict — 基質ラベリング
n_carbons: dict — 代謝物→炭素数
output_dir: str — 出力ディレクトリ
"""
from pathlib import Path
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)
mid_raw = load_mid_data(mid_file)
mid_corr = natural_abundance_correction(
mid_raw, n_carbons)
mid_corr.to_csv(output_dir / "mid_corrected.csv")
emu_model = build_emu_model(
reactions, atom_transitions)
observed = {met: mid_corr.loc[met].values
for met in mid_corr.index}
init_fluxes = {r["id"]: 1.0 for r in reactions}
fluxes, opt_result = estimate_fluxes(
observed, emu_model, substrate_labeling,
init_fluxes, list(observed.keys()))
flux_df = pd.DataFrame([
{"reaction": k, "flux": v}
for k, v in fluxes.items()
])
flux_df.to_csv(output_dir / "fluxes.csv",
index=False)
print(f"Metabolic flux pipeline → {output_dir}")
return {"fluxes": fluxes, "mid_corrected": mid_corr}
パイプライン統合
metabolic-modeling → metabolic-flux → systems-biology
(FBA/COBRA) (13C MFA) (統合解析)
│ │ ↓
flux-balance-analysis ───┘ pathway-enrichment
(制約ベース) (パスウェイ集積)
パイプライン出力
| ファイル | 説明 | 次スキル |
|---|
results/mid_corrected.csv | 補正済み MID | → metabolic-modeling |
results/fluxes.csv | 推定フラックス | → systems-biology |
ToolUniverse 連携
| TU Key | ツール名 | 連携内容 |
|---|
bigg | BiGG Models | 代謝フラックスモデル検索 |
