1.引言
iMAT方法是生物信息学中用于重构生物代谢网络比较经典的方法之一，其余还有INIT，tINIT，FASTCORE等方法，有机会将会一一介绍。 首先附上iMAT方法两篇文献，无论怎么说还是直接看论文更加清晰。
[1] Hadas Zur, Eytan Ruppin, Tomer Shlomi, iMAT: an integrative metabolic analysis tool, Bioinformatics, Volume 26, Issue 24, 15 December 2010, Pages 3140–3142, https://doi.org/10.1093/bioinformatics/btq602
[2] Network-based prediction of human tissue-specific metabolism
2.原理
iMAT算法可以根据蛋白质或基因表达数据，计算判断网络中的反应的真实状态（指高低表达）。它的根本思想是首先根据基因表达的强度，计算出每个基因的表达状态（这里可以有很多方法，阈值也是可以自己确定），包括1,0，-1，即高表达，正常表达和低表达，利用GPR（基因-蛋白质-反应关系图），先大致求出一个理想反应状态。之后基于人类代谢网络，利用MILP（混合整数线性规划）来求解符合要求的最优反应状态（和理想状态差距最小），具体原理如下：
其中目标函数代表使理想状态下高表达的反应，尽量在实际状态下高表达，低表达反应同理。（1）代表着流量反应平衡，这是非常常见的约束条件；（2）控制反应的上下限。对于每个反应，都有两个0-1变量y^+^以及y^-^代表反应是否**（活跃），对于R~H~中的反应，当反应流量明显大于阈值ε或者明显小于-ε时，我们认为它是**的（3）（4）。对于R~L~中的反应y代表其是否是不活跃的（5）。
最终通过求解我们可以知道特异性网络中哪些反应是高表达的，哪些是低表达的。
求解方法也比较巧妙，因为当我们直接对这个MILP求解的话，可能会存在一个解空间，在这个解空间中任意一个解都可能符合要求，这也导致了不确定性。所以算法通过两次MILP求解，即对每一个反应（强制活跃，强制不活跃）求解一次，看网络与理想数据的符合反应的数量x和y，通过比较x和y的大小来决定最终反应的状态。
在我自己的研究项目中，可以将高表达的反应利用FASTCORE重构网络，进行进一步的代谢分析（可以理解为简化网络，即删除一部分低表达的反应，且保证网络的一致性）。