Modelagem matemática é um dos pilares da engenharia metabólica, guiando modificações genéticas através do estudo de fluxos metabólicos. Modelos estequiométricos são uma ferramenta importante para analisar redes metabólicas, especialmente para organismos não modelo ou durante a fase de análise inicial, pois são modelos lineares que requerem essencialmente a matriz estequiométrica e informações sobre a reversibilidade das reações como dados de entrada. Eles podem ser usados para explorar diferentes hipóteses e cenários, além de elucidar algumas propriedades do metabolismo. Com isso, algumas técnicas de modelagem estequiométrica foram implementadas em um software único e independente e usadas para estudar o metabolismo central da bactéria Burkholderia sacchari para produção de poli-hidroxialcanoato. O estudo mostrou que a modelagem estequiométrica é uma ferramenta valiosa para explorar como o metabolismo funciona e orientar o planejamento de experimentos futuros. No entanto, o metabolismo celular é, na realidade, função de dinâmicas não lineares e, portanto, modelos não lineares são mais adequados para representar uma abrangente variedade de estados fisiológicos, resultando em melhores previsões. Modelos mecanísticos são uma classe de modelos não lineares; porém, no contexto da engenharia metabólica, todos os modelos propostos para estimar os parâmetros cinéticos envolvidos são propensos a problemas de identificabilidade. Considerando esse obstáculo, um estudo sobre métodos de regularização para problemas de estimativa de parâmetros mal condicionados foi realizado. Os métodos de regularização baseados na decomposição em autovalores e autovetores da matriz Hessiana (reduzida) se mostraram ótimos para estimativa linear de parâmetros levando em consideração a redução da variância e podem auxiliar a lidar com problemas não lineares com vizinhança quase plana ao redor da solução. Além disso, a regularização baseada em autovetores em ambos os casos pôde ser usada para reconhecer grupos de parâmetros correlacionados, o que auxilia na compreensão dos inerentes problemas de identificação.

Mathematical modeling is one of the basis of metabolic engineering, guiding genetic modifications through the study of metabolic fluxes. Stoichiometric models are an important tool to analyze metabolic networks, especially for non-model organisms or during initial analysis,since they linear models and essentially require the stoichiometry matrix and information on reversibility of the reactions as input. They can be used to explore different assumptions and scenarios, and elucidate some properties of the metabolism. Therefore some stoichiometric modeling techniques were implemented in a single stand-alone software and used to study the core metabolism of the bacteria Burkholderia sacchari for polyhydroxyalkanoate production, showing that they are a valuable tool for exploring how metabolisms work and guiding future experiment design. However, cellular metabolism is actually subjected to nonlinear dynamics and, therefore, nonlinear models are better suited to represent more diverse physiological states, which can result in better predictions. Mechanistic models are a class of such models; however, in the metabolic engineering context, all frameworks that have been proposed to estimate the kinetic parameters involved are prone to identifiability issues. Based on this obstacle, an investigation on regularization methods for ill-conditioned parameter estimation problems was conducted. Regularization methods based on the eigenvalue decomposition of the (reduced) Hessian matrix were shown to be optimal for linear parameter estimation, in the sense of reducing parameter variance, and helpful in dealing with nonlinear problems with nearly flat neighborhood around the solution. Moreover, the eigenvector-based regularization in both cases was able to recognize groups of correlated parameters, which allows for better understanding the underlying identifiability issues.