Information

Wie integriert man Transkriptomikdaten mit kinetischen Stoffwechselmodellen?

Wie integriert man Transkriptomikdaten mit kinetischen Stoffwechselmodellen?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ich habe eine Komfortkinetik erstellt Modell. Jetzt möchte ich die Transkriptomikdaten in mein praktisches Kinetikmodell integrieren, um die kinetischen Parameterwerte zu ändern/zu wiegen. Ich habe einige Veröffentlichungen zu dieser Arbeit gelesen, kann aber keine zufriedenstellende Vorstellung davon bekommen, wie man es richtig macht.

Einzelheiten

Ich habe ein Pankreasmodell für die Studie an Typ-2-Diabetikern. Es hat einige Kompartimente und die Reaktionswege; die Arten sind Metaboliten. Alle Reaktionen basieren auf Bequemlichkeitskinetiken. Enzym ist ein konstanter Faktor, daher wird seine Produktion und Regulierung nicht berücksichtigt. Von meinem Modell bekomme ich das Vm Werte für alle Reaktionen und dann soll ich das V bekommenm (Vmax der Michaelis-Menten-Kinetik) Werte für Typ-2-Diabetiker, indem die Transkriptomikdaten irgendwie damit integriert werden. Ich wurde gebeten, die Faltänderungswerte zu verwenden, konnte aber keine relevante Veröffentlichung zu diesem Thema finden (mein PI hat mir diese vorgeschlagen, aber in diesem Bereich noch nicht gearbeitet).

Alle Hinweise oder Referenzen werden sehr geschätzt.


Sie können die Geschwindigkeitsgesetze der Bequemlichkeitskinetik als ungefähre Geschwindigkeitsgesetze bezeichnen oder Sie haben vielleicht von "modularen Geschwindigkeitsgesetzen" gehört, sie sind mehr oder weniger gleich. Wir verwenden diesen Ansatz des angenäherten Geschwindigkeitsgesetzes in Fällen, in denen wir nicht die experimentellen Daten für alle Parameter des wahren Geschwindigkeitsgesetzes haben.


Ich gehe davon aus, dass in Ihrem Modell die Reaktanten und Produkte (Spezies) Metaboliten sind und jede Reaktion die Umwandlung eines Metaboliten in einen anderen bedeutet.

Von der Transkriptomik erhalten Sie die relativen Expressionsniveaus verschiedener Gene. Wenn Sie zwei Stichproben aus unterschiedlichen Bedingungen haben, können Sie den Differenzialausdruck berechnen.

Ein Modell kann so komplex sein, wie Sie es erstellen können, aber wir können mit einfachen Annahmen beginnen. Wie Sie sagten, wird angenommen, dass Enzyme in Bezug auf Metaboliten konstant sind und sich nicht dynamisch ändern. Ich vermute auch, dass Sie nicht in Betracht ziehen, dass andere Gene als Enzyme die Stoffwechselreaktionen beeinflussen (Sie sollten tatsächlich die Transporter für gelöste Stoffe in Betracht ziehen). Außerdem gehen Sie für alle Reaktionen von einer Michaelis-Menten-Kinetik aus.

In diesem Fall dein Vmax (d. h. maximale Reaktionsgeschwindigkeit) wäre kKatze × E0 wo kKatze ist die Umsatzzahl und E0 ist die Gesamtmenge an Enzym.

E0 kann mit den Transkriptomikdaten angenähert werden. Transkriptomische Daten sind jedoch relativ und nicht absolut. Wenn Sie eine absolute Quantifizierung benötigen, müssen Sie über mindestens eine Referenz verfügen, deren absolute mRNA-Kopienzahl bekannt ist. Ein weiteres Problem ist, dass das Verhältnis von Protein- und mRNA-Expression nicht für alle Gene gleich ist und es im Grunde die Menge an aktivem Protein ist, die Sie kennen müssen. Die Proteomik wäre also einen Schritt näher.

Wenn Sie zwei Bedingungen vergleichen, können Sie den Differentialausdruck (Änderungswerte falten) verwenden, um die Parameter zwischen den beiden Bedingungen anzupassen. Für z.B. Wenn Sie wissen, dass die Phosphofructokinase bei Diabetes 2fach herunterreguliert ist (im Vergleich zu einem gesunden Fall), können Sie die Vmax der entsprechenden Reaktion um das 2-fache in Ihrem Diabetesmodell. Dies alles würde jedoch nur dann Sinn machen, wenn die Parameter Ihres "gesunden" Modells der biologischen Realität einigermaßen nahe kommen.

Außerdem musst du noch k . wissenKatze. Sie kann nicht aus Hochdurchsatzstudien gewonnen werden. Möglicherweise müssen Sie entweder einige Vermutungen anstellen oder Papiere / Datenbanken überprüfen. Außerdem ist Ihr Preis nicht immer Vmax. Um die dynamische Rate abzuschätzen, müssen Sie K . kennenm auch (wenn das Substrat zu viel ist, können Sie K . ignorierenm). BRENDA hat möglicherweise einige Informationen über diese Konstanten für verschiedene Enzyme.

Auf sehr grober Ebene können Sie die Reaktionen entfernen, deren entsprechende Enzyme keine Expression aufweisen.


Dies sind einige Artikel zur Integration von Transkriptomikdaten mit FBA (keine kinetischen Modelle):

Machado und Herrgård behaupten tatsächlich, dass die Integration von Transkriptomikdaten ihre Modellvorhersagen nicht verbessert:

Es wird auch beobachtet, dass für viele Bedingungen die Vorhersagen, die durch eine einfache Flussbilanzanalyse unter Verwendung von Wachstumsmaximierungs- und Sparsamkeitskriterien erhalten werden, genauso gut oder besser sind als diejenigen, die unter Verwendung von Methoden erhalten werden, die transkriptomische Daten einbeziehen.


Integration von Lipidomik- und Transkriptomikdaten in ein systembiologisches Modell des Sphingolipid-Stoffwechsels

Sphingolipide spielen eine wichtige Rolle in der Zellstruktur und -funktion sowie in der Pathophysiologie vieler Krankheiten. Viele der Zwischenprodukte der Sphingolipid-Biosynthese sind hoch bioaktiv und haben manchmal antagonistische Aktivitäten, zum Beispiel fördert Ceramid die Apoptose, während Sphingosin-1-Phosphat die Apoptose hemmen und das Zellwachstum induzieren kann ein Verständnis der Sphingolipidbiologie.

Ergebnisse

In dieser Richtung entwickelt das LIPID MAPS-Konsortium Methoden zur Quantifizierung der Sphingolipid-Metaboliten in Säugerzellen und untersucht ihre Anwendung auf Studien zur Aktivierung der Makrophagenzelle RAW264.7 durch ein chemisch definiertes Endotoxin, Kdo2-Lipid A. Hier beschreiben wir ein Modell für die C16-Zweig des Sphingolipid-Stoffwechsels (dh für Ceramide mit Palmitat als N-Acyl-verknüpfte Fettsäure, die ausgewählt wird, weil sie eine Hauptunterart für alle Kategorien komplexer Sphingolipide in RAW264.7-Zellen ist), die Lipidomik- und Transkriptomdaten integriert und verwendet ein zweistufiger matrixbasierter Ansatz zur Schätzung der Geschwindigkeitskonstanten aus experimentellen Daten. Die aus dem ersten Schritt erhaltenen Geschwindigkeitskonstanten werden unter Verwendung einer generalisierten eingeschränkten nichtlinearen Optimierung weiter verfeinert. Das resultierende Modell passt zu den experimentellen Daten für alle Arten. Die Robustheit des Modells wird durch parametrische Sensitivitätsanalysen validiert.

Schlussfolgerungen

Ein quantitatives Modell des Sphigolipid-Signalwegs wird durch die Integration von Metabolomik- und Transkriptomikdaten mit Altwissen entwickelt. Das Modell könnte verwendet werden, um experimentelle Studien zu entwerfen, wie genetische und pharmakologische Störungen den Fluss durch diesen wichtigen Lipidbiosyntheseweg verändern.


Einführung

Ribosomen sind die Arbeitsplätze der Proteinbiosynthese, und Defekte im Weg der Ribosomenbiogenese wirken sich auf viele zelluläre Prozesse wie den Stoffwechsel aus, die entscheidend von enzymatischen Proteinen abhängen. Während bekannt ist, dass der Metabolismus die Ribosomenfunktion über den Signalweg von Rapamycin (TOR) beeinflusst, ist wenig darüber bekannt, wie Defekte in der Ribosomenbiogenese auf den Stoffwechsel zurückwirken 1 . Die Arabidopsis thaliana REIL-Proteine ​​sind an den späten zytosolischen Schritten der Reifung der 60S-Ribosom-Untereinheit beteiligt und werden für das Wachstum bei niedriger Temperatur benötigt 2 . Die reil1-1 reil2-1 Doppelmutante ist für beide REIL-Paraloge defizient und im Gegensatz zu Arabidopsis Col-0 Wildtyp, nimmt das Wachstum nach der Kälteschicht nicht wieder auf, selbst bei moderaten 10 (^) C-Kühlbedingungen. Dieses experimentelle System ist ideal geeignet, um den zytosolischen Ribosomen-Biogenesedefekt auf metabolischer Ebene zu untersuchen, da sowohl Wildtyp als auch Mutante während der frühen Winterschlafphase (weniger als sieben Tage nach der Kälteschicht) einen Wachstumsstillstand zeigen, gefolgt von einem unterschiedlichen Wachstum in den späteren Stadien. Daher können mechanistische Erkenntnisse über den Einfluss von Defekten der Ribosomenbiogenese der Mutante auf den Stoffwechsel früh nach der Kälteschicht, während der Winterschlafphase, sichtbar werden.

Eine Möglichkeit, die Rückwirkung von Ribosomen-Biogenese-Defekten auf den Stoffwechsel zu untersuchen, ist die Charakterisierung von Reaktionsflüssen. Metabolische Flüsse hängen teilweise von den Metabolitenpools ab 3 . Sie hängen auch vom enzymatischen Aufbau einer Zelle ab, der wiederum von Genregulations- und Signalnetzwerken gesteuert wird, die die Proteinaktivität beeinflussen 4 . Die Bestimmung von Stoffwechselflüssen ist jedoch eine mühsame und arbeitsintensive Aufgabe 5,6,7 . Eine gezielte Analyse, die relevante Flüsse für die Hypothesengenerierung vorhersagt, basierend auf der Integration verfügbarer Hochdurchsatz-Datensätze aus systembiologischen Studien, kann die Planung solcher zeitaufwändiger experimenteller Flussstudien rationalisieren.

In diesem Zusammenhang haben sich Constraint-basierte Ansätze als wertvolles Werkzeug zur Hypothesengenerierung über Flussverteilungen und deren differentielles Verhalten erwiesen. Zum Beispiel kann der einfachste dieser Ansätze, die Flussbilanzanalyse (FBA), stationäre Flüsse in Bakterien bei exponentiellem Wachstum vorhersagen 8 . Im Allgemeinen werden Stoffwechselflüsse eines Systems unter der Annahme vorhergesagt, dass dieses System im stationären Zustand arbeitet und ein Ziel (z. B. Biomasseertrag) optimiert. Wenn möglich, führt der resultierende mathematische Ansatz oft zu einer nicht eindeutigen Flussverteilung. Zu diesem Zweck können Beschränkungen, die durch die Integration von Hochdurchsatzdaten definiert werden, den Lösungsraum möglicher Flussverteilungen 9,10,11 reduzieren. Es hat sich gezeigt, dass solche Ansätze zu einer genaueren Vorhersage führen, die näher am tatsächlichen physiologischen Zustand liegt 12 . Trotz der Verfügbarkeit von Methoden, die Hochdurchsatzdaten integrieren, muss ihr volles Potenzial noch ausgeschöpft werden 13 .

Von besonderem Interesse sind Ansätze, die die Integration relativer Metabolitenspiegel ermöglichen, da diese Datensätze im Gegensatz zu absoluten Metabolitenkonzentrationen, die in der thermodynamischen Flussbilanzanalyse 14 verwendet werden, leichter zu erhalten sind, sowie Ansätze, die Zeitreihendaten verwenden (z. B. TREM-Flux 15 , uFBA 16 und dFBA 17 ). iReMet-flux 18 ist der bisher einzige auf Einschränkungen basierende Ansatz, der relative Metabolitenspiegel integrieren kann, um das unterschiedliche Flussverhalten zwischen zwei Szenarien zu untersuchen. Es beruht auf einer massenwirkungsähnlichen Beschreibung der Reaktionsgeschwindigkeiten (d. h. des Flusses). Im Gegensatz zu uFBA benötigt iReMet-Flux keine Daten zur absoluten Quantifizierung der Metabolitenspiegel und ermöglicht daher aufgrund der Verfügbarkeit relativer Metabolomikdaten eine breitere Anwendung. Im Gegensatz zum TREM-Flux geht es nicht von einer linearen Skalierung mit der Änderung der Metabolitenspiegel zwischen zwei Zeitpunkten aus. Darüber hinaus unterscheidet sich iReMet-Flux von einem neueren Ansatz, bei dem die relativen Metabolomikdaten auf qualitativer Ebene (d. h. Zunahmen oder Abnahmen) integriert werden 14 . Ähnlich der Zielsetzung, auf der MOMA basiert 19 , minimiert iReMet-flux die Flussunterschiede zwischen zwei Szenarien, verlässt sich jedoch nicht auf vorberechnete Flussverteilungen für ein Referenzszenario. Darüber hinaus ermöglicht iReMet-flux die Integration relativer Enzymspiegel entweder durch direkte Verwendung quantitativer oder qualitativer Proteomikdaten oder über das Genexpressionsverhältnis, das als Proxy dienen kann 10,20,21 . Wenn es jedoch für Zeitreihendaten verwendet wird, berücksichtigt es nicht die Größe möglicher Flussänderungen zwischen Zeitschritten. Um dieses Problem anzugehen, haben wir iReMet-flux erweitert, um zeitliche Änderungen zu berücksichtigen und gleichzeitig die Möglichkeit einer mehrstufigen Datenintegration mit hohem Durchsatz beizubehalten.

Hier zielten wir darauf ab, einen neuartigen Constraint-basierten Ansatz namens TC-iReMet2 zu entwickeln, der die Integration relativer Metaboliten- und Transkriptspiegel erleichtert und gleichzeitig die zeitliche Änderung physiologischer Parameter berücksichtigt. Wir haben TC-iReMet2 verwendet, um das differentielle Flussverhalten von A. thaliana Col-0 Wildtyp und reil1-1 reil2-1 doppelt mutierte Pflanzen vor und nach der Kaltschicht. Schließlich stellten wir direkt überprüfbare Hypothesen über den Einfluss des REIL-vermittelten Mangels in der Ribosomenbiogenese auf den Stoffwechsel zur Verfügung.


Ergebnisse

Formulierung von TC-iReMet2

Wir schlagen die Zeitverlaufsintegration relativer Metaboliten- und Transkriptniveaus (TC-iReMet2) vor, die Flüsse basierend auf der Integration von Zeitverlaufsdaten zu relativen Metaboliten- und Transkriptniveaus schätzt. Das Hauptmerkmal von TC-iReMet2 besteht darin, dass es die mögliche Größe von Flussänderungen zwischen den Zeitpunkten berücksichtigt und somit eine genauere Erklärung der Flussumleitung im Laufe der Zeit liefern könnte. Wir zeigen, dass TC-iReMet2 angewendet werden kann, um Flussumverteilungen in Signalwegen in einem groß angelegten metabolischen Netzwerk von A. thaliana. Im Gegensatz zu metabolischen Netzwerken im Genom-Maßstab 22 bezeichnen wir großmaßstäbliche Modelle als solche, die nach einem Bottom-up-Ansatz rekonstruiert wurden 23 .

Ähnlich wie bei anderen Constraint-basierten Ansätzen verwendet TC-iReMet2 eine stöchiometrische Matrix S des betrachteten Stoffwechselmodells. Die Zeilen der stöchiometrischen Matrix entsprechen Metaboliten und Spalten stehen für Reaktionen. Die ganzzahligen Einträge bezeichnen die Molarität eines Produkts (positiver Eintrag) oder eines Substrats (negativer Eintrag) in einer Reaktion, wodurch Massen- und Ladungserhaltung gewährleistet wird. Im Folgenden gehen wir davon aus, dass das untersuchte Stoffwechselnetzwerk P Reaktionen und n Metaboliten, und dass seine Funktionsweise zwischen zwei experimentellen Szenarien verglichen wird, bezeichnet mit EIN und B (z. B. Mutante und Wildtyp) bis zu den Zeitpunkten t + 1 und T. Weiterhin bezeichnen wir mit p 1 die Zahl der irreversiblen Reaktionen und mit p - p 1 die Zahl der reversiblen Reaktionen.

Unter Massenwirkungskinetik ist ein Fluss durch eine irreversible Reaktion ich, 1 ≤ p 1 ≤ p 1 , kann formal beschrieben werden durch v i = k i E i ∏ j = 1 n ( x j ) | S ji | , wobei x j die Konzentration des Metaboliten bezeichnet J, S ji bezeichnet den stöchiometrischen Koeffizienten, mit dem ein Metabolit J geht eine Reaktion ein ich als Substrat bezeichnet E i die Enzymkonzentration und k i bezeichnet die reaktionsspezifische Geschwindigkeitskonstante. Beachten Sie, dass dieser Ausdruck gleichermaßen für Szenario . geschrieben werden kann EIN: v i A = k i A E i A ∏ j = 1 n ( x j A ) | S ji | und Szenario B: v i B = k i B E i B ∏ j = 1 n ( x j B ) | S ji | , wobei die Geschwindigkeitskonstante k i der einzige unveränderte Parameter ist ( k i A = k i B ) - da sie die Schlüsseleigenschaft desselben Enzyms zusammenfasst. Daher kann die Beziehung eines einzelnen Flusses zwischen zwei Szenarien wie folgt geschrieben werden:

Um die Notation zu vereinfachen, beziehen wir uns auf das Verhältnis der Metabolitenspiegel von J wie r j = x j A x j B und das Verhältnis der Enzymspiegel, die die Reaktion katalysieren ich als q i = E i A E i B . Dies erlaubt uns, das Verhältnis der Flussraten der Reaktion umzuschreiben ich als v i A v i B = q i ∏ j = 1 n ( r j ) | S ji | oder äquivalent v i A = [ q i ∏ j = 1 n ( r j ) | S ji | ] v ich B .

Die Bestimmung der Gesamtheit der Metaboliten- und Enzymkonzentrationen ist mit den bestehenden Technologien nicht möglich 24, 25. Bei Metabolitenverhältnissen kann nur ein kleiner Teil des Metaboloms und damit der Metabolitenverhältnisse quantifiziert werden. Um dem Fall Rechnung zu tragen, dass ein Metabolitenverhältnis nicht gemessen werden kann, werden allgemeine Ober- und Untergrenzen für Metabolitenverhältnisse eingeführt. Wenn das Verhältnis von Metaboliten J experimentell quantifiziert wird, wird sie durch χ ( r j ) = 1 und ansonsten durch χ ( r j ) = 0 angezeigt.

In Abwesenheit von Enzymverhältnissen verwenden wir die Gene Protein Reaction (GPR)-Regeln von Stoffwechselmodellen, um Enzymverhältnisse unter Verwendung transkriptomischer Daten zu approximieren. Die GPR-Rollen werden durch eine Reihe von Booleschen Ausdrücken definiert, die beschreiben, welche Gene ein Enzym kodieren. Beispielsweise werden Genprodukte, die für Isoenzyme oder Isoformen kodieren, durch einen OR-Operator verknüpft. Umgekehrt werden Proteinuntereinheiten, die gleichzeitig vorhanden sein müssen, um ein aktives Enzym zu bilden, durch einen UND-Operator verknüpft. Im Falle eines Enzyms, das von einem Gen kodiert wird, wird die Enzymkonzentration durch seinen Expressionswert angenähert. Für jede Reaktion, die von einem Komplex katalysiert wird, der mehrere Gene erfordert, wird die Enzymkonzentration auf den minimalen Expressionswert von Genprodukten gesetzt, die durch den AND-Operator verbunden sind. Für den OR-Operator wird die Summe der Expressionswerte für die jeweiligen Gene verwendet. Diese Regeln wurden in beiden Szenarien auf jede Reaktion angewendet, fraktioniert und als entsprechendes Enzymverhältnis zugeordnet. Daher wird ein Enzymverhältnis durch ein Verhältnis von Genexpressionsniveaus gemäß den GPR-Regeln dargestellt. Äquivalent zu Metabolitenverhältnissen, wenn eine GPR-Regel für die Reaktion ich definiert ist, wird sie durch H (q i ) = 1 und für Reaktionen ohne definierte GPR-Regel durch H (q i ) = 0 angezeigt.

In diesem Aufbau betrachten wir nur Einschränkungen für irreversible Reaktionen, da mehr als 80% der Reaktionen, von denen angenommen wird, dass sie einer massenaktionsähnlichen Kinetik folgen (dies schließt künstliche und Transportreaktionen aus) im analysierten Modell von . irreversibel sind A. thaliana. Dies wurde durch eine Flussvariabilitätsanalyse bei einem festen Fluss durch die Biomassereaktion verifiziert, um zu spezifizieren, dass 80 % der Reaktionen nur in eine Richtung ablaufen 18 . Eine Verhältnisbeschränkung für die Reaktion ich ist eingeschlossen, wenn nicht nur das Enzymverhältnis, sondern auch mindestens eines der dieser Reaktion entsprechenden Substratverhältnisse verfügbar ist. Für Metaboliten oder Enzyme, deren Verhältnis nicht bestimmt werden konnte, verwenden wir die zu diesem Zeitpunkt gefundenen Extremwerte. Lassen F(ich) bezeichnen die Menge der Reaktionssubstrate ich. Außerdem sei die Menge irreversibler Reaktionen mit mindestens einem experimentell quantifizierten Metabolitenverhältnis und einem angenäherten Enzymverhältnis mit I = < i | . bezeichnet ∑ j ∈ F ( i ) χ ( r j ) > 0 & H ( q i ) > 0 >. Ein gemessenes Metabolitenverhältnis für J und Transkriptverhältnis von ich werden durch r ^ j min ≤ r ^ j ≤ r ^ j max bzw. q ^ i min ≤ q ^ i ≤ q ^ i max angezeigt. Die Grenzen sind als Vielfache der Standardabweichung für das Verhältnis definiert. Cofaktoren wurden als nicht gemessene Metaboliten behandelt und für sie sind die untere und obere Grenze m i n m : m ∈ < ℓ | χ ( r ℓ) = 1 >r ^ m min und m a x m : m ∈ < ℓ | χ ( r ℓ) = 1 >r ^ m max . Äquivalent können wir schreiben m i n m : m ∈ < η | H ( q η ) = 1 >q ^ m min und m a x m : m ∈ < η | H ( q η ) = 1 >q ^ m max für nicht gemessene Transkriptionsverhältnisse. Um Enzyme zu berücksichtigen, die substratgesättigt sind und ihrerseits aufgrund von Beschränkungen des Metabolitenverhältnisses zu Undurchführbarkeiten führen würden, wurden Slack-Variablen ε i eingeführt, um die strengen Verhältnisbeschränkungen zu lockern. Um diese Lockerungen zu minimieren, wurde eine Gewichtung der summierten Slack-Variablen von ϵ = 0,01 verwendet. Daher wurde eine Verhältnisbeschränkung wie folgt formuliert:

In ähnlicher Weise kann eine Verhältnisbeschränkung für die Biomassereaktion formuliert werden. Dazu kann ein zeitpunktspezifischer Biomasseanteil, bezeichnet mit ϰ t + 1 , berechnet werden. Erstens der maximale Biomasseertrag, bezeichnet mit opt, wird für beide Szenarien über FBA berechnet. Ein Biomasseanteil ϰ t + 1 zwischen beiden Szenarien wird dann unter Verwendung von Proxies für Biomasse bestimmt (für eine detaillierte Beschreibung siehe Methoden - Parametrisierung des Einwands und von TC-iReMet2 und Schätzung von Fraktionen des Biomasseertrags). Wir beheben die Biomassereaktion des Szenarios B zu seinem jeweiligen Wert, der von FBA abgeleitet ist. Im Gegensatz dazu Biomassefluss im Szenario EIN ist auf einen Bruchteil ϰ t + 1 seiner optimalen Ausbeute festgelegt. Untere und obere Grenze werden als Abweichungen, bezeichnet mit δ , des berechneten Bruchs angegeben. Daher können die Biomasseflüsse für beide Szenarien wie folgt eingeschränkt werden:

Weiterhin nehmen wir an, dass: (i) das metabolische Netzwerk zu jedem Zeitpunkt im quasi-stationären Zustand arbeitet. Somit ist S v A = S v B = 0 , wobei v A und v B die Flussverteilungen von Szenarien bezeichnen EIN und B bzw. (ii) das biologische System zielt darauf ab, einen optimalen Zustand aufrechtzuerhalten, der durch den enzymatischen Aufbau gegeben ist. Diese Annahme wird erfasst, indem sichergestellt wird, dass die Flussverteilungen zwischen den beiden Szenarien zu einem gegebenen Zeitpunkt t + 1 möglichst nahe beieinander liegen, d. h. | | ( v t + 1 B - v t + 1 A ) | | 2 2 . (iii) der physiologische Zustand zum Zeitpunkt t + 1 hängt vom physiologischen Zustand zum Zeitpunkt . ab T. Wir modellieren diese Annahme, indem wir die Größenordnung möglicher physiologischer Veränderungen berücksichtigen, indem wir sicherstellen, dass die Differenz der Flussverteilungen zwischen den Zeitpunkten so klein wie möglich ist, d. h. | | ( v t + 1 B - v t B ) | | 2 2 , | | ( v t + 1 A - v t A ) | | 2 2 bzw. Diese Größe hängt offensichtlich von der Differenz zwischen den Zeitpunkten ab, an denen die Größe möglicher Flussänderungen mit der Zeit zunimmt. Zu diesem Zweck führen wir Gewichtungsfaktoren ein, um die Differenz der Flussverteilungen zwischen Szenarien zum aktuellen Zeitpunkt, gewichtet mit α , sowie für Unterschiede zwischen früheren Zeitpunkten für das Szenario . zu minimieren EIN, gewichtet mit β und Szenario B, gewichtet mit γ .

Zusammenfassend lässt sich der TC-iReMet2-Ansatz wie folgt als quadratisches Programm (QP) gießen:

Anwendung von TC-iReMet2 auf Daten aus dem reil1-1 reil2-1 A. thaliana Mutant

Wir haben TC-iReMet2 eingesetzt, um Einblicke in die metabolischen Auswirkungen des Ribosomen-Biogenese-Defekts zu gewinnen, der durch A. thaliana REIL-Mangel. Zu diesem Zweck verglichen wir vorhergesagte Flussunterschiede zwischen Col-0 Wildtyp und reil1-1 reil2-1 Doppelmutante mit Mangel an zytosolischer 60S-Ribosomen-Biogenese. Die REIL-Proteine ​​werden für das Wachstum benötigt, wenn Pflanzen in kalte (< 10   ∘ C) Bedingungen gebracht werden, jedoch nicht bei optimaler Temperatur (≃ 20   ∘ C) 2 . Die reil1-1 reil2-1 Doppelmutante und Wildtyp unterscheiden sich nur geringfügig in der Größe, wenn sie bei 20  ∘ C gezüchtet werden. Junge sich entwickelnde Blätter der Mutanten zeigten eine spitze Spitze und zwei basale Zacken anstelle der typischen abgerundeten Blätter des Col-0-Wildtyps und ähnelten dem Phänotyp der spitzen Blätter der zytosolischen Ribosomenmutanten 26 – 28 . Der spitzblättrige Phänotyp der reil1-1 reil2-1 Doppelmutante war nach dem Transfer in den Boden und in den in dieser Studie analysierten Entwicklungsstadien < 1.10 29 nicht mehr erkennbar. Bei einer Verschiebung auf 10  ∘ C (kalt) hörten sowohl die Mutante als auch der Wildtyp auf zu wachsen. Nach sieben Tagen in der Kälte nahm der Wildtyp das Wachstum wieder auf, während die Mutante stark wachstumsinhibiert blieb (Abb.  1 , Ergänzungstabelle  S1). Die Mutante überlebte mindestens vier Wochen nach der Kaltschicht und behielt die zelluläre Integrität bei, wie durch Elektrolyt-Leckage-Assays von Rosettenblättern bestimmt wurde 30 . Wachstumsparameter von Wildtyp und reil1-1 reil2-1 wurden als Proxies der relativen Biomasseakkumulation an Tag 0, Tag 1, Tag 7 und 21 nach der Kaltschicht unter Verwendung morphometrischer Daten bestimmt (siehe Methoden – zur Parametrisierung der Zielfunktion). Zusammen mit den morphometrischen Daten wurden die relativen Veränderungen von Metabolitenpools und Transkripten profiliert 30 (siehe Abschnitt "Methoden" für Details).

Morphometrische Analysen von reil1-1 reil2-1 und Wildtyp nach dem Wechsel von optimiert (20  ∘ C) zu niedrigen Temperaturen (10  ∘ C). Reil1-1 reil2-1 Doppelmutanten und A. thaliana Col-0-Wildtyp-Pflanzen wurden im Entwicklungsstadium 1,10 29 verschoben. Pflanzen der Woche 0 wurden bei 20 𢆌 gezüchtet und vor der Temperaturverschiebung getestet. Rosettendurchmesser, (EIN) Blattfläche, (B), (Mittelwert +/− Standardabweichung n = 3� Pflanzen), für Originaldaten und Definitionen morphometrischer Parameter siehe Schmidt et al. 2013 2. Die R-Koeffizienten repräsentieren die Pearson-Korrelation zwischen Mutante und Wildtyp in Bezug auf den Durchmesser (EIN) (P-Wert = 2 . 91 - 11 ) und Blattfläche (B) (P-Wert = 1 . 53 - 5).

Der experimentelle Aufbau und die Verfügbarkeit von Transkriptomdaten und Daten zu relativen Metabolitenspiegeln ermöglichten die Anwendung von TC-iReMet2 29 , 31 zur Quantifizierung der nominalen und relativen Unterschiede in den metabolischen Flüssen des Wildtyps und der Mutante (Ergänzende Abb.  S1 ). Wir bezeichnen nominale Veränderungen als die Summe der vorhergesagten Flussunterschiede, definiert als der absolute Wert der Differenz zwischen Wildtyp- und Mutantenfluss, über alle analysierten Zeitpunkte. Die nominalen Änderungen können ein verzerrtes Bild der Unterschiede liefern, insbesondere da die Unterschiede der Flüsse zwischen Reaktionen in einer gegebenen Flussverteilung um mehrere Größenordnungen unterschiedlich sind 20 . Als Ergebnis werden Unterschiede zwischen Flüssen, die ohnehin klein sind, von den Unterschieden zwischen Flüssen dominiert, die größere Werte annehmen. Um dieses Problem zu beheben, haben wir auch die relativen Änderungen berechnet, die als Summe der normalisierten Flussunterschiede über alle analysierten Zeitpunkte definiert sind, wobei die Flussunterschiede zwischen Wildtyp und Mutante über alle Zeitpunkte auf ihren jeweiligen absoluten Maximalwert normalisiert wurden. Um TC-iReMet2 anzuwenden, haben wir ein zusammengesetztes Bottom-Up-Modell von A. thaliana, ArabidopsisCore 23 . Dieses Modell besteht aus 549 Reaktionen, von denen 229 Transportreaktionen und künstliche Reaktionen sind, die Wachstum (Biomasse) und nicht wachstumsassoziierte Erhaltungsfunktionen (NGAM 22 ) darstellen.

Summe der vorhergesagten Flussdifferenzen

Der Gesamtflussabstand des Wildtyps im Vergleich zur Mutante über alle vorhergesagten Reaktionen unterschied sich vor der Kaltverschiebung, wobei der Wildtyp einen höheren Gesamtfluss aufwies (Abb.  2 A). Diese Vorhersage stimmte mit dem leichten Wachstumsvorteil des Wildtyps bei der optimierten Wachstumstemperatur überein (Abb. ​ (Abb.1). 1 ). Der Unterschied der Flüsse zwischen aufeinanderfolgenden Zeitpunkten blieb während der gemeinsamen Winterschlafphase bis zum 7. Tag ungefähr konstant. Als der Wildtyp das Wachstum in der Kälte wieder aufnahm, nahmen die vorhergesagten Flussunterschiede insgesamt ungefähr um das Dreifache zu. Betrachtet man die Summe der Flussänderungen pro Zeitschritt für Wildtyp (Ergänzende Abb.  S2 ) und Mutante (Ergänzende Abb. S3), finden wir ähnliche Änderungen für den Wildtyp und die Mutante in den Schritten von 0 Tagen bis 1 Tag und 1 Tag auf 7 Tage, mit einer Zunahme der Änderung von Tag 7 auf Tag 21 (Abb.  2 B). Wir beobachten jedoch, dass die Veränderungen zwischen Tag 7 und 21 beim Wildtyp im Vergleich zur Mutante erheblich größer sind, entsprechend dem wieder aufgenommenen Wachstum des ersteren in der Kälte. Im Folgenden identifizieren wir die Reaktionen und Reaktionswege, die am meisten zu diesen beobachteten Unterschieden beitragen.

Änderungen der vorhergesagten Summe von Flüssen. Gezeigt sind die optimalen Werte der euklidischen Distanz (angezeigt auf der Y-Achse) zu jedem entsprechenden Zeitpunkt oder Zeitschritt (angezeigt auf der X-Achse). Die Distanzen wurden visualisiert, indem der euklidische Distanzwert über jedem Balken aufgetragen wurde. (EIN) Angezeigt sind die Summen der Flussdifferenz zwischen Wildtyp und Mutante zu jedem entsprechenden Zeitpunkt. (B) Angezeigt sind die Summen der Flussunterschiede zwischen Wildtypflüssen und Mutantenflüssen zwischen jeweils zwei aufeinanderfolgenden Punkten.

Analyse von Differentialreaktionen

Als nächstes betrachteten wir die Flussunterschiede für jede Reaktion im metabolischen Modell. Darüber hinaus untersuchten wir Reaktionen, die zu frühen Zeitpunkten große Veränderungen der Flussunterschiede zeigten, als die interessantesten, um die Veränderungen in der Funktionalität des metabolischen Netzwerks als Reaktion auf die Kälteverschiebung zu verstehen.

K-bedeutet Clustering des Reaktionsverhaltens

Wir konzentrierten uns auf das unterschiedliche Verhalten aller Reaktionen zwischen Mutante und Wildtyp, mit Ausnahme von Transportreaktionen und künstlichen Reaktionen, um Verzerrungen aufgrund fehlender Genassoziation für diese Reaktionen zu vermeiden. Zu diesem Zweck haben wir K-Means-Clustering auf Gruppenreaktionen (Ergänzungstabelle  S2 ) mit ähnlichen relativen Flussänderungen angewendet, wobei die Anzahl der Cluster durch den Silhouettenindex bestimmt wurde (Ergänzende Abb.  S4 ). Als Ergebnis identifizierten wir K = 7 Reaktionscluster (Abb.  3 ) mit einem maximalen Silhouettenindexwert von 0,78, basierend auf den relativen Flussänderungen (Abb.  3 A). Zum Vergleich betrachten wir auch die K-mean Clustering der nominellen Flussänderungen (Abb. ​ (Abb.3B). 3 B). Um eine intuitive Beschreibung der Cluster sowie des Reaktionsverhaltens über die Zeit zu ermöglichen, führen wir ein dreistelliges Muster ein, das aus Up (U), Down (D) und No Changes (N) besteht, wenn die jeweiligen relativen Flussunterschiede zu-, abnahmen oder blieben das gleiche zwischen zwei Zeitpunkten. Mit dieser Klassifikationsmethode fanden wir 17 von 27 möglichen Mustern, die von 320 Reaktionen gezeigt wurden. Insgesamt 111 Reaktionen wurden nach dem häufigsten Muster ’UUU’ klassifiziert, was ungefähr 35 % aller beobachteten Muster ausmacht.

Übersicht über K-Means-Clusterbildung basierend auf relativen Änderungen der Reaktionsflüsse. K-Mittelwerte mit euklidischem Abstand wurden verwendet, um sieben Cluster (C) von Reaktionen (ohne Transporter und künstliche Reaktionen) zu identifizieren. (EIN) Zeigt die Flussdifferenzwerte normalisiert auf die absolute maximale Differenz jeder Reaktion für jeden Zeitpunkt an. Entsprechende Nennflussdifferenzen sind in (B).

Insgesamt identifizierten wir hauptsächlich konservierte Flussunterschiede in den ersten drei Zeitpunkten mit einer Verschiebung der Flussunterschiede am 21. Tag. Dieses Verhalten kann in den drei größten Clustern beobachtet werden. Cluster 5 bestand aus 164 Reaktionen, die eine Zunahme der relativen Flussänderungen (UUU) aufweisen. Im Gegensatz dazu zeigte Cluster 2, bestehend aus 46 Reaktionen, hauptsächlich eine Abnahme der relativen Flussänderungen (DDD). Dieses inverse Verhalten wird am besten durch die Funktion von RuBisCO erfasst, da es starke Flussänderungen für seine Carboxylierungsfunktion (Cluster 5) und Oxygenierungsfunktion (Cluster 2) zeigt. Reaktionen in Cluster 3 zeigten hauptsächlich keine Veränderungen (NNN). In ähnlicher Weise fasst Cluster 6 Reaktionen zusammen, die über alle Zeitpunkte eine konstante positive Flussänderung aufweisen. Die verbleibenden Cluster 1, 4 und 7 gruppieren Reaktionen, die an Tag 21 eine inverse Verhaltensänderung aufweisen.

Betrachtet man die Top 10 Reaktionen (Ergänzungstabelle  S3 ) bezüglich relativer und nominaler Veränderungen direkt nach der Kaltverschiebung, so findet man H-Serin-Dehydrogenase (HSerDHNADP_h (UDU), HSerDHNAD_h(DUD)), Isocitrat-Dehydrogenase (iCitDHNADP_m (DDD ), iCitDHNAD_m(UUD)) sowie 6-Phosphoglucon-Dehydrogenase (6PGDHNAD_h(DUD)), Glutamat-Dehydrogenase (GluDH1NADP_m(DUD)) und Glutamat-Synthetase (GluSNAD_h(UDD)) in beiden Messgrößen konserviert. Alle diese Reaktionen sind Redoxreaktionen. Darüber hinaus finden sich 6-Phosphoglucon-Dehydrogenase (6PGDHNADP_h(UDU)), Glutamat-Dehydrogenase (GluDH2NAD_m(DUD)) und Glutamat-Synthetase (GluSNAD_h(UDD)) nur in den Top 10 Reaktionen der nominellen Veränderungen. Umgekehrt sind Malat-Dehydrogenase (MalDH2NADP_c(UNN)), Fructose-Biphosphat-Aldolase (SBPA_h(UDD)) und Sedoheptulose-Biphosphatase (SBPase_h(UDD)) nur in den Top 10 Reaktionen relativer Veränderungen zu finden.

Reaktionswege angereichert mit stark veränderten Flüssen über Zeitpunkte

Metabolische Reaktionen funktionieren nicht isoliert, daher erfolgt die Analyse und Interpretation der Vorhersage am besten in Bezug auf die Pfade. Um die Stoffwechselwege zu identifizieren, die sich im Laufe der Zeit ändern, haben wir die Stoffwechselwege verwendet, die durch die zugrunde liegenden A. thaliana Modell 23 (Definitionen der Pfadmitgliedschaft siehe Arnold et al. 2014 23 (Supplementary Table  S4 ). Wir untersuchten und betrachteten die Pfade, die mit Reaktionen angereichert waren, die große vorhergesagte Flussunterschiede zwischen Wildtyp und Mutante zeigten, und betrachteten sie als relevant (Abb. ​ (Abb.4) 4 ) Eine Reaktion wurde so definiert, dass sie große Änderungen aufweist, wenn ihre absolute Summe der Flussänderungen über alle Zeitpunkte über dem Median der im Modell berücksichtigten Reaktionen lag (ohne Transport und künstliche Reaktionen, wie oben angegeben.) Um mit solchen Reaktionen angereicherte Signalwege zu identifizieren, haben wir den exakten Fishers-Test mit Signifikanzschwelle verwendet P unter Berücksichtigung der Korrektur mehrerer Hypothesen nach dem Benjamini–Hochberg-Verfahren (Supplementary Table  S5 ). Unter Berücksichtigung der nominalen Änderungen fanden wir fünf Reaktionswege, die für Reaktionen mit großen Änderungen angereichert sind. Diese Pfade, geordnet nach abnehmender P-value, with p < 0.01, include: the Calvin�nson-Cycle (CBC), photorespiration, gluconeogenesis, leucine synthesis, and in addition with < 0.05 , glycolysis. Considering relative instead of nominal changes, we found pathways with p < 0.01 to include the Calvin�nson cycle, glycolysis, gluconeogenesis, and in addition with p < 0.05 , photorespiration.

Pathways enriched in reactions with highly altered fluxes. Displayed are pathways significantly ( P < = 0.05 ) enriched in regulated reactions based on (EIN) relative and (B) nominal differences. They are descending ordered according to their respective P-Wert. Size of the dots corresponds to the count of reactions present in the pathway. Bar size represents the negative logarithm of the P-value (x-axis).

Flux sampling analysis with quadratic constraints

We examined how specific these findings are by sampling the solution space given in optimal solution for each considered time point. As a sufficiently large enough sample size gives information about range of fluxes as well as their probability, it gives the means to explore for alternative solutions and so for the uniqueness of the solution. In this case for each considered time point the proposed approach (see Methods - Flux sampling for TC-iReMet2) did not find a solution after 1000 trials. Therefore, this analysis indicates that the findings are specific, in the sense that alternative optima are unlikely, and significant as there are no other possible flux distributions in optimal solution.


Schlussfolgerungen

Understanding the metabolic response of a biological system exposed to different environmental stimuli is of great importance for obtaining insights in the contribution of individual system components and pathways to the physiology of the system. While gene expression data only provide putative insights into the physiological response of a system, metabolomics data and the corresponding flux profiles reflect the ultimate physiological response. Here we propose an optimization-based approach, TREM-Flux, which can be used to integrate time-resolved transcriptomics and quantitative metabolomics data and to predict the corresponding flux. Application of TREM-Flux in a genome-scale model reconstruction pinpoints the metabolic functions involved in the time-resolved metabolic response, as illustrated in the case of rapamycin treatment in C. reinhardtii.

Our findings point out the added value of considering metabolite levels in genome-scale models by obtaining more accurate predictions of the active physiological state. The predicted flux distributions can be used to determine differences in particular metabolic functions between control and treatment under different growth conditions. The integration of additional data, such as enzyme activities and protein levels, could further reduce the solution space in future analysis. To this end, experiments will have to be carefully planned to account for differences in time scales on which cellular processes take place with sampling at high enough resolution to allow better insights into the changes of the levels of molecular components. Although the present study relies on data and a genome-scale model from green algae, we believe that any other organisms could be analogously interrogated if data sets and network reconstructions of similar quality are available.


Integrating –omics data into genome-scale metabolic network models: principles and challenges

Charlotte Ramon, Mattia G. Gollub, Jörg Stelling Integrating –omics data into genome-scale metabolic network models: principles and challenges. Aufsätze Biochemie 26 October 2018 62 (4): 563–574. doi: https://doi.org/10.1042/EBC20180011

At genome scale, it is not yet possible to devise detailed kinetic models for metabolism because data on the in vivo biochemistry are too sparse. Predictive large-scale models for metabolism most commonly use the constraint-based framework, in which network structures constrain possible metabolic phenotypes at steady state. However, these models commonly leave many possibilities open, making them less predictive than desired. With increasingly available –omics data, it is appealing to increase the predictive power of constraint-based models (CBMs) through data integration. Many corresponding methods have been developed, but data integration is still a challenge and existing methods perform less well than expected. Here, we review main approaches for the integration of different types of –omics data into CBMs focussing on the methods’ assumptions and limitations. We argue that key assumptions – often derived from single-enzyme kinetics – do not generally apply in the context of networks, thereby explaining current limitations. Emerging methods bridging CBMs and biochemical kinetics may allow for –omics data integration in a common framework to provide more accurate predictions.


Correlation-based integration

One of the simplest ways to explore multi-omics data in an integrative way is to explicitly set out to look for correlative links between the data sets. Correlations have frequently been used to examine the associations between transcriptomic data and metabolomics measurements. There are many ways to assess the correlation of two sets of measurements, the most common of these being Pearson’s and Spearman’s correlation for parametric and non-parametric data, respectively.

Naively, one expects metabolites to correlate with those genes with which they have associations however, this is not always the case. While on the one hand, Urbanczyk-Wochniak found more than double the number of significantly correlated metabolite–transcript pairs than would be expected by chance in potato tubers [ 17 ], and Fendt et al . [ 18 ] quantified transcripts, proteins and metabolites in yeast and other species on perturbations (for instance single enzyme modulations) and showed an inverse relationship between the log fold change of a metabolite and the log fold change of the protein or transcript catalyzing the reaction. They also found a great deal of variation in the correlation’s strengths, with a more significant trend in the correlations between substrates and enzymes than between reaction products and enzymes. On the other hand, ter Kuile and Westerhoff [ 19 ] found that fluxes through steps in the biochemical pathways did not correlate proportionally with the concentrations of the corresponding biochemical enzymes, and Moxley et al . [ 20 ] also report low correlation coefficients between transcripts of metabolic enzymes and related metabolite fluxes ( R = 0.07–0.8) in yeast.

More concerningly for pure correlation-based approaches, Bradley [ 21 ] noted that both the direction and magnitude of correlation between metabolites and related genes could vary significantly between experimental conditions.

As well as using standard correlation coefficients, such as Pearson’s or Spearman’s, there are also other methods for measuring correlation the Goodman and Kruskal gamma test, which only takes into account the up/down regulation of each metabolite/gene, e.g. [ 22 ] robust linear models, which look at each transcripts’ ability to predict each metabolite [ 23 ] and partial correlations [ 24 , 25 ], which evaluate those correlations that are independent of the other colinear measurements. For instance, what is the independent correlation of gene A and metabolite B, given that they are both correlated to gene C, can be calculated through a partial correlation computation.

In many experimental designs, we know that the changes in the metabolome and the transcriptome will not be simultaneous, and therefore it will be best to obtain a time course of samples for each omics. In these cases, it has been shown that by firstly aligning the data through techniques such as Dynamic Time Warping will help the detection of associated metabolites and transcripts [ 26 ].

In mammalian systems, data integration is often performed on source-matched data sets, where the RNA and metabolomics samples were acquired from different tissues. This complicates the expected correlation patterns. For instance, linking plasma metabolic changes to liver transcript changes in a source-matched study of fenofibrate and fish oil treatments in mice [ 27 ]. Lu et al . found that the expression of genes involved in fatty acid metabolism were associated with levels of plasma cholesterol and phosphatidycholine.

This section shows that a straightforward application of Pearson or Spearman correlation has many potential problems and is not overly suited to the task of metabolomic–transcriptomic data integration. Those elements that are known to be closely related in the pathways, often do not show a correlative link, while correlations can also occur at great distances across the network. More work needs to be undertaken to see if partial correlations can aid the identification of the most direct connections. There are also issues of time that obscure the correlative links between transcriptomic and metabolomic samples taken at matched time points, with metabolomic changes being connected to a transcriptomic changes at a much earlier time points and vice versa. In cases where the time course data exist, alignment will be an important step before the correlative associations are evaluated.


How to integrate transcriptomics data with kinetic metabolic models? - Biologie

Alle von MDPI veröffentlichten Artikel werden sofort weltweit unter einer Open-Access-Lizenz verfügbar gemacht. Für die Wiederverwendung des gesamten oder eines Teils des von MDPI veröffentlichten Artikels, einschließlich Abbildungen und Tabellen, ist keine besondere Genehmigung erforderlich. Bei Artikeln, die unter einer Open-Access-Creative Common CC BY-Lizenz veröffentlicht wurden, darf jeder Teil des Artikels ohne Genehmigung wiederverwendet werden, sofern der Originalartikel eindeutig zitiert wird.

Feature Papers stellen die fortschrittlichste Forschung mit erheblichem Potenzial für eine große Wirkung auf diesem Gebiet dar. Feature Papers werden auf individuelle Einladung oder Empfehlung der wissenschaftlichen Herausgeber eingereicht und vor der Veröffentlichung einem Peer Review unterzogen.

Das Feature Paper kann entweder ein origineller Forschungsartikel, eine umfangreiche neue Forschungsstudie sein, die oft mehrere Techniken oder Ansätze umfasst, oder ein umfassendes Übersichtspapier mit prägnanten und präzisen Updates zu den neuesten Fortschritten auf diesem Gebiet, das die aufregendsten Fortschritte in der Wissenschaft systematisch überprüft Literatur. Diese Art von Papier gibt einen Ausblick auf zukünftige Forschungsrichtungen oder mögliche Anwendungen.

Editor’s Choice-Artikel basieren auf Empfehlungen der wissenschaftlichen Herausgeber von MDPI-Zeitschriften aus der ganzen Welt. Die Herausgeber wählen eine kleine Anzahl von kürzlich in der Zeitschrift veröffentlichten Artikeln aus, die ihrer Meinung nach für Autoren besonders interessant oder in diesem Bereich wichtig sind. Ziel ist es, eine Momentaufnahme einiger der spannendsten Arbeiten zu geben, die in den verschiedenen Forschungsbereichen der Zeitschrift veröffentlicht wurden.


Abschluss

The above methods have been used to not only integrate expression data from a variety of sources but to also make progress toward overcoming key challenges in the field of systems biology. For instance, iMAT, highlighting its applicability in multi-cellular organisms, was used to curate the human metabolic network reconstruction and predict tissue-specific gene activity levels in ten human tissues (Duarte et al., 2007 Shlomi et al., 2008). Additionally, both E-Flux and PROM have been used to discover novel drug targets in Mycobacterium tuberculosis (Colijn et al., 2009 Chandrasekaran and Price, 2010).

Given the recent success with using genome-scale metabolic network reconstructions as a platform for integrating expression data, efforts should focus on multi-omics data integration. A handful of methods have already been introduced that integrate two or more types of omics data into genome-scale metabolic network reconstructions. For example, despite the current dearth of quantitative metabolomics data, a method has been developed that demonstrates how semi-quantitative metabolomics data can be used with transcriptomic data to curate genome-scale metabolic network reconstructions and identify key reactions involved in the production of certain metabolites (Cakir et al., 2006). Another algorithm, called Integrative Omics-Metabolic Analysis (IOMA), integrates metabolomics data and proteomics data into a genome-scale metabolic network reconstruction by evaluating kinetic rate equations subject to quantitative omics measurements (Yizhak et al., 2010). Furthermore, Mass Action Stoichiometric Simulation (MASS) uses metabolomic, fluxomic, and proteomic data to transform a static stoichiometric reconstruction of an organism into a large-scale dynamic network model (Jamshidi and Palsson, 2010). And finally, building off of iMAT, the Model-Building Algorithm (MBA) utilizes literature-based knowledge, transcriptomic, proteomic, metabolomic, and phenotypic data to curate the human metabolic network reconstruction to derive a more complete picture of tissue-specific metabolism (Jerby et al., 2010). Such algorithms show promise in their ability to easily integrate high-throughput data into genome-scale metabolic network reconstructions to generate phenotypically accurate and predictive computational models.


Studying plant physiology with kinetic models

Various aspects of plant physiology have been analysed extensively with kinetic models, and the field has a history going back for more than two decades. Detailed surveys of these models, the pathways they are addressing, and the techniques used can be found in Morgan and Rhodes (2002) and Rios-Estepa and Lange (2007). A recent review ( Arnold and Nikoloski, 2011) was devoted to a quantitative comparison and ranking of all the kinetic models that have been published on the Calvin–Benson cycle. This information will not be repeated here instead, the purpose of this section is 2-fold. First, a summary of recent plant kinetic models that have been published since the last comprehensive review by Rios-Estepa and Lange (2007) is presented in Table 1. Importantly, the scope of these models is not limited to primary metabolism, but extends to secondary metabolism, the metabolism of xenobiotics, as well as gene-regulatory networks.

Recent kinetic models of plant metabolism

Weg Kommentar Verweise
Essential oil biosynthesis Monoterpenoid biosynthesis in peppermint identified controlling enzymes for essential oil composition Rios-Estepa et al. (2008, 2010)
Benzenoid network Discussed in main text Colón et al. (2010)
Aspartate metabolism Discussed in main text Curien et al. (2009)
Flavonoid pathway Minimal kinetic model of temperature compensation and regulation of the pathway in Arabidopsis temperature effects modelled with Arrhenius equation Olsen et al. (2009)
Glucosinolate metabolism Kinetic model of multifunctional enzymes in glucosinolate biosynthetic pathway incorporating measured enzymatic properties model predicts different glucosinolate chain length profiles Knoke et al. (2009)
Fenclorim metabolism Modelled metabolism of the herbicide safener fenclorim (which enhances gene expression of detoxifying enzymes such as glutathione transferases) in Arabidopsis parameters estimated by fitting to time-courses Liu et al. (2009)
Photosystem II Chlorophyll ein fluorescence transients in pea leaves modelled with eight models with different reaction schemes but comprising the same electron carriers Lazár and Jablonský (2009)
Plastoquinone kinetics Three-state-variable model of plastoquinone-related electron transport kinetics in photosynthesis, describing delayed fluorescence model validated with data from healthy and drought-stressed soybean plants Guo and Tan (2009)
Hydrogen production Bioreactor model of transition from oxygenic growth to anoxic H2 production in Chlamydomonas reinhardtii dependence on light and sulphur availability Fouchard et al. (2009)
Sucrose metabolism Discussed in main text Uys et al. (2007)
Circadian clock Three-feedback-loop model of the plant clock gene-regulatory network in Arabidopsis incorporating data on experimentally established feedbacks between regulatory proteins and genes the model predicts coupled morning and evening oscillators Locke et al. (2006)
RuBisCO activation kinetics Detailed kinetic model of the elementary reaction steps in the mechanism of RuBisCO from spinach leaves rate constants of carbamylation, activation, carboxylation, and inhibition determined by fitting to multiple experimental data sets McNevin et al. (2006)
Weg Kommentar Verweise
Essential oil biosynthesis Monoterpenoid biosynthesis in peppermint identified controlling enzymes for essential oil composition Rios-Estepa et al. (2008, 2010)
Benzenoid network Discussed in main text Colón et al. (2010)
Aspartate metabolism Discussed in main text Curien et al. (2009)
Flavonoid pathway Minimal kinetic model of temperature compensation and regulation of the pathway in Arabidopsis temperature effects modelled with Arrhenius equation Olsen et al. (2009)
Glucosinolate metabolism Kinetic model of multifunctional enzymes in glucosinolate biosynthetic pathway incorporating measured enzymatic properties model predicts different glucosinolate chain length profiles Knoke et al. (2009)
Fenclorim metabolism Modelled metabolism of the herbicide safener fenclorim (which enhances gene expression of detoxifying enzymes such as glutathione transferases) in Arabidopsis parameters estimated by fitting to time-courses Liu et al. (2009)
Photosystem II Chlorophyll ein fluorescence transients in pea leaves modelled with eight models with different reaction schemes but comprising the same electron carriers Lazár and Jablonský (2009)
Plastoquinone kinetics Three-state-variable model of plastoquinone-related electron transport kinetics in photosynthesis, describing delayed fluorescence model validated with data from healthy and drought-stressed soybean plants Guo and Tan (2009)
Hydrogen production Bioreactor model of transition from oxygenic growth to anoxic H2 production in Chlamydomonas reinhardtii dependence on light and sulphur availability Fouchard et al. (2009)
Sucrose metabolism Discussed in main text Uys et al. (2007)
Circadian clock Three-feedback-loop model of the plant clock gene-regulatory network in Arabidopsis incorporating data on experimentally established feedbacks between regulatory proteins and genes the model predicts coupled morning and evening oscillators Locke et al. (2006)
RuBisCO activation kinetics Detailed kinetic model of the elementary reaction steps in the mechanism of RuBisCO from spinach leaves rate constants of carbamylation, activation, carboxylation, and inhibition determined by fitting to multiple experimental data sets McNevin et al. (2006)

Recent kinetic models of plant metabolism

Weg Kommentar Verweise
Essential oil biosynthesis Monoterpenoid biosynthesis in peppermint identified controlling enzymes for essential oil composition Rios-Estepa et al. (2008, 2010)
Benzenoid network Discussed in main text Colón et al. (2010)
Aspartate metabolism Discussed in main text Curien et al. (2009)
Flavonoid pathway Minimal kinetic model of temperature compensation and regulation of the pathway in Arabidopsis temperature effects modelled with Arrhenius equation Olsen et al. (2009)
Glucosinolate metabolism Kinetic model of multifunctional enzymes in glucosinolate biosynthetic pathway incorporating measured enzymatic properties model predicts different glucosinolate chain length profiles Knoke et al. (2009)
Fenclorim metabolism Modelled metabolism of the herbicide safener fenclorim (which enhances gene expression of detoxifying enzymes such as glutathione transferases) in Arabidopsis parameters estimated by fitting to time-courses Liu et al. (2009)
Photosystem II Chlorophyll ein fluorescence transients in pea leaves modelled with eight models with different reaction schemes but comprising the same electron carriers Lazár and Jablonský (2009)
Plastoquinone kinetics Three-state-variable model of plastoquinone-related electron transport kinetics in photosynthesis, describing delayed fluorescence model validated with data from healthy and drought-stressed soybean plants Guo and Tan (2009)
Hydrogen production Bioreactor model of transition from oxygenic growth to anoxic H2 production in Chlamydomonas reinhardtii dependence on light and sulphur availability Fouchard et al. (2009)
Sucrose metabolism Discussed in main text Uys et al. (2007)
Circadian clock Three-feedback-loop model of the plant clock gene-regulatory network in Arabidopsis incorporating data on experimentally established feedbacks between regulatory proteins and genes the model predicts coupled morning and evening oscillators Locke et al. (2006)
RuBisCO activation kinetics Detailed kinetic model of the elementary reaction steps in the mechanism of RuBisCO from spinach leaves rate constants of carbamylation, activation, carboxylation, and inhibition determined by fitting to multiple experimental data sets McNevin et al. (2006)
Weg Kommentar Verweise
Essential oil biosynthesis Monoterpenoid biosynthesis in peppermint identified controlling enzymes for essential oil composition Rios-Estepa et al. (2008, 2010)
Benzenoid network Discussed in main text Colón et al. (2010)
Aspartate metabolism Discussed in main text Curien et al. (2009)
Flavonoid pathway Minimal kinetic model of temperature compensation and regulation of the pathway in Arabidopsis temperature effects modelled with Arrhenius equation Olsen et al. (2009)
Glucosinolate metabolism Kinetic model of multifunctional enzymes in glucosinolate biosynthetic pathway incorporating measured enzymatic properties model predicts different glucosinolate chain length profiles Knoke et al. (2009)
Fenclorim metabolism Modelled metabolism of the herbicide safener fenclorim (which enhances gene expression of detoxifying enzymes such as glutathione transferases) in Arabidopsis parameters estimated by fitting to time-courses Liu et al. (2009)
Photosystem II Chlorophyll ein fluorescence transients in pea leaves modelled with eight models with different reaction schemes but comprising the same electron carriers Lazár and Jablonský (2009)
Plastoquinone kinetics Three-state-variable model of plastoquinone-related electron transport kinetics in photosynthesis, describing delayed fluorescence model validated with data from healthy and drought-stressed soybean plants Guo and Tan (2009)
Hydrogen production Bioreactor model of transition from oxygenic growth to anoxic H2 production in Chlamydomonas reinhardtii dependence on light and sulphur availability Fouchard et al. (2009)
Sucrose metabolism Discussed in main text Uys et al. (2007)
Circadian clock Three-feedback-loop model of the plant clock gene-regulatory network in Arabidopsis incorporating data on experimentally established feedbacks between regulatory proteins and genes the model predicts coupled morning and evening oscillators Locke et al. (2006)
RuBisCO activation kinetics Detailed kinetic model of the elementary reaction steps in the mechanism of RuBisCO from spinach leaves rate constants of carbamylation, activation, carboxylation, and inhibition determined by fitting to multiple experimental data sets McNevin et al. (2006)

Secondly, three examples of plant kinetic models (one from the author’s own work) are discussed in greater detail to illustrate specific aspects of the modelling techniques and approaches.

Top-down model assembly

As outlined above, one of the problems associated with building kinetic models is that often the kinetic data for the constituent enzymes are not available. In such cases, kinetic parameters can be obtained from a ‘top-down’ approach by fitting the model parameters to experimental data from the intact system, for example fluxes and metabolite concentrations.

This ‘top-down’ method was followed by Colón et al. (2010) to develop a model of the benzenoid network in petunia flowers. The model comprises a network of 31 biochemical reactions describing the conversion of phenylalanine to various benzenoid volatiles. The experimental data used for fitting were metabolite pool sizes and labelling patterns obtained by feeding three different concentrations of deuterated phenylalanine to the flowers. Independent validation data were provided by transgenic flowers in which one of the pathway enzymes, BPBT, was down-regulated using RNA interference. The model was subsequently subject to MCA, showing that the enzyme phenylacetaldehyde synthase exerted the bulk of the control on the phenylacetaldehyde branch of the network. However, in other branches flux control was widely distributed. The significance of the results in this study is 2-fold: first, construction and assembly of the model enabled the authors to perform MCA with the model. This would not have been experimentally feasible for every step in the pathway. Secondly, the MCA was able to identify key flux-controlling steps and thus suggested possible future metabolic engineering strategies for perturbing secondary plant metabolism by targeting steps with large flux control coefficients, for example with a view to boosting secondary metabolite production.

Bottom-up model assembly

In contrast to the previous example, the ‘bottom-up’ approach entails assembling all the available data on the isolated pathway components (such as enzyme kinetic parameters, etc., see above) into a model, and then appraising how well this model replicates the behaviour of the entire system. Curien et al. (2009) followed this strategy to build a detailed kinetic model of aspartate biosynthesis in Arabidopsis thaliana. The authors performed in vitro kinetic measurements on the constituent enzymes of the pathway, and then compiled and collated these into a detailed kinetic model, which could reproduce in vivo experimental measurements. The strength of this approach is that the authors could demonstrate that in vivo behaviour of the pathway can actually be explained in terms of independently collected in vitro Daten. The modelling results are significant for their explanatory power in identifying and clarifying the role of allosteric interactions, of which there are a great number in this pathway. The model identified some of these allosteric feedbacks whose function is not to couple supply and demand for an intermediate (as is commonly the case), but rather to ensure that fluxes in competing pathways function and are regulated independently. In addition, the model explicitly included the different isoforms for the enzymes aspartokinase, dihydrodipicolinate synthase, and homoserine dehydrogenase. Significantly, the model could provide insight into their role in vivo: because of their different kinetic properties, isoforms of the same enzyme varied greatly in terms of their control coefficients and their contribution to flux regulation, implying that they are not redundant but each has its specific function in the pathway. Finally, the model identified threonine as a potential high-level regulator as its concentration was the most sensitive variable in the system.

Modelling sucrose metabolism in sugarcane

In the remainder of this section, a brief overview of the author’s own work on the kinetic modelling of sugarcane will be provided. As explained earlier in this review, elementary mode analysis identified a number of substrate cycles in sugarcane metabolism this concurrent sucrose breakdown and re-synthesis has also been demonstrated experimentally ( Komor, 1994 Whittaker and Botha, 1997 Zhu et al., 1997). This prompted the construction of a kinetic model of the substrate cycling process, together with sucrose accumulation in the vacuole. The model, constructed with the ‘bottom-up’ approach, could replicate independent experimental flux and metabolite concentration validation data without resorting to parameter fitting (in no case was the discrepancy greater than a factor of two Rohwer and Botha, 2001). Based on MCA, the control of each reaction on the substrate cycling of sucrose (defined as the control of the flux ratio between sucrose breakdown and sucrose accumulation into the vacuole) could be quantified. The five reactions with the numerically largest control coefficients were the uptake of fructose and glucose into the cytoplasm (–0.86 and –0.90, respectively), the transport of sucrose into the vacuole (–0.51), phosphorylation of glucose by hexokinase (1.09), and breakdown of sucrose by neutral invertase (0.71). Rohwer and Botha (2001) found that a decrease in substrate cycling is predicted to translate into increased sucrose accumulation, and on the basis of these results predicted that overexpression of the plasma membrane glucose and fructose transporters, as well as of the vacuolar sucrose importer, and attenuation of neutral invertase would be the most promising biotechnological targets for reducing this futile cycling of sucrose and increasing sucrose accumulation. By way of experimental validation, Rossouw et al. (2007) demonstrated an increase in sucrose accumulation in sugarcane suspension cells by decreasing neutral invertase activity through RNA interference, albeit at the expense of reduced respiration and growth. Thus, while the increase in sucrose accumulation was correctly predicted by the model, its scope did not extend far enough to predict the effect of changes in neutral invertase activity on respiration and growth, perhaps suggesting that the cycling of sucrose is not ‘futile’ after all but fulfils another—as yet unidentified—function. More recently, these results were repeated in transgenic sugarcane plants, with Rossouw et al. (2010) demonstrating increased sucrose and decreased hexose levels, as well as reduced substrate cycling in the culm tissues of transgenics with reduced neutral invertase activity.

Growth modelling of a sugarcane stalk in segments

The model of Rohwer and Botha (2001) is specific to medium-mature tissue of a single internode. However, the expression of metabolic enzymes changes significantly with growth, stem elongation, and internodal maturation ( Botha et al., 1996) these effects are most pronounced during the first 10 internodes of the sugarcane stalk, and higher numbered internodes can be regarded as mature. This prompted the extension of the original sugarcane model to include more detail about culm biochemistry. Specifically, the isoforms of sucrose synthase and fructokinase were made explicit, carbon partitioning to respiration and fibre formation were treated separately, and partitioning to respiration occurred via either phosphofructokinase (PFK) or pyrophosphate-dependent PFK, on to aldolase and lower glycolysis ( Uys et al., 2007). The stoichiometry of this extended network is shown in Fig. 3.

Metabolic reactions of the extended model of sucrose accumulation and futile cycling in sugarcane parenchymal tissue ( Uys et al., 2007). Metabolites are indicated by a small circle, enzymes by a numbered grey box. Isozymes are grouped by a surrounding box and numbered a, b, and c where applicable.


Schau das Video: sec 2 6 DNA transcription to mrna - Ms. Suha Al - Qirem - Grade 8 - May 6 (Dezember 2022).