대사망 모델링

Metabolic network modelling
아라비도시스 탈리아나 구연산 회로에서 효소와 대사물 사이의 상호작용을 보여주는 대사 네트워크.효소와 대사물은 빨간 점이고 그들 사이의 상호작용은 선이다.
대장균 대사망 모델.

대사 네트워크 모델링(대사 네트워크 재구성 또는 대사 경로 분석이라고도 함)은 특정 유기체의 분자 메커니즘에 대한 심층적인 통찰력을 가능하게 한다.특히, 이 모델들은 게놈과 분자 [1]생리를 연관시킨다.재구성은 대사 경로(당화과정 및 구연산 회로 등)를 각각의 반응과 효소로 분해하여 전체 네트워크의 관점에서 분석한다.간단히 말하면, 재구성은 유기체의 관련된 모든 대사 정보를 수집하여 수학적 모델로 컴파일합니다.재구성 검증 및 분석을 통해 성장률, 자원 분포, 네트워크 견고성 및 유전자 필수성과 같은 신진대사의 주요 특징을 식별할 수 있습니다.이 지식은 새로운 생명공학을 창조하는 데 응용될 수 있다.

일반적으로 재구성을 구축하는 프로세스는 다음과 같습니다.

  1. 재구성 초안 작성
  2. 모델을 개량하다
  3. 모델을 수학적/계산적 표현으로 변환
  4. 실험을 통한 모델 평가 및 디버깅

플럭스 밸런스 분석의 관련 방법은 대사 네트워크의 게놈 스케일 재구축에서 신진대사를 수학적으로 시뮬레이션하는 것을 목적으로 한다.

게놈 규모의 대사 재구성

대사 재구성은 유기체 [2]내 대사 경로의 시스템 생물학을 이해하기 위한 고도로 수학적이고 구조화된 플랫폼을 제공합니다.생화학적 대사 경로와 빠르게 이용할 수 있는 주석이 달린 게놈 배열의 통합은 게놈 규모의 대사 모델이라고 불리는 것을 발전시켰다.간단히 말해서, 이 모델들은 대사 유전자와 대사 경로의 상관관계를 가지고 있다.일반적으로 대상 유기체에 대해 생리, 생화학 및 유전학에 대한 정보가 많을수록 재구성된 모델의 예측 능력이 향상됩니다.기계적으로 말하면, 원핵세포와 진핵세포의 대사 네트워크를 재구성하는 과정은 본질적으로 동일하다.이렇게 말했지만, 진핵생물 재구성은 게놈의 크기, 지식의 범위, 그리고 다수의 세포 [2]구획 때문에 전형적으로 더 어렵다.헤모필러스 인플루엔자에 대한 [3]첫 번째 게놈 스케일 대사 모델이 1995년에 생성되었다.최초의 다세포 생물인 C. elegans는 [4]1998년에 재건되었다.그 이후로 많은 재건축이 이루어졌습니다.모델로 변환되어 실험적으로 검증된 재구성의 목록은 http://sbrg.ucsd.edu/InSilicoOrganisms/OtherOrganisms를 참조하십시오.

유기체 게놈 유전자 모델의 유전자 반응 대사물 재건축 연월일 언급
헤모필루스인플루엔자 1,775 296 488 343 1999년 6월 [3]
대장균 4,405 660 627 438 2000년 5월 [5]
사카로미세스 세레비시아 6,183 708 1,175 584 2003년 2월 [6]
근골근 28,287 473 1220 872 2005년 1월 [7]
호모 사피엔스 21,090[8] 3,623 3,673 -- 2007년 1월 [9]
결핵균 4,402 661 939 828 2007년 6월 [10]
서브틸리스균 4,114 844 1,020 988 2007년 9월 [11]
시네코시스티스p. PCC6803 3,221 633 831 704 2008년 10월 [12]
살모넬라티푸스 4,489 1,083 1,087 774 2009년 4월 [13]
아라비도시스탈리아나 27,379 1,419 1,567 1,748 2010년 2월 [14]

재구성 초안 작성

자원.

재건축 개발 기간이 매우 최근이기 때문에 대부분의 재건축은 수동으로 구축되었습니다.그러나 지금은 재건축에 필요한 시간과 노력으로 인해 이들 재건축을 반자동으로 조립할 수 있는 자원이 상당히 많다.초기 고속 재구성은 MetaCyc와 같은 백과사전과 조합하여 PathoLogic 또는 ERGO와 같은 리소스를 사용하여 자동으로 개발되고 Pathway와 같은 리소스를 사용하여 수동으로 업데이트할 수 있습니다.도구. 이러한 반자동 방법을 사용하면 빠른 드래프트를 만들면서 새로운 실험 데이터가 발견되면 필요한 미세 조정 작업을 수행할 수 있습니다.대사 재구성 분야가 점점 더 많은 수의 주석 게놈을 따라잡을 수 있는 것은 오직 이 방법뿐이다.

데이터베이스

  • 교토 유전자와 게놈 백과사전(KEGG): 유전자, 단백질, 반응 및 경로에 대한 정보를 포함하는 생물정보학 데이터베이스.진핵생물과 원핵생물로 구분된 'KEGG 유기체' 섹션은 선택한 효소를 입력하여 유전자 및 DNA 정보를 검색할 수 있는 많은 유기체를 포함한다.
  • BioCyc, EcoCyc 및 MetaCyc: BioCyc는 3,000개의 경로/게놈 데이터베이스(2013년 10월 기준)의 집합체이며 각 데이터베이스는 하나의 유기체 전용입니다.예를 들어, EcoCyc는 대장균의 게놈 및 대사 재구성에 관한 매우 상세한 생물정보학 데이터베이스로 대장균 신호 경로와 조절 네트워크에 대한 자세한 설명을 포함한다.EcoCyc 데이터베이스는 모든 재구성의 패러다임과 모델로 사용될 수 있습니다.또한 실험적으로 정의된 대사 경로와 효소의 백과사전인 MetaCyc는 대사 경로 2,100개와 대사 반응 11,400개를 포함하고 있다(2013년 10월).
  • 효소: 효소 명명 데이터베이스(스위스 생물정보학 연구소의 ExPASy 프로테오노믹스 서버의 일부).데이터베이스에서 특정 효소를 검색한 후 이 리소스는 촉매 반응을 제공합니다.효소는 KEGG, BRENDA 및 PUBMED와 같은 다른 유전자/효소/문학 데이터베이스와 직접 연결됩니다.
  • 브렌다: 이름, EC 번호 또는 유기체로 효소를 검색할 수 있는 포괄적인 효소 데이터베이스.
  • BiGG: 생화학, 유전자 및 유전적으로 구조화된 게놈 규모의 대사 네트워크 [15]재구성의 지식 기반.
  • metaTIGER: 진핵생물의 분류학적으로 다양한 범위에 대한 대사 프로파일과 계통 정보의 집합으로, 유기체 간의 대사 프로파일을 보고 비교하는 새로운 기능을 제공합니다.
이 표는 각 데이터베이스의 범위를 빠르게 비교합니다.
데이터베이스 범위
효소 유전자 반응 패스 대사물
케그 X X X X X
바이오사이크 X X X X X
메타사이크 X X X X
효소 X X X
브렌다 X X X
BiGG X X X

대사 모델링 도구

  • 경로 도구: EcoCyc와 [16]같은 경로/게놈 데이터베이스 구축을 지원하는 바이오 정보학 소프트웨어 패키지입니다.Peter Karp와 SRI 국제 생물정보학 연구 그룹의 동료들에 의해 개발된 경로 도구에는 몇 가지 구성 요소가 있습니다.PathoLogic 모듈은 유기체를 위한 주석이 달린 게놈을 가져다가 새로운 경로/게놈 데이터베이스를 만들기 위해 가능한 대사 반응과 경로를 추론합니다.MetaFlux 구성요소는 플럭스-밸런스 분석을 사용하여 경로/게놈 데이터베이스에서 정량적 대사 모델을 생성할 수 있다.Navigator 컴포넌트는 대사물의 시각화, 경로 및 완전한 대사 네트워크와 같은 광범위한 쿼리 및 시각화 도구를 제공합니다.
  • ERGO: Integrated Genomics가 개발한 서브스크립션 기반 서비스.게놈, 생화학 데이터, 문헌 및 높은 처리량 분석을 포함한 모든 수준의 데이터를 대사 경로 및 비대사 경로의 포괄적인 사용자 친화적 네트워크에 통합합니다.
  • KEGG translator:[17][18] KEGG 파일(KGML 형식의 XML 파일)을 시각화하고 여러 출력 형식으로 변환할 수 있는 사용하기 쉬운 스탠드아론 애플리케이션입니다.다른 번역기와 달리 KEGG 번역기는 과도한 출력 형식을 지원하며, KGML 문서의 범위를 넘어 번역된 문서(예: 미리암 주석)의 정보를 증강할 수 있으며, 누락된 구성요소를 경로 내의 단편적인 반응으로 수정하여 시뮬레이션이 가능하다.KEGG 번역기는 이러한 파일을 SBML, BioPAX, SIF, SBGN, 질적 모델링 확장자를 가진 [19]SBML, GML, GraphML, JPG, GIF, LaTeX 등으로 변환합니다.
  • 모델 시드:게놈 스케일 대사 [20]모델의 분석, 비교, 재구성 및 큐레이션을 위한 온라인 리소스.사용자는 게놈 시퀀스를 RAST 주석 시스템에 제출할 수 있으며, 결과 주석을 Model SEED에 자동으로 파이핑하여 초안 대사 모델을 생성할 수 있습니다.Model SEED는 각 반응에 대한 대사 반응, 유전자-단백질-반응 연관성 및 각 게놈에 대한 바이오매스 구성 반응의 네트워크를 자동으로 구축하여 플럭스 밸런스 분석을 사용하여 시뮬레이션할 수 있는 미생물 대사 모델을 생성합니다.
  • MetaMerge: 기존의 대사 네트워크 재구성을 반자동으로 [21]단일 대사 네트워크 모델로 조정하는 알고리즘.
  • CoReCo:[22][23] 관련 종의 대사 모델을 자동으로 재구성하는 알고리즘.소프트웨어의 첫 번째 버전은 CoReco의 EC 번호 예측과 링크하기 위한 반응 데이터베이스로 KEGG를 사용했습니다.모든 반응의 원자 지도를 사용한 자동 갭 메우기는 시뮬레이션을 위한 기능적 모델을 생성합니다.

문헌용 도구

  • PUBMED: 이것은 국립생명공학정보센터에 의해 개발된 온라인 도서관입니다. 이 도서관에는 방대한 의학 저널이 소장되어 있습니다.효소에 의해 제공된 연결을 사용하여, 연구는 관심 있는 유기체로 향할 수 있으며, 따라서 효소와 유기체 내에서의 사용에 대한 문헌을 복구할 수 있다.

재구성 초안을 작성하는 방법론

이것은 대사 네트워크 재구성 프로세스를 시각적으로 나타낸 것입니다.

재구성은 위의 리소스에서 데이터를 컴파일하여 구축됩니다.KEGG와 BioCyc와 같은 데이터베이스 도구는 관심 유기체의 모든 대사 유전자를 찾기 위해 서로 함께 사용될 수 있습니다.이 유전자들은 이미 상동 유전자와 반응을 찾기 위해 재구성을 개발한 밀접하게 연관된 유기체들과 비교될 것이다.이러한 상동 유전자와 반응은 알려진 재구성으로부터 계승되어 관심 유기체의 초안 재구성을 형성한다.ERGO, 경로 도구 및 모델 SEED와 같은 도구는 데이터를 경로로 컴파일하여 대사 경로와 비대사 경로의 네트워크를 형성할 수 있다.이러한 네트워크는 수학 시뮬레이션으로 만들어지기 전에 검증되고 [2]다듬어집니다.

대사 재구성의 예측 측면은 단백질의 아미노산 배열을 입력으로 사용하여 단백질에 의해 촉매되는 생화학 반응을 예측하고 예측된 일련의 반응에 기초하여 대사 네트워크의 구조를 추론하는 능력에 달려 있다.효소와 대사물의 네트워크는 배열과 기능을 관련짓기 위해 작성된다.게놈에서 특징지어지지 않은 단백질이 발견되면 그 아미노산 배열을 이전에 특징지어졌던 단백질과 비교하여 호몰로지를 찾습니다.상동성 단백질이 발견되면, 그 단백질들은 공통의 조상을 가진 것으로 간주되고 그들의 기능은 유사한 것으로 추론된다.그러나 재구성 모델의 품질은 배열에서 직접 표현형을 정확하게 추론하는 능력에 따라 달라지기 때문에 단백질 기능의 대략적인 추정으로는 충분하지 않을 것이다.단백질 기능의 배열 호몰로지 기반 할당을 개선하기 위해 다수의 알고리즘과 생물 정보학 자원이 개발되었다.

  • 파라노이드 내:패러로그만 보고 진핵생물 철자를 식별합니다.
  • CDD: 단백질의 기능 단위 주석을 위한 자원.도메인 모델 모음은 시퀀스/구조/기능 관계에 대한 통찰력을 제공하기 위해 3D 구조를 활용합니다.
  • InterPro: 단백질을 패밀리로 분류하여 도메인 및 중요한 사이트를 예측함으로써 단백질의 기능 분석을 제공합니다.
  • STRING: 알려진 단백질 상호작용 데이터베이스.

일단 단백질이 확립되면, 효소 구조, 촉매 반응, 기질과 생성물, 메커니즘 등에 대한 더 많은 정보를 KEGG, MetaCyc 및 NC-IUBMB와 같은 데이터베이스에서 얻을 수 있다. 정확한 대사 재구성은 가역성과 선호하는 생리학적 방향에 대한 추가 정보를 필요로 한다.BRENDA 또는 MetaCyc 데이터베이스와 같은 데이터베이스에서 [24]나올 수 있는 효소 촉매 반응.

모델 개량

게놈의 초기 대사 재구성은 미생물의 높은 변동성과 다양성으로 인해 일반적으로 완벽과는 거리가 멀다.종종 KEGG 및 MetaCyc와 같은 대사 경로 데이터베이스에는 "구멍"이 있는데, 이는 기질에서 촉매 작용을 촉진하는 효소를 코드하는 알려진 단백질이 게놈에 없는 제품(즉, 효소 활성)으로 전환된다는 것을 의미한다.반자동으로 작성된 재구성에서도 발생할 수 있는 것은 일부 경로가 잘못 예측되어 실제로 예측된 [24]방식으로 발생하지 않는다는 것입니다.이 때문에, 모순이 없는 것과 리스트 되고 있는 모든 엔트리가 올바르고 [1]정확한 것을 확인하기 위해서, 체계적인 검증이 행해집니다.또한 많은 대사 반응 및 게놈 데이터베이스 중 하나에서 얻은 정보를 지원하기 위해 이전 문헌을 연구할 수 있다.이것은 효소와 그것이 촉매하는 반응이 실제로 유기체에서 발생한다는 재구성에 대한 추가적인 수준의 확신을 제공합니다.

효소 문란성과 자발적인 화학 반응은 대사물을 손상시킬 수 있다.이 대사물의 손상과 그 수리 또는 사전 발상은 모델에 통합해야 하는 에너지 비용을 발생시킵니다.기능을 알 수 없는 많은 유전자들이 대사물의 손상을 복구하거나 예방하는 단백질을 코드할 가능성이 높지만, 대부분의 게놈 규모의 대사 재구성은 모든 [25][26]유전자의 극히 일부만을 포함한다.

데이터베이스에 없는 모든 새로운 반응을 재구성에 추가해야 합니다.이것은 실험 단계와 코딩 단계 사이를 순환하는 반복 프로세스입니다.대상 유기체에 대한 새로운 정보가 발견됨에 따라, 모델은 세포의 대사 및 표현형 출력을 예측하도록 조정될 것이다.특정 대사 반응의 유무는 특정 경로 내의 다른 반응에 대해 존재하는 반응 물질/제품의 양에 영향을 미칩니다.이것은 한 반응의 산물이 다른 반응의 반응물이 되기 때문이다. 즉, 한 반응의 산물은 다른 효소나 [1]촉매의 존재 하에서 새로운 단백질/성분을 형성하기 위해 다른 단백질 또는 화합물과 결합할 수 있다.

Franke 등은 프로젝트의 검증 단계를 상당히 상세하게 수행해야 하는 이유에 대한 훌륭한 예를 제공한다.Lactobacillus Plantarum의 대사 네트워크 재구성 중 모델은 숙시닐-CoA가 메티오닌 생합성의 일부인 반응에 대한 반응물 중 하나임을 보여주었다.그러나 생물의 생리학에 대한 이해는 불완전한 트리카복실산 경로로 인해 락토바실러스 플랜타럼은 실제로 숙시닐-CoA를 생성하지 않으며, 그 반응의 정확한 반응물은 아세틸-CoA임을 밝혀낼 수 있다.

따라서 초기 재구성의 체계적인 검증은 재구성의 최종 해석, 즉 유기체의 분자 메커니즘을 정확하게 이해하는 데 부정적인 영향을 미칠 수 있는 몇 가지 모순을 드러낼 것이다.또한 시뮬레이션 단계는 재구성에 존재하는 모든 반응이 적절하게 균형을 이루도록 보장합니다.요약하자면, 완전히 정확한 재구성은 관심 [1]있는 유기체의 기능을 이해하는 데 더 큰 통찰력을 가져올 수 있습니다.

대사 네트워크 시뮬레이션

대사 네트워크는 행이 반응의 화합물을 나타내는 반면 행렬의 열은 반응 자체에 대응하는 화학량 매트릭스로 분해할 수 있다.스토이코메트리는 화학반응 기질 간의 정량적 관계이다.대사 네트워크가 시사하는 바를 추론하기 위해, 최근의 연구는 극한 경로, 기본 [27]모드 분석, 플럭스 밸런스 분석 및 많은 다른 제약 조건 기반 모델링 방법과 [28][29]같은 몇 가지 접근법에 초점을 맞추고 있다.

극한 경로

팔슨 연구소의 프라이스, 리드, [30]파핀은 인간의 적혈구 신진대사의 조절을 이해하기 위해 극단적인 경로의 특이값 분해(SVD) 방법을 사용한다.극한 경로는 대사 네트워크의 [31]정상 상태 함수로 구성된 볼록 기저 벡터이다.특정 대사 네트워크에는 항상 사용 [32]가능한 고유한 극단 경로 세트가 있습니다.더욱이, Price, Reed 및 [30]Papin은 제약 조건 기반 접근법을 정의하며, 여기서 질량 균형과 최대 반응 속도와 같은 제약 조건의 도움을 통해 모든 실행 가능한 옵션이 포함되는 '해결 공간'을 개발할 수 있다.그런 다음, 운동 모델 접근방식을 사용하여 극한 경로 솔루션 공간 내에 있는 단일 [30]솔루션을 결정할 수 있다.따라서, Price, Reed, [30]Papin이라는 연구에서, 인간의 적혈구 대사를 이해하기 위해 제약과 운동학적 접근법을 모두 사용합니다.결론적으로 극단적인 경로를 사용하여 대사 네트워크의 조절 메커니즘을 더 자세히 연구할 수 있다.

초등 모드 분석

초등 모드 분석은 극한 경로에 사용되는 접근법과 밀접하게 일치한다.극한 경로와 마찬가지로, 특정 [32]대사 네트워크에 사용할 수 있는 고유한 기본 모드 세트가 항상 있다.이것들은 대사 재구성 네트워크가 안정된 [33][34][35]상태로 기능할 수 있는 가장 작은 서브 네트워크입니다.Stelling(2002)[34]에 따르면 기초 모드는 전체 대사 네트워크에 대한 세포 목표를 이해하기 위해 사용될 수 있다.또한 특정 대사 경로 또는 네트워크가 실현 가능하고 단백질/효소 세트에 [33]대해 가능성이 있는지를 평가할 때 기초모드 분석은 화학측정학 및 열역학을 고려한다.

최소 대사 동작(MMB)

2009년, Larhlimi와 Bockmayr은 대사 [36]네트워크의 분석을 위한 "최소 대사 행동"이라는 새로운 접근법을 제시하였다.기본 모드 또는 익스트림 패스와 마찬가지로 이들 패스는 네트워크에 의해 고유하게 결정되며 플럭스콘의 완전한 설명을 얻을 수 있습니다.그러나 새로운 설명은 훨씬 더 간결하다.플럭스콘의 생성 벡터에 기초한 내부 기술을 사용하는 기본 모드 및 극한 경로와는 대조적으로 MMB는 플럭스콘의 외부 기술을 사용한다.이 접근방식은 비부정성 제약조건 세트를 기반으로 합니다.이것들은 돌이킬 수 없는 반응으로 확인될 수 있으며, 따라서 직접적인 생화학 해석을 가지고 있다.MMB와 가역 대사 공간에 의해 대사 네트워크를 특징지을 수 있다.

플럭스 밸런스 분석

주요 기사:플럭스 밸런스 분석

대사 네트워크를 시뮬레이션하는 다른 기술은 플럭스 밸런스 분석을 수행하는 것입니다.이 방법은 선형 프로그래밍을 사용하지만, 기본 모드 분석 및 극단 경로와는 달리, 하나의 솔루션만 최종 결과가 됩니다.선형 프로그래밍은 일반적으로 현재 보고 있는 목적 함수의 최대 전위를 구하는 데 사용되므로 플럭스 밸런스 분석을 사용하면 최적화 [34]문제에 대한 단일 솔루션을 찾을 수 있습니다.플럭스 밸런스 분석 접근방식에서 교환 플럭스는 특정 네트워크에 출입하는 대사물에만 할당됩니다.네트워크 내에서 소비되는 대사물에는 교환 플럭스 값이 할당되지 않습니다.또, 효소와 함께 교환 플럭스는 음에서 양의 값(예를 들면 -10~10)에 이르는 제약을 가질 수 있다.

또한 이 특별한 접근방식은 균형 반응에 플럭스를 제공함으로써 반응 화학량계가 예측과 일치하는지 여부를 정확하게 정의할 수 있다.또한 플럭스 밸런스 분석은 특정 목적 함수를 달성하기 위해 네트워크를 통과하는 가장 효과적이고 효율적인 경로를 강조할 수 있습니다.또한 플럭스 밸런스 분석을 사용하여 유전자 녹아웃 연구를 수행할 수 있다.제거가 필요한 유전자와 관련된 효소는 0의 제약값을 부여받는다.그 후 특정 효소가 촉매하는 반응은 분석에서 완전히 제거된다.

동적 시뮬레이션 및 파라미터 추정

이러한 네트워크에서 동적 시뮬레이션을 수행하기 위해서는 각 대사물의 농도 또는 양의 변화율을 설명하는 일반 미분 방정식 시스템을 구축할 필요가 있다.이를 위해 속도 법칙, 즉 모든 반응물의 농도에 따라 반응 속도를 결정하는 운동 방정식이 각 반응마다 필요하다.COPASI 또는 SBML 시뮬레이터와 같은 수치 적분자를 포함하는 소프트웨어 패키지는 초기 조건에 따라 시스템 역학을 시뮬레이션할 수 있습니다.종종 이러한 속도 법칙은 값이 불확실한 운동 매개변수를 포함합니다.대부분의 경우 주어진 대사물 농도의 시계열 데이터와 관련하여 이러한 매개변수 값을 추정하는 것이 바람직하다.그러면 시스템은 주어진 데이터를 재생하게 됩니다.이를 위해 주어진 데이터 세트와 시뮬레이션 결과 사이의 거리, 즉 수치적으로 또는 경우에 따라서는 미분방정식 시스템의 해석적으로 얻은 해를 계산한다.그런 다음 매개 변수 값이 이 [37]거리를 최소화하는 것으로 추정됩니다.한 걸음 더 나아가 실제 속도 법칙이 연구 대상 시스템 내의 반응에 대해 알려지지 않았기 때문에 미분 방정식 시스템의 수학적 구조를 추정하는 것이 바람직할 수 있다.이를 위해 SBMLsquezer 프로그램을 사용하면 네트워크와의 모든 반응에 대해 적절한 환율법을 자동으로 작성할 수 있습니다.[38]

통합 접근성

합성 접근성은 네트워크 시뮬레이션에 대한 단순한 접근법이며, 목표는 어떤 대사 유전자의 녹아웃이 치명적인지를 예측하는 것입니다.합성 접근성 접근방식은 대사 네트워크의 토폴로지를 사용하여 대사 네트워크 그래프를 통과하는 데 필요한 최소 단계의 합계를 환경으로부터 유기체가 사용할 수 있는 대사물로부터 유기체가 생존하기 위해 필요한 출력, 대사물까지 계산합니다.유전자 녹아웃을 시뮬레이션하기 위해 유전자에 의해 활성화된 반응을 네트워크에서 제거하고 합성 접근성 메트릭을 다시 계산한다.전체 단계 수가 증가하면 사망률이 발생할 것으로 예상됩니다.Wunderlich와 Mirny는 다양한 [39]매체에서 기본 모드 분석 및 플럭스 밸런스 분석뿐만 아니라 대장균과 S. 세레비시아에 KO 치사율을 예측한 이 단순하고 매개 변수가 없는 접근방식을 보여주었다.

재건 신청

  • 유기체의 대사 정보에 관한 유전자, 효소, 반응 데이터베이스 및 출판된 문헌 출처 사이에 몇 가지 불일치가 존재한다.재구성은 모든 불일치를 고려한 다양한 소스의 데이터를 체계적으로 검증하고 컴파일하는 것이다.
  • 유기체의 관련 대사 및 게놈 정보의 조합.
  • 대사 비교는 같은 종의 다양한 유기체 간뿐만 아니라 다른 유기체 간에도 수행될 수 있다.
  • 인공[40] 치사율 분석
  • 적응형 진화[41] 결과 예측
  • 고부가가치 산출물을 위해 대사 공학에서 사용

재구성과 그에 대응하는 모델은 특정 효소 활성의 존재와 실험적으로 시험할 수 있는 대사물의 생산에 대한 가설을 공식화할 수 있도록 하며, 가설 주도형 [42]연구로 전통적인 미생물 생화학에 대한 일차적인 발견 기반 접근법을 보완한다.이러한 실험 결과는 새로운 경로와 대사 활동을 밝혀내고 이전 실험 데이터의 불일치를 해독할 수 있다.신진대사의 화학 반응과 다양한 대사 특성의 유전적 배경(기능에 대한 구조)에 대한 정보는 유전자 공학자에 의해 유기체를 수정하여 그것들이 의약품과 같은 의학적으로 관련이 있는지 여부에 관계없이 높은 가치의 산출물을 생산하기 위해 사용될 수 있다; te와 같은 고가의 화학적 중간체Rpenoids 및 이소프레노이드,[43] 또는 바이오 연료와 같은 바이오 기술 산출물.

대사 네트워크 재구성 및 모델은 유기체 또는 기생충이 숙주 세포 내에서 어떻게 기능하는지 이해하기 위해 사용됩니다.예를 들어, 만약 기생충이 대식세포를 용해시킴으로써 면역체계를 손상시키는 역할을 한다면, 대사 재구성/시뮬레이션의 목표는 대식세포 내에서 유기체의 증식에 필수적인 대사물을 결정하는 것이다.만약 증식 주기가 억제된다면, 기생충은 숙주의 면역 체계를 계속 피해가지 않을 것이다.재건 모델은 질병을 둘러싼 복잡한 메커니즘을 해독하는 첫 번째 단계 역할을 한다.이 모델들은 또한 세포가 독성을 유지하는데 필요한 최소한의 유전자를 볼 수 있다.다음 단계는 재건 모델에서 생성된 예측과 전제를 사용하고 이를 약물 공학 및 약물 전달 기술과 같은 새로운 생물학적 기능을 발견하는 데 적용하는 것이다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b c d e Francke, Christof; Siezen, Roland J.; Teusink, Bas (2005). "Reconstructing the metabolic network of a bacterium from its genome". Trends in Microbiology. 13 (11): 550–558. doi:10.1016/j.tim.2005.09.001. PMID 16169729.
  2. ^ a b c Thiele, Ines; Bernhard Ø Palsson (January 2010). "A protocol for generating a high-quality genome-scale metabolic reconstruction". Nature Protocols. 5 (1): 93–121. doi:10.1038/nprot.2009.203. PMC 3125167. PMID 20057383.
  3. ^ a b Fleischmann, R. D.; Adams, M. D.; White, O; Clayton, R. A.; Kirkness, E. F.; Kerlavage, A. R.; Bult, C. J.; Tomb, J. F.; Dougherty, B. A.; Merrick, J. M. (1995). "Whole-genome random sequencing and assembly of Haemophilus influenzae Rd". Science. 269 (1995): 496–512. Bibcode:1995Sci...269..496F. doi:10.1126/science.7542800. PMID 7542800. S2CID 10423613.
  4. ^ The C. elegans Sequencing Consortium (1998). "Genome Sequence of the Nematode C. elegans: A Platform for Investigating Biology". Science. 282 (5396): 2012–2018. Bibcode:1998Sci...282.2012.. doi:10.1126/science.282.5396.2012. PMID 9851916. S2CID 16873716.
  5. ^ Edwards, J. S.; et al. (May 2000). "The Escherichia coli MG1655 in silico metabolic genotype: Its definition, characteristics, and capabilities". PNAS. 97 (10): 5528–5533. Bibcode:2000PNAS...97.5528E. doi:10.1073/pnas.97.10.5528. PMC 25862. PMID 10805808.
  6. ^ Förster J, Famili I, Fu P, Palsson BØ, Nielsen J (February 2003). "Genome-Scale Reconstruction of the Saccharomyces cerevisiae Metabolic Network". Genome Research. 13 (2): 244–253. doi:10.1101/gr.234503. PMC 420374. PMID 12566402.
  7. ^ Sheikh, Kashif; et al. (January 2005). "Modeling Hybridoma Cell Metabolism Using a Generic Genome-Scale Metabolic Model of Mus musculus". Biotechnology Progress. 21 (1): 112–121. doi:10.1021/bp0498138. PMID 15903248. S2CID 38627979.
  8. ^ Romero, Pedro; Jonathan Wagg; Michelle L Green; Dale Kaiser; Markus Krummenacker; Peter D Karp (June 2004). "Computational prediction of human metabolic pathways from the complete human genome". Genome Biology. 6 (1): R2. doi:10.1186/gb-2004-6-1-r2. PMC 549063. PMID 15642094.
  9. ^ Duarte, N. C.; et al. (January 2007). "Global reconstruction of the human metabolic network based on genomic and bibliomic data". PNAS. 104 (6): 1777–1782. Bibcode:2007PNAS..104.1777D. doi:10.1073/pnas.0610772104. PMC 1794290. PMID 17267599.
  10. ^ Jamshidi, Neema; B. O. Palsson (June 2007). "Investigating the metabolic capabilities of Mycobacterium tuberculosis H". BMC Systems Biology. 1: 26. doi:10.1186/1752-0509-1-26. PMC 1925256. PMID 17555602.
  11. ^ Oh, Y.-K.; et al. (September 2007). "Genome-scale Reconstruction of Metabolic Network in Bacillus subtilis Based on High-throughput Phenotyping and Gene Essentiality Data". Journal of Biological Chemistry. 282 (39): 28791–28799. doi:10.1074/jbc.M703759200. PMID 17573341.
  12. ^ Fu, Pengcheng (October 2008). "Genome-scale modeling of Synechocystis sp. PCC 6803 and prediction of pathway insertion". Journal of Chemical Technology and Biotechnology. 84 (4): 473–483. doi:10.1002/jctb.2065.
  13. ^ Raghunathan, Anu; et al. (April 2009). "Constraint-based analysis of metabolic capacity of Salmonella typhimurium during host-pathogen interaction". BMC Systems Biology. 3: 38. doi:10.1186/1752-0509-3-38. PMC 2678070. PMID 19356237.
  14. ^ de Oliveira Dal'Molin, C. G.; Quek, L.-E.; Palfreyman, R. W.; Brumbley, S. M.; Nielsen, L. K. (February 2010). "AraGEM, a Genome-Scale Reconstruction of the Primary Metabolic Network in Arabidopsis". Plant Physiology. 152 (2): 579–589. doi:10.1104/pp.109.148817. PMC 2815881. PMID 20044452.
  15. ^ Norsigian, Charles J.; Pusarla, Neha; McConn, John Luke; Yurkovich, James T.; Dräger, Andreas; Palsson, Bernhard O.; King, Zachary A. (2020). "BiGG Models 2020: multi-strain genome-scale models and expansion across the phylogenetic tree". Nucleic Acids Research. 48 (D1): D402–D406. doi:10.1093/nar/gkz1054. PMC 7145653. PMID 31696234.
  16. ^ Karp; et al. (January 2010). "Pathway Tools version 13.0: Integrated Software for Pathway/Genome Informatics and Systems Biology". Briefings in Bioinformatics. 11 (1): 40–79. arXiv:1510.03964. doi:10.1093/bib/bbp043. PMC 2810111. PMID 19955237.
  17. ^ Wrzodek, Clemens; Büchel, Finja; Ruff, Manuel; Dräger, Andreas; Zell, Andreas (2013). "Precise generation of systems biology models from KEGG pathways". BMC Systems Biology. 7 (1): 15. doi:10.1186/1752-0509-7-15. PMC 3623889. PMID 23433509.
  18. ^ Wrzodek, Clemens; Dräger, Andreas; Zell, Andreas (23 June 2011). "KEGGtranslator: visualizing and converting the KEGG PATHWAY database to various formats". Bioinformatics. 27 (16): 2314–2315. doi:10.1093/bioinformatics/btr377. PMC 3150042. PMID 21700675.
  19. ^ Chaouiya, Claudine; Bérenguier, Duncan; Keating, Sarah M; Naldi, Aurélien; van Iersel, Martijn P; Rodriguez, Nicolas; Dräger, Andreas; Büchel, Finja; Cokelaer, Thomas; Kowal, Bryan; Wicks, Benjamin; Gonçalves, Emanuel; Dorier, Julien; Page, Michel; Monteiro, Pedro T; von Kamp, Axel; Xenarios, Ioannis; de Jong, Hidde; Hucka, Michael; Klamt, Steffen; Thieffry, Denis; Le Novère, Nicolas; Saez-Rodriguez, Julio; Helikar, Tomáš (2013). "SBML qualitative models: a model representation format and infrastructure to foster interactions between qualitative modelling formalisms and tools". BMC Systems Biology. 7 (1): 135. arXiv:1309.1910. Bibcode:2013arXiv1309.1910C. doi:10.1186/1752-0509-7-135. PMC 3892043. PMID 24321545.
  20. ^ Henry, CS; DeJongh M; Best AA; Frybarger PM; Linsay B; Stevens RL (September 2010). "High-throughput Generation and Optimization of Genome-scale Metabolic Models". Nature Biotechnology. 28 (9): 977–982. doi:10.1038/nbt.1672. PMID 20802497. S2CID 6641097.
  21. ^ Chindelevitch, Leonid; Sarah Stanley; Deborah Hung; Aviv Regev; Bonnie Berger (January 2012). "MetaMerge: scaling up genome-scale metabolic reconstructions with application to Mycobacterium tuberculosis". Genome Biology. 13 (r6): R6. doi:10.1186/gb-2012-13-1-r6. PMC 3488975. PMID 22292986.
  22. ^ Pitkänen, E; Jouhten P.; Hou J.; Syed M.F.; Blomberg P.; Kludas J.; Oja M.; Holms L.; Penttilä M.; Rousu J.; Arvas M. (February 2014). "Comparative genome-scale reconstruction of gapless metabolic networks for present and ancestral species". PLOS Computational Biology. 10 (2): e1003465. Bibcode:2014PLSCB..10E3465P. doi:10.1371/journal.pcbi.1003465. PMC 3916221. PMID 24516375.
  23. ^ Castillo, S; Barth D.; Arvas M.; Pakula T.; Pitkänen E.; Blomberg P.; Seppanen-Laakso T.; Nygren H.; Sivasiddarthan D.; Penttilä M.; Merja O. (November 2016). "Whole-genome metabolic model of Trichoderma reesei built by comparative reconstruction". Biotechnology for Biofuels. 9: 252. doi:10.1186/s13068-016-0665-0. PMC 5117618. PMID 27895706.
  24. ^ a b Ivanova, N.; A. Lykidis (2009). Metabolic Reconstruction. Encyclopedia of Microbiology, 3rd Ed. pp. 607–621. doi:10.1016/B978-012373944-5.00010-9. ISBN 9780123739445.
  25. ^ Linster, Carole L.; Van Schaftingen, Emile; Hanson, Andrew D. (2013-02-01). "Metabolite damage and its repair or pre-emption". Nature Chemical Biology. 9 (2): 72–80. doi:10.1038/nchembio.1141. ISSN 1552-4469. PMID 23334546.
  26. ^ Hanson, Andrew D.; Henry, Christopher S.; Fiehn, Oliver; de Crécy-Lagard, Valérie (2015-11-19). "Metabolite Damage and Metabolite Damage Control in Plants". Annual Review of Plant Biology. 67: 131–52. doi:10.1146/annurev-arplant-043015-111648. ISSN 1545-2123. PMID 26667673.
  27. ^ Papin, JA; Stelling, J; Price, ND; Klamt, S; Schuster, S; Palsson, BO (Aug 2004). "Comparison of network-based pathway analysis methods". Trends Biotechnol. 22 (8): 400–5. doi:10.1016/j.tibtech.2004.06.010. PMID 15283984.
  28. ^ Lewis, N.E.; Nagarajan, H.; Palsson (2012). "Constraining the metabolic genotype–phenotype relationship using a phylogeny of in silico methods". Nature Reviews Microbiology. 10 (4): 291–305. doi:10.1038/nrmicro2737. PMC 3536058. PMID 22367118.
  29. ^ CoBRA 방법 - 제약 조건 기반 분석
  30. ^ a b c d Price, Nathan; Jennifer Reed; Jason Papin; Sharon Wiback; Bernhard O Palsson (November 2003). "Network-based analysis of metabolic regulation in the human red blood cell". Journal of Theoretical Biology. 225 (2): 185–194. Bibcode:2003JThBi.225..185P. doi:10.1016/s0022-5193(03)00237-6. PMID 14575652.
  31. ^ Papin, Jason; Nathan Price; Bernhard O Palsson (December 2002). "Extreme Pathway Lengths and Reaction Participation in Genome-Scale Metabolic Networks". Genome Research. 12 (12): 1889–1900. doi:10.1101/gr.327702. PMC 187577. PMID 12466293.
  32. ^ a b Papin, Jason; Nathan Price; Bernhard O Palsson (August 2004). "Comparison of network-based pathway analysis methods". Trends in Biotechnology. 22 (8): 400–405. doi:10.1016/j.tibtech.2004.06.010. PMID 15283984.
  33. ^ a b Schuster, S; Fell DA; Dandekar T (March 2000). "A general definition of metabolic pathways useful for systematic organization and analysis of complex metabolic networks". Nature Biotechnology. 18 (3): 326–332. doi:10.1038/73786. PMID 10700151. S2CID 7742485.
  34. ^ a b c Stelling, J; Klamt S; Bettenbrock K; Schuster S; Gilles ED (November 2002). "Metabolic network structure determines key aspects of functionality and regulation". Nature. 420 (6912): 190–193. Bibcode:2002Natur.420..190S. doi:10.1038/nature01166. PMID 12432396. S2CID 4301741.
  35. ^ Ullah, E; Aeron S; Hassoun S (2015). "gEFM: An Algorithm for Computing Elementary Flux Modes Using Graph Traversal". IEEE/ACM Transactions on Computational Biology and Bioinformatics. 13 (1): 122–34. doi:10.1109/TCBB.2015.2430344. PMID 26886737.
  36. ^ Larhlimi, A; Bockmayr, A. (2009). "A new constraint-based description of the steady-state flux cone of metabolic networks". Discrete Applied Mathematics. 157 (10): 2257–2266. doi:10.1016/j.dam.2008.06.039.
  37. ^ Dräger, A; Kronfeld M; Ziller MJ; Supper J; Planatscher H; Magnus JB; Oldiges M; Kohlbacher O; Zell A (January 2009). "Modeling metabolic networks in C. glutamicum: a comparison of rate laws in combination with various parameter optimization strategies". BMC Systems Biology. 3 (5): 5. doi:10.1186/1752-0509-3-5. PMC 2661887. PMID 19144170.
  38. ^ Dräger, Andreas; Hassis, Nadine; Supper, Jochen; Schröder, Adrian; Zell, Andreas (2008). "SBMLsqueezer: A CellDesigner plug-in to generate kinetic rate equations for biochemical networks". BMC Systems Biology. 2 (1): 39. doi:10.1186/1752-0509-2-39. PMC 2412839. PMID 18447902.
  39. ^ Wunderlich, Z; Leonid Mirny (September 2006). "Using the topology of metabolic networks to predict viability of mutant strains". Biophysical Journal. 91 (6): 2304–11. Bibcode:2006BpJ....91.2304W. doi:10.1529/biophysj.105.080572. PMC 1557581. PMID 16782788.
  40. ^ Costanzo, M; et al. (2010). "The Genetic Landscape of a Cell". Science. 327 (5964): 425–431. Bibcode:2010Sci...327..425C. doi:10.1126/science.1180823. PMC 5600254. PMID 20093466.
  41. ^ Fong, SS; Marciniak JY; Palsson BØ (November 2003). "Description and interpretation of adaptive evolution of Escherichia coli K-12 MG1655 by using a genome-scale in silico metabolic model". Journal of Bacteriology. 185 (21): 6400–6408. doi:10.1128/JB.185.21.6400-6408.2003. PMC 219384. PMID 14563875.
  42. ^ Ivanova, A; A. Lykidis (2009). Metabolic Reconstruction. Encyclopedia of Microbiology, 3rd Edition. pp. 607–621. doi:10.1016/B978-012373944-5.00010-9. ISBN 9780123739445.
  43. ^ Whitmore, Leanne (2019). "RetSynth: determining all optimal and sub-optimal synthetic pathways that facilitate synthesis of target compounds in chassis organisms". BMC Bioinformatics. 20 (1): 461. doi:10.1186/s12859-019-3025-9. PMC 6734243. PMID 31500573.

추가 정보

  1. Overbeek R, Larsen N, Walunas T, D'Souza M, Pusch G, Selkov Jr, Liolios K, Joukov V, Kaznadzey D, Anderson I, Bhattacharyya A, Burd H, Gardner W, H, Han Pke, Ha Kapke, Kapke핵산 제31(1)호:164-71
  2. 휘태커, J.W., 레튜닉, I. 맥콘키, G.A., 웨스트헤드, D.R. 메타TIGER: 대사 진화 자원.핵산연구 2009 37: D531-8.

외부 링크