最大ネットワーク柔軟性パラダイムを用いた代謝フラックスの推定

Estimating Metabolic Fluxes Using a Maximum Network Flexibility Paradigm.

• Wout Megchelenbrink
• Sergio Rossell
• Martijn A Huynen
• Richard A Notebaart
• Elena Marchiori

抄録

モチベーション:

ゲノムスケールの代謝ネットワークは、制約に基づいた方法でモデル化することができます。反応の化学量論とフラックス容量の制約を組み合わせることで、許容される反応速度の空間が決定されます。この空間は大規模であることが多く、代謝モデリングの中心的な課題は、生物学的に最も適切なフラックス分布を見つけることです。広く使用されている方法は、フラックスバランス解析（FBA）であり、成長やATP生産などの生物学的に関連する目的を最適化します。FBAは成長や副産物分泌の予測に非常に有用であることが証明されていますが、すべての環境条件で細胞内フラックスを予測することはできません。したがって、実験的な"オミックス"データと一致するフラックス分布を選択するために、または実験的なフラックス測定を組み込むことによって、代替戦略が開発されてきた。後者は、残念ながら限られた反応にしか適用できず、現在のところゲノムスケールでは実現不可能である。一方で、微生物は、より「柔軟な」代謝ネットワークと引き換えに、最適でない成長速度を好むことが観察されている。内部ネットワークの状態をある条件で最適な成長率に捧げる代わりに、他の栄養源への切り替えを容易にするための最適以下の成長率が使用されています。成長率の小さな減少は、変化する環境条件に適応するための代謝能力の比較的大きな利得と交換されます。

MOTIVATION: Genome-scale metabolic networks can be modeled in a constraint-based fashion. Reaction stoichiometry combined with flux capacity constraints determine the space of allowable reaction rates. This space is often large and a central challenge in metabolic modeling is finding the biologically most relevant flux distributions. A widely used method is flux balance analysis (FBA), which optimizes a biologically relevant objective such as growth or ATP production. Although FBA has proven to be highly useful for predicting growth and byproduct secretion, it cannot predict the intracellular fluxes under all environmental conditions. Therefore, alternative strategies have been developed to select flux distributions that are in agreement with experimental "omics" data, or by incorporating experimental flux measurements. The latter, unfortunately can only be applied to a limited set of reactions and is currently not feasible at the genome-scale. On the other hand, it has been observed that micro-organisms favor a suboptimal growth rate, possibly in exchange for a more "flexible" metabolic network. Instead of dedicating the internal network state to an optimal growth rate in one condition, a suboptimal growth rate is used, that allows for an easier switch to other nutrient sources. A small decrease in growth rate is exchanged for a relatively large gain in metabolic capability to adapt to changing environmental conditions.

結果:

ここでは、この観測結果を利用して、最も可能性の高い細胞内フラックス分布を見つけるための計算手法であるMaximum Metabolic Flexibility (MMF)を提案する。中心代謝から得られたフラックスデータを大腸菌とサッカロミセス・セレビシエのゲノムスケールモデルにマッピングすることで、i)実際に測定されたフラックスのほとんどがネットワークの高い適応性と一致していることを示す。ii) この結果は、実現可能な解の空間をさらに縮小するために使用することができる iii) この縮小された空間は、FBAによって行われた定量的な予測を改善し、一様なサンプリング・アプローチによって縮小されたフラックス空間と比較して、測定されたフラックスのかなり大きな割合を含む iv) MMFは、定常状態のフラックス空間に最も寄与するネットワーク内の反応を選択するために使用することができる。選択された反応を制約することで、よりナイーブなアプローチを用いて選択された等量のフラックス制約を追加するよりも、FBAの定量的な予測が大幅に改善されます。我々の手法は、事前情報を必要とせずに、どのような細胞タイプにも適用することができます。

RESULTS: Here, we propose Maximum Metabolic Flexibility (MMF) a computational method that utilizes this observation to find the most probable intracellular flux distributions. By mapping measured flux data from central metabolism to the genome-scale models of Escherichia coli and Saccharomyces cerevisiae we show that i) indeed, most of the measured fluxes agree with a high adaptability of the network, ii) this result can be used to further reduce the space of feasible solutions iii) this reduced space improves the quantitative predictions made by FBA and contains a significantly larger fraction of the measured fluxes compared to the flux space that was reduced by a uniform sampling approach and iv) MMF can be used to select reactions in the network that contribute most to the steady-state flux space. Constraining the selected reactions improves the quantitative predictions of FBA considerably more than adding an equal amount of flux constraints, selected using a more naïve approach. Our method can be applied to any cell type without requiring prior information.

利用可能性:

MMFはMATLABプラグインとして http://cs.ru.nl/~wmegchel/mmf で自由に利用できる。

AVAILABILITY: MMF is freely available as a MATLAB plugin at: http://cs.ru.nl/~wmegchel/mmf.