Entwicklung neuer Methoden zur Integration thermodynamischer und enzymatischer Nebenbedingungen in der constraint-basierten metabolischen Modellierung

Abstract

Mithilfe der constraint-basierten Modellierung ist es möglich, zentrale Aspekte des Stoffwechsels von Organismen mathematisch abzubilden, zu analysieren und vorherzusagen. In den letzten 4 Jahrzehnten hat sich dabei eine Vielzahl an Methoden der constraint-basierten Modellierung entwickelt, die ihrerseits auf eine Vielzahl biochemischer und physikalischer Daten zurückgreifen können. In dieser Arbeit werden drei neue Methoden der constraint-basierten Modellierung vorgestellt: Die erste neue Methode ist sMOMENT, mit der enzymatische Nebenbedingungen in constraint-basierte Modelle integriert werden können, wobei nur eine minimale Erweiterung des Modells erforderlich ist. Dadurch kann die Größe metabolischer Modelle mit enzymatischen Nebenbedingungen im Vergleich zu entsprechenden bisherigen Methoden deutlich reduziert werden. Hiervon profitieren insbesondere rechenintensive Analysen und Methoden. Als Referenzimplementierung von sMOMENT wurde zudem das Programmpaket AutoPACMEN entwickelt, mit dem es erstmals möglich wurde, gleichzeitig relevante enzymatische Daten zu sammeln, und daraus ein Modell mit enzymatischen Nebenbedingungen zu erstellen und zu kalibrieren. AutoPACMEN und sMOMENT wurden exemplarisch an einem genomskaligen Modell von Escherichia coli angewendet. Das so erstellte Modell kann unter anderem sowohl unter aeroben, als auch anaeroben Bedingungen den Überlaufstoffwechsel von E. coli erfolgreich vorhersagen. Die zweite neue Methode ist TCOSA. Sie verwendet das Konzept der netzwerkweiten thermodynamischen Triebkräfte um die Relevanz redundanter Cofaktorpaare zu analysieren. Durch die Anwendung von TCOSA auf ein genomskaliges Modell von E. coli und dessen NAD(P)(H)-Reaktionsspezifitäten konnte gezeigt werden, dass die Evolution dieser Spezifitäten offensichtlich stark durch thermodynamische Einschränkungen beeinflusst wurde. Darüber hinaus konnten mit diesem Modell in vivo auftretende qualitative Trends der Redoxzustände von NAD(H) sowie NADP(H) vorhergesagt werden. Weiterhin konnte gezeigt werden, dass die Anwesenheit von mehr als zwei Cofaktorpaaren nur dann thermodynamisch sinnvoll erscheint, wenn das Standard-Redoxpotential des dritten Cofaktorpaares im Vergleich zu NAD(P)(H) erniedrigt ist. Die dritte neue Methode ist ASTHERISC. Mit ihrer Hilfe können thermodynamisch vorteilhafte Produktsynthesewege in Gemeinschaften mehrerer Stämme einer Spezies im Vergleich zu Einzelstämmen vorhergesagt werden. ASTHERISC basiert ebenfalls auf netzwerkweiten thermodynamischen Triebkräften und wurde exemplarisch sowohl auf reduzierte, als auch genomskalige Modelle von E. coli angewendet. Dabei konnte eine Vielzahl an Metaboliten identifiziert werden, für deren Synthese ein potentieller thermodynamischer Vorteil besteht, wenn diese in einer Gemeinschaft produziert werden. Die grundsätzlichen theoretischen Annahmen von ASTHERISC und dem damit vorhersagbaren thermodynamischen Gemeinschaftsvorteil wurden zusätzlich an minimalen Stoffwechselmodellen sowohl analytisch als auch in einem kinetischen Modell überprüft. Alle drei neuen Methoden können somit wertvolle Beiträge zur grundlegenden Theorie und zur biotechnologischen Anwendung constraint-basierter Modellierungstechniken liefern.

Constraint-based modeling makes it possible to mathematically represent, analyze, and predict the metabolism of organisms. In the last 4 decades, a variety of constraint-based modeling methods have been developed. These methods make use of a wide range of biochemical and physical data. In this work, three new constraint-based modeling methods are presented: The first new method is sMOMENT, which allows enzymatic constraints to be integrated into constraint-based models with only a minimal expansion of the model itself. Thus, the size of metabolic models with enzymatic constraints can be greatly reduced compared to previous methods with enzymatic constraints. This advantage, in turn, can significantly reduce the runtime of computationally expensive analyses and methods on these models. As a reference implementation of sMOMENT, the AutoPACMEN software package has been developed, which is the first such package that allows the user to simultaneously collect relevant enzymatic data, build an enzymatically constrained model, and calibrate the model. As an example, AutoPACMEN and sMOMENT have been applied to a genome-scale model of Escherichia coli. The resulting model can successfully predict the overflow metabolism of E. coli under both aerobic and anaerobic conditions. The second new method is TCOSA. It uses the notion of network-wide thermodynamic driving forces to analyze the relevance of redundant cofactor pairs. By applying TCOSA to a genome-scale model of E. coli and its NAD(P)(H) reaction specificities, it was shown that the evolution of these specificities is apparently strongly shaped by thermodynamic constraints. In addition, this model could be used to predict qualitative in vivo trends in the redox states of NAD(H) and NADP(H). Furthermore, it was shown that the presence of more than two cofactor pairs is thermodynamically advantageous only if the standard redox potential of a third cofactor pair is lowered with respect to NAD(P)(H). The third new method is ASTHERISC. It allows the prediction of thermodynamically favorable product synthesis pathways with multi-strain communities of a species compared to single-strain solutions. ASTHERISC is also based on network-wide thermodynamic driving forces and has been applied to reduced and genome-scale models of E. coli. This analysis identified numerous metabolites for which there is a thermodynamic community advantage. In addition, the basic theoretical assumptions of ASTHERISC and the associated predicted thermodynamic community advantage were tested on minimal metabolic models by analytical means and a kinetic model. Thus, all three new methods can make fruitful contributions to the basic theory and biotechnological application of constraint-based modeling techniques.