Informace

Jak napsat stechiometrickou matici pro část pentosové fosfátové dráhy


možná je to více bioinženýrství než biologie, ale žádnou takovou skupinu jsem nenašel.

Tak jsem dostal následující fotografii:

A byl jsem požádán, abych pro síť uvnitř červené oblasti udělal následující.
1) Napište stechiometrickou matici pro síť
2) Nakreslete mapu cesty pro síť
3) Nakreslete mapy připojení primárního metabolitu
4) Napište rovnice hmotnostní bilance pro primární metabolity

Vím, že u prvního jsou sloupce reakce, které probíhají, a řádky jsou "chemikálie". Mělo by být označení ve sloupcích stejné jako čísla napsaná u každé reakce? (jako „3.1.1.31“) Téměř každá reakce může probíhat oběma směry, existuje něco, co říká, která chemikálie by měla dostat minus a která plus? Můj pokus o matici byl:

Pokud jde o mapu cesty, není to v podstatě daná fotografie?
A nakonec, co by v tomto případě bylo „primárním metabolitem“?

Veškerá pomoc a rady jsou velmi ceněny!


Toto není zvlášť dobře napsaná otázka na domácí úkol. Pokusím se poskytnout nějaké rady podle toho, jak to interpretuji.

1) Stechiometrická matice. Máte přesně tu správnou představu. Reakce bych místo EC čísel (např. G6PD nebo G6P dehydrogenase místo 1.1.1.49) napsal jako názvy enzymů nebo názvy genů. U reverzibilních reakcí není a priori důvod psát je jedním nebo druhým směrem, ale konvencí by bylo, aby spotřeba glukózy byla pozitivním směrem. "Glykolýzu" bych nezařadil jako samostatnou reakci. Také bych zvážil zahrnutí kofaktorů a vedlejších produktů do molekul ovlivněných reakcí (např. CO2, NADP+, NADPH, (možná ADP, ATP, NAD+, NADH také, pokud se objeví)).

2) Ano, je to v podstatě to, co již máte. Není to nijak zvlášť skvělý diagram, takže byste jej mohli nakreslit jasnějším způsobem.

3) Netuším, co to znamená, ale snad pomůže další bod.

4) Primární metabolit není úplně přesně definovaný termín, ale myslím si, že v této souvislosti bych řekl, že způsob, jakým tuto otázku zamýšlejí, hledá „reakci celkové dráhy“, která popisuje čisté vstupy a výstupy cesty.

Něco takového:

$$ X_1 G6P + X_2 NADP + implikuje X_3 GAP + X_4 FBP + X_5 CO_2 + X_6 NADPH $$ (G6P = Glukóza-6-fosfát, GAP = Glyceraldehyd-3-fosfát, FBP = Fruktóza-bis-fosfát)

Nechám na vás, abyste zjistili, jaké jsou X nebo zda jsem něco vynechal (protože je to koneckonců domácí úkol.)


Porozumění příčinám a důsledkům endoteliální metabolické variace u kardiovaskulárních chorob prostřednictvím metabolického modelování v genomovém měřítku

Vysoce výkonné biochemické profilování vedlo k požadavku na pokročilé techniky interpretace dat, které jsou schopné integrovat analýzu genových, proteinových a metabolických profilů, aby osvětlily vztahy mezi genotypem a fenotypem. Zde zvažujeme současný stav znalostí o metabolismu endoteliálních buněk (EC) a jeho spojení s kardiovaskulárními chorobami (CVD) a zkoumáme využití genomových metabolických modelů (GEM) pro integraci metabolických a genomických dat. GEM kombinují genovou expresi a metabolická data a fungují jako rámce pro jejich analýzu a nakonec umožňují mechanistické porozumění tomu, jak genetická variace ovlivňuje metabolismus. Ukazujeme, jak lze GEM použít ke zkoumání genetických variací souvisejících s CVD, mechanismů rezistence vůči lékům a nových metabolických cest v EC. Je také zdůrazněna aplikace GEM v personalizované medicíně. Zvláště se zaměřujeme na potenciál GEM identifikovat metabolické biomarkery endoteliální dysfunkce a objevit metody stratifikace léčby CVD na základě individuálních genetických markerů. Zdůrazněny jsou tedy nejnovější pokroky v metodologii systémové biologie a to, jak lze tyto metodiky použít k pochopení metabolismu ES ve zdraví i v nemoci.


Pozadí

Moderní kuřecí brojlerové (masové) kuře je produktem více než 60 let umělého výběru pro komerčně žádoucí vlastnosti, což má za následek jak zlepšenou účinnost krmení, tak výtěžnost prsních svalů. V současné době dosahují brojleři tržní hmotnosti za ¾ času, který trvalo v padesátých letech minulého století, přesto váží téměř dvakrát tolik než plemena z padesátých let minulého století, přičemž prsní sval představuje větší složku celkové ptačí hmotnosti [1]. Několik studií porovnávalo moderní linie s nevybranými liniemi z hlediska rychlosti růstu a účinnosti krmiva [2, 3]. V jedné takové studii porovnávající růst moderní linie brojlerů (Ross 708) se starší linií komerčních ptáků pro všeobecné použití, které nebyly vybrány od 50. let (UIUC) během prvních 5 týdnů po vylíhnutí, bylo zjištěno, že prsní sval obsahuje 18 a 9 % celkové tělesné hmotnosti [4]. Další změny v růstovém vzoru se projevují v jaterní alometrii. V obou liniích dosáhla relativní hmotnost jater podobného maxima přibližně 3,8% tělesné hmotnosti a poté začala klesat. Tento vrchol však nastal o týden dříve v moderním brojleru. Toto zjištění poskytlo část základu pro tuto studii, včetně selekce jater a prvních 3 týdnů po vylíhnutí, protože se předpokládalo, že dřívější nástup tohoto vrcholu nastal díky selekci na rychlý růst a důležité roli jater v metabolismu živin.

U mláďat dochází v důsledku líhnutí k drastickým fyziologickým změnám. Vyvíjející se embryo se zcela spoléhá na živiny ze žloutku [5,6,7]. Během pozdního embryonálního vývoje je velká část žloutkového lipidu absorbována a uložena v játrech, převážně jako cholesterylestery [8]. V 18. dni inkubace, 3 dny před líhnutím, tvoří lipidy 10% hmotnosti jater v důsledku absorpce a skladování živin ze žloutku [9]. Tento uložený lipid spolu se zbytkem žloutku poskytuje kuřeti živiny po líhnutí, ale do 5. dne po vylíhnutí bylo absorbováno 90% žloutkového lipidu [10]. Kuřatům je při líhnutí poskytována strava bohatá na uhlohydráty, protože půst během tohoto období omezuje potenciál raného růstu svalů kuřat [11]. Tyto časné změny ve zdroji živin, spojené s rychlým růstem, znamenají udržení metabolické homeorézy, což je hlavní problém, kterému čelí játra v prvních týdnech po vylíhnutí.

Vysoce výkonné transkriptomové analýzy poskytují snímky transkribovaných RNA v libovolném daném čase a jsou užitečné k identifikaci různě regulovaných genů mezi podmínkami nebo časovými body. Kombinace transkriptomiky s necílenou metabolomikou je účinný prostředek k odvození hypotéz o interakcích mezi transkriptomem a metabolomem. Integrace těchto dvou vysoce výkonných metod například identifikovala metabolické a signální dráhy reagující na tepelný stres v játrech moderních brojlerů [12]. Předchozí studie popsaly jaterní transkriptom moderního brojlera [13,14,15,16]. Jedna studie porovnávala jaterní transkriptom v šesti časových bodech během přechodu embrya na mládě, od 16denních embryí po 9denní kuřata [17]. Identifikovali mnoho metabolických cest v souladu s přechodem zdroje živin, kterým kuřata procházejí v prvním týdnu po vylíhnutí, zejména některé ovlivňující metabolismus lipidů. Další nedávná studie zkoumala změny v jaterním transkriptomu vyplývající z bezprostředního post-hatchovacího půstu a opětného krmení, identifikaci genů regulovaných lipogenním transkripčním faktorem THRSPA a přepínání mezi lipolytickými a lipogenními stavy [18].

V kritických prvních 3 týdnech po vylíhnutí nebyly provedeny žádné integrované vysokovýkonné studie moderní játra brojlerů za normálních podmínek. Molekulární změny, ke kterým dochází v tomto časovém období - metabolické hybnice rychlého růstu svalů a účinnost krmiva - jsou tedy špatně pochopeny. Jejich prozkoumání způsobem založeným na datech může objasnit nové znalosti o funkcích jater během raného růstu mláďat po vylíhnutí a také o tom, jak se vyvíjí samotná játra. V této práci pomocí integrace jaterního transkriptomu a metabolomu porovnáváme základní metabolické dráhy jater ve dvou časových bodech: 4. den (D4) a 20. den (D20) po vylíhnutí. Byly vybrány tak, aby zachytily metabolické přeprogramování potřebné k podpoře přechodu od spoléhání na skladovaný žloutek k orálně konzumovanému krmivu, které je základem rychlosti růstu a fenotypu moderního brojlera.


Výsledky a diskuse

Porovnali jsme náš algoritmus FIA s široce používaným softwarem MFA 13CFLUX [17], který se opírá o kumomerový přístup, a s novějším softwarem Open-FLUX [15], který je založen na přístupu EMU [14]. Abychom mohli metody porovnat, provedli jsme odhady toku pro různé dobře studované metabolické cesty. Náš první příklad je založen na tutoriálu, který Wiechert et al. poskytují se svým softwarem 13CFLUX: Embden-Meyerhof a Pentosofosfát metabolické dráhy Escherichia coli[17]. Tento příklad porovnává dobu běhu a robustnost obou algoritmů v reakci na vstupní šum. Náš druhý příklad porovnává výsledky a výkonnost FIA jak s adhoc metodou, tak s algoritmem OpenFLUX pro analýzu produkce lysinu pomocí C. glutamicum, jak popisuje Becker a kol. [18] a Quek et al. [15].

Srovnání FIA vs. 13CFLUX: Embden-Meyerhof a Pentose Phosphate Pathways

V této části zkoumáme síť představující Embden-Meyerhof a Pentosofosfát cesty z E-coli, který je založen na tutoriálu dodaném Wiechert et al. jako součást jejich softwarového balíčku 13CFLUX. Protože naše implementace FIA ​​nativně podporuje vstupní soubory 13CFLUX (tj. Soubory „FTBL“), lze pro oba algoritmy použít stejné vstupní soubory. (Všimněte si však, že FIA ​​nevyžaduje definici volných toků ani počáteční hodnoty, a proto jsou při importu jednoduše ignorovány). Obrázek 1 ukazuje jednoduchou síť použitou společně s nomenklaturou použitou v předchozích publikacích. Kromě struktury sítě jsou modely vybaveny měřením toku a izotopu, jak ukazuje tabulka 1.

Metabolické cesty E.Coli EMP a PPP. The Embden-Meyerhof a Pentosofosfát metabolické dráhy Escherichia coli.

Nejprve jsme prozkoumali výstup dvou algoritmů pro tradiční „bezhlučný“ vstupní soubor. Aby bylo možné spustit analýzu, 13CFLUX vyžaduje, aby uživatel definoval sadu „volných toků“ spolu s jejich přidruženými počátečními hodnotami [7]. Všimněte si, že špatný výběr volných toků nebo jejich přidružených hodnot může mít za následek špatný algoritmický výkon (jak v čase výpočtu, tak v přesnosti). Ve skutečnosti se podle různých počátečních odhadů algoritmus vůbec nesbíhal. Pokud jde o FIA, nic z výše uvedeného není vyžadováno. Protože síť spolu s danými měřeními jsou dobře definovány, v bezhlučném případě oba algoritmy vrátily podobné hodnoty pro jednosměrné toky, jak je vidět v tabulce 2. Některé mírné neshody byly pozorovány u obousměrných toků, které jsou horší identifikován.

Dále jsme porovnali citlivost algoritmů na hluk. V sérii 10 experimentů byl ke všem naměřeným hodnotám izotopomerů přidán bílý gaussovský šum a byly zaznamenány výstupy a časy výpočtu pro oba algoritmy. Jak je vidět na obrázku 2, jednosměrné toky zůstávají poměrně konstantní a téměř netrpí přidanou experimentální chybou (u obou algoritmů). Obousměrné toky jsou však ovlivněny přidaným hlukem. 13CFLUX trpí vyšším rozptylem odhadovaných hodnot než FIA (je tedy citlivější na přidaný hluk měření). Všimněte si toho, že rozdíl vzniká nejen díky použitému matematickému modelu, ale také kvůli stabilitním vlastnostem zvolené metody optimalizace.

Naměřené hodnoty toků. Obousměrné toky vypočítané pomocí FIA a 13CFLUX pro hlučné měřicí sady.

Dále jsme zkoumali výpočetní výkonnost těchto dvou metod. Tabulka 3 ukazuje dobu běhu algoritmu pro konvergenci (v sekundách). Průměrná doba běhu pro 13CFLUX byla 133 sekund, zatímco pro FIA byla tato doba 7 sekund. Poměr doby běhu (13CFLUX/FIA) pro jednotlivé experimenty se pohyboval mezi × 9 až × 75.

Srovnání FIA vs. OpenFLUX: Produkce lysinu C. glutamicum

V této části zkoumáme analýzu centrálního metabolismu dvou kmenů nadprodukujících lysin Corynebacterium glutamicum: ATCC 13032 (lysC fbr) a jeho PEFTUfbp mutant. Oba exprimují izoformy aspartokinázově rezistentní na zpětnou vazbu lysCzatímco tento je navíc zkonstruován tak, aby nadměrně exprimoval glykolytický enzym fruktóza-1,6-bisfosfatázu. Tento příklad je založen na měřeních poskytnutých Beckerem et al. [18], který implementoval ad hoc program pro odhad hodnot různých metabolických toků. Ve svém novějším článku představujícím softwarový balíček OpenFLUX [15] Quek a kol. rozhodli porovnat své výsledky s výsledky Beckera a kol. Proto budeme jejich srovnání rozšiřovat pomocí naší implementace FIA. Vstupní soubor pro FIA byl konstruován pomocí měření a struktury dráhy uvedených v [18] a [15]. Jak je popsáno v [15], publikované hmotnostní izotopomerové frakce byly modifikovány pro hmotnostní interferenci izotopů ne uhlíkového hlavního řetězce za použití molekulárního vzorce fragmentů aminokyselin. FIA podporuje automatické generování přirozeně se vyskytující izotopové korekční matice při dodání měřených molekulárních vzorců. Tím se upraví měřený vektor fluxomerů, který se objeví v objektivní funkci během procesu optimalizace. V případě potřeby je možné tuto funkci nepoužívat, ale naopak přímo dodat algoritmu opravené hodnoty měření.

Při porovnávání provozních časů FIA s OpenFLUX je třeba mít na paměti různé algoritmické přístupy obou. Zatímco OpenFLUX vyžaduje, aby mu uživatel dodával sady volných toků, FIA nevyžaduje žádné volné toky ani počáteční hodnoty. Open-FLUX rychle vyhodnocuje desítky různých optimalizačních cyklů s náhodnými počátečními hodnotami a hledá mezi nimi nejlepší výsledek, zatímco FIA používá pouze jeden jediný (delší) běh. Pravděpodobnost konvergence OpenFLUX jako taková závisí na počtu pokusů a náhodných hodnot generovaných během jeho provozu, zatímco výsledky FIA nezávisí na žádné náhodné hodnotě. Algoritmy založené na EMU navíc ve své analýze vyhodnocují pouze toky nezbytné pro srovnání měření, a proto jejich doba běhu závisí jak na struktuře metabolické sítě, tak na množství a umístění daných měření. FIA, na druhé straně, může dodávat celou sadu metabolických toků v daném okamžiku, bez dalších požadavků na výpočet (což závisí hlavně na struktuře sítě).

Měřené toky jako konstanty

Nejprve jsme spustili přesně stejnou simulaci jako Quek et al. provedeno v jejich článku. Poskytují velmi přesné (průměrná chyba v řádu 0,15 mol%) hodnoty pro měření štítků a používají dané naměřené toky, jako by šlo o bezhlučná měření (tedy jako konstanty). Začneme porovnáním času simulace pro tento jednoduchý případ. Podle [15] a jak jsme to ověřili pomocí našeho počítače, OpenFLUX vyžadoval 50 iterací po zhruba 16 sekundách, aby našel slušný minimální bod, tedy celkem asi 800 sekund. Analýza FIA přitom trvala 60 sekund pro počáteční analýzu a vytváření matic a dalších 300 sekund pro konvergenci, tedy 360 sekund jako celek. Pokud jde o výsledky simulace, jak je vidět v tabulce 4 a tabulce 5, toky jsou velmi blízké těm, které byly vypočteny dříve, a odhadované toky vrácené FIA měly nejnižší zbytkovou hodnotu ve srovnání s ostatními metodami.

Měřené toky jako měření

Můžeme také spustit stejnou optimalizaci, ale vážit daná měření toku jejich odchylkami. Při spuštění této optimalizace pomocí OpenFLUX (opět pomocí 50 iterací) se doba výrazně prodloužila a skončila přibližně za 48 minut. Pro FIA byla doba běhu naopak stejná jako dříve, tedy asi 6 minut. Při porovnávání výsledků algoritmů trpěl OpenFLUX vážnými problémy s konvergencí. Většina iterací skončila bez konvergence, zatímco ty, které konvergovaly, přinesly zbytečné výsledky, daleko od měření. FIA se naopak podařilo sblížit pro všechny scénáře. Pro dráhu produkující lysin divokého typu byly výsledky velmi blízké těm, které byly dříve (protože toky a měření byly docela přesné). U mutantního příkladu, který byl méně přesný, bylo snížení zbytkové hodnoty dosaženo malými změnami naměřených toků. tavidla a zbytkové hodnoty lze zkoumat v tabulce 4 a tabulce 5.

Použití nenormalizovaných měření MS

Nyní ukážeme, že FIA ​​může snadno použít neúplná nebo nenormální měření tím, že ve výše uvedeném příkladu prozkoumáme její výkon. Dodaná měření MS byla normalizována na n +1 páteřní atomy uhlíku měřených metabolitů. Namísto použití dodaných normalizovaných dat vynásobíme každou sadu měření metabolitů náhodným konstantním číslem. Simulujeme tím případ, kdy byly měřeny pouze první 3 (2 pro GLY) píky MS a nebyly normalizovány. Původní a dodané nenormalizované hodnoty měření lze nalézt v tabulce 4. Všimněte si, že hodnoty byly korigovány molekulárními vzorci měřených fragmentů (opět lze automaticky provést pomocí FIA). Při absenci normalizovaných dat poskytla FIA odhadované toky velmi blízké předchozím případům s velmi nízkými zbytkovými hodnotami, jak je vidět v tabulce 5. Doba běhu algoritmu nebyla změnou ovlivněna.


Aplikace strategie kontroly rozpuštěného kyslíku ke zvýšení exprese Streptococcus suis glutamát dehydrogenázy v Escherichia coli

Akumulace acetátu v Escherichia coli inhibuje růst buněk a požadovanou syntézu proteinů a hustota buněk a exprese proteinů se zvyšují snížením vylučování acetátu. Rozpuštěný kyslík (DO) je důležitým parametrem pro syntézu acetátu a akumulace acetátu nepřímo souvisí s hladinou DO.V této studii byl zkoumán účinek hladin DO na expresi glutamátdehydrogenázy (GDH) a poté byly testovány různé DO kontrolní strategie na účinky na expresi GDH. DO kontrolní strategie IV (50% 0–9 h, 30% 9–18 h) za předpokladu nejvyšší hustoty buněk (15,43 g/l) a koncentrace GDH (3,42 g/l), hodnoty 1,59- a 1,99krát vyšší než hodnoty dosaženo při 10% DO. Akumulace acetátu byla 2,24 g/l při strategii kontroly DO IV, což je pokles o 40,74% ve srovnání s dosaženým růstem při 10% DO. Navíc, v rámci strategie kontroly DO IV, došlo k nižší expresi PoxB, klíčového enzymu pro syntézu acetátu, na transkripční i translační úrovni. Současně byly pozorovány vyšší hladiny transkripce a exprese proteinů pro zkratový gen glyoxylátu (esoA), gen pro absorpci acetátu (acs), geny pro glukoneogensis a anaplerotické dráhy (pckA, ppsA, ppc, a sfcA) a gen cyklu TCA (gltA). Tok octanu s DO strategií IV byl 8,4%, což je pokles o 62,33% ve srovnání s tokem při 10% DO. Tento pokles představuje jak nižší tok pro syntézu acetátu, tak zvýšený tok znovu použitého acetátu.

Toto je náhled obsahu předplatného, ​​přístup prostřednictvím vaší instituce.


Metody

Chemické sloučeniny a reakce

Vytvořili jsme seznam chemických sloučenin se 2, 3 nebo 4 atomy uhlíku generováním všech možných lineárních kombinací 20 „stavebních bloků“ uvedených v doplňkové tabulce 2. Každý ze stavebních bloků byl složen z jednoho atomu uhlíku s přidruženým kyslíkem, hydroxylové, vodíkové, fosfátové a/nebo aminoskupiny. Stavební bloky byly spojeny dohromady v lineárních řetězcích jednoduchými nebo dvojitými vazbami. Tímto postupem bylo vytvořeno 1 966 lineárních molekul, z nichž 1 477 je elektrostaticky nabitých v roztoku, tj. Obsahujících alespoň jednu karboxylovou nebo fosfátovou skupinu. Těchto 1 477 molekul jsou naše vnitřní metabolity. Dále jsme u každého možného páru molekul z tohoto seznamu systematicky zkontrolovali, zda reakce z tabulky 1 (podrobnosti viz také doplňková tabulka 3) mohou transformovat jednu molekulu na druhou, což umožňuje všechny možné vazby s externími metabolity. Tímto způsobem byla vygenerována síť 7 940 reakcí.

Volné energie sloučenin a reakce

Pro ty interní metabolity, které jsou známými biochemickými druhy, standardní volné energie tvorby ΔFG byly převzaty z literatury 24. Pro jiné interní metabolity, pro které taková data neexistují, jsme použili variantu metody skupinového příspěvku 25,26,27,28, která odpovídá skutečnosti, že molekuly existují v roztoku jako rovnovážná směs různých iontových druhů. Pro každou takovou molekulu G1G2Gn, složený ze stavebních bloků <G>, vypočítali jsme ΔFG použitím

kde E0 je konstanta, E1(Gj) je příspěvek skupiny Gj a E2(Gj,Gk) je malá korekce způsobená sousedními interakcemi skupina -skupina. Hodnoty E0vektor E1 a matice E2 jsou určeny provedením nejmenších čtverců vhodných pro tréninkovou sadu molekul se známým AFGs, které nejvíce odpovídají lineárním molekulám CHOPN naší sítě (podrobnosti viz Doplňkové metody).

Výpočet toku

Použili jsme metodu uvedenou v ref. 7 pro výpočet toku neseného lineární cestou. Tato metoda předpokládá, že tok probíhá reakcí je dáno 7,30

kde kd je difúzí řízená rychlostní konstanta, [E] je koncentrace enzymu, [S−1] a [S] představují koncentrace substrátu a produktu a q je termodynamická konstanta. Tento výraz předpokládá, že enzym funguje jako dokonalý katalyzátor, a používá se k odvození výrazu pro koncentrace toku a metabolitů v dráze (podrobnosti viz Doplňkové metody). Poté použijeme Powellovu metodu 42 k nalezení sady koncentrací enzymů, které maximalizují tok, s výhradou omezení, že (i) všechny mezilehlé koncentrace v ustáleném stavu jsou v předepsaném rozmezí a (ii) celková koncentrace enzymu je pevná. Analýzu také opakujeme pomocí reverzibilní kinetiky Michaelis -Menten, podrobnosti výpočtu viz Doplňkové metody.

Vzorkování prostoru parametrů

Z prostoru parametrů jsme náhodně vybrali 10 000 bodů odpovídajících koncentracím 11 externích metabolitů a koncentracím G3P a pyruvátu. Každý parametr byl logaritmicky odebrán v rozsahu pokrývajícím několik řádů nad a pod svými typickými fyziologickými koncentracemi (podrobnosti viz doplňková tabulka 4). Pro každý z těchto bodů jsme vypočítali optimalizovaný tok J. každé kandidátské cesty, jak je podrobně popsáno výše, a vypočítal CF cesty jako CF=J./max <J.k> vydělením jeho toku nejvyšším tokem získaným napříč všemi cestami v daném bodě prostoru parametrů.

Odolnost našich výsledků při malých změnách volné energie

Pomocí metody skupinového příspěvku je typická chyba v našem výpočtu volné energie tvorby ΔFG pro danou molekulu je několik kJ mol −1 (podrobnosti viz Doplňkové metody). Abychom zkontrolovali robustnost našich výsledků vůči takovým chybám, byla celá naše analýza opakována pomocí ΔFG hodnoty vypočítané pomocí různých sad tréninkových molekul, skládajících se z 80% molekul z původní tréninkové sady, vybraných náhodně. Kvalitativní výsledky využívající takové sítě byly totožné s výsledky získanými z celé sady tréninkových sloučenin. Například 25 nejlepších glykolytických drah získaných z redukované sady obsahovalo 23 z 25 cest z původní analýzy.


Jak napsat stechiometrickou matici pro část pentosové fosfátové dráhy - biologie

Kukuřice Kukuřice, rýže, čirok, cukrová třtina Rýže Rýže

Saha a kol. (2011) de Oliveira Dal’Molin et al. (2010b) Poolman a kol. (2013) Lakshmanan et al. (2013)

Minimalizujte celkový fl ux Minimalizujte příjem biomasy (foton pro fotosyntézu/fotorespiraci a sacharózu pro heterotrofní metabolismus) Minimalizujte metabolické úpravy (MOMA) 25 kombinací pěti objektivních funkcí, včetně minimalizace celkového průtoku, maximalizace biomasy, minimalizace spotřeby glukózy, maximalizace Produkce ATP a maximalizace produkce NADPH Minimalizujte celkový fl ux Maximalizujte růst (lineární optimalizace) Minimalizujte celkový fl ux (kvadratická optimalizace) Minimalizujte příjem uhlíku (lineární optimalizace) Minimalizujte celkový fl ux (kvadratická optimalizace) Bilance toku: minimalizujte absorpci substrátu a světla Variabilita toku: minimalizujte a maximalizovat každou reakci, když je stanovena objektivní funkce Skutečná produkce biomasy na základě měření z literatury Maximalizovat fl ux reakce biomasy Stejné jako v AraGEM Minimalizovat celkový fl ux Bilance toku: maximalizovat produkci biomasy Variabilita toku: minimalizovat a maximalizovat každou reakci, zatímco je objektivní funkce fixována

Proto realistický popis vícenásobného chování buněk pravděpodobně bude vyžadovat více a složitější objektivní funkce (Collakova et al., 2012). Další překážkou jsou současné nedostatečné znalosti týkající se omezení ovlivňujících všechny druhy a všechny podmínky prostředí (Allen et al., 2009). Ve FBA lze použít řadu různých objektivních funkcí, včetně maximalizace výtěžku ATP na jednotku fl ux, minimalizace spotřeby energie, minimalizace příjmu substrátu (při efekvaci pevné biomasy), minimalizace reakčních kroků nebo celkového toku a maximalizace výtěžku biomasy na celkový fl ux. Žádná z těchto objektivních funkcí však není trvale úspěšná při předpovídání tempa růstu (Chen a Shachar-Hill, 2012). V modelování rostlinných FBA je nejoblíbenějším požadavkem syntetizovat biomasu odpovídajících rozměrů a určitou rychlostí. Cílová funkce je obvykle založena buď na minimalizaci celkových reakčních toků v síti, nebo na maximalizaci účinnosti přeměny uhlíku (tabulka 3). Zde vzniká problém, že čistá syntéza biomasy spotřebovává malou část celkového energetického rozpočtu. Proto, když je FBA omezen pouze syntézou biomasy, jsou proudy přes cesty transformující energii velmi zanedbávány (Sweetlove et al., 2013). Z důvodu velké energetické poptávky v důsledku přepravních nákladů a údržby buněk tedy samotné omezení biomasy nestačí k předpovědi realistických toků v centrálním heterotrofním metabolismu rostlinných buněk (Cheung et al., 2013). V souladu s tím, když Cheung a kol. (2013) studovali vliv různých omezení a objektivních funkcí na přesnost predikce by ux pomocí modelu FBA heterotrofních buněk Arabidopsis v kultuře, zjistili účtování nákladů na energii (doprava

náklady na údržbu) v síťovém systému být důležitější než volba objektivní funkce. V tomto ohledu vyvinuli metodu, která zohledňuje náklady na údržbu buněk ATP i reduktantů na základě měřeného poměru between ux mezi oxidačními kroky oxidační pentózofosfátové dráhy (OPPP) a glykolýzou. Dalším problémem je, že zatímco FBA je omezena pouze syntézou biomasy, průtok prostřednictvím OPPP v naprosté většině modelů rostlinných FBA chybí. Vzhledem k tomu, že tyto modely představují syntézu biomasy v dostatečném množství, ukazuje to, že optimalizační algoritmus vybírá jiné dehydrogenázové enzymy, aby uspokojil potřebu metabolismu NADPH (Sweetlove et al., 2013). Cheung a kol. (2013) ukazují, že přítomnost termodynamicky nepravděpodobných cyklů transhydrogenázy v modelech může také vést k absenci predikovaného toku OPPP. Omezení těchto cyklů na nulu vede okamžitě k nenulovým OPPP tokům. Přesto existují studie, které ukazují, že FBA ve své současné standardní formě je velmi účinný při předpovídání metabolických toků v rostlinách. Ukázalo se například, že FBA dokáže předpovědět čistý vývoj CO2 v řadě rostlinných tkání a v reakci na životní prostředí (Sweetlove et al., 2013). Ještě zajímavější je, že použitím sady vhodných omezení byl rámec FBA použit k vytvoření reprezentativnějšího modelu metabolismu listů řešením dvou fází denních a nočních fotosyntetických cyklů jako jediného problému s optimalizací (model rovnováhy dílčího ux). Použití pouze minimálních změn na omezení tohoto modelu mu umožnilo přesně zachytit CAM v cyklu díl (Cheung et al., 2014). Další studie také ukázaly, že FBA má schopnost stanovit specifický stav

Systémová biologie a metabolismus

metabolický model, který je prediktivní za různých podmínek prostředí (Williams et al., 2010 Cheung et al., 2013 Poolman et al., 2013). Rozsah, v jakém může FBA úspěšně předpovídat síťové toky v rostlinném metabolismu, je překvapivý, protože tato metoda neodkazuje na kinetiku nebo regulaci enzymů. To znamená, že regulace enzymů (tj. Alosterická regulace a posttranslační modifikace) působí takovým způsobem, že spíše udržuje metabolický ustálený stav, než jako klíčový faktor distribuce toku v síti. Místo toho se zdá, že výstupní požadavky jsou hlavními hybateli distribuce in ux v centrálním metabolismu (Sweetlove et al., 2014). Přesto bylo vyvinuto trvalé úsilí o zlepšení technických a praktických aspektů závodního FBA. Rostlinné modely FBA byly dosud založeny především na datech zprůměrovaných mezi různými typy buněk (Sweetlove a Ratcliffe, 2011). Vzhledem k tomu, že mnoho metabolických funkcí rostlin je založeno na interakcích mezi různými subcelulárními kompartmenty, buňkami, tkáněmi a orgány, je rekonstrukce modelů FBA na úrovni buněčného typu, tkáňového specifického nebo dokonce orgánového specifika nezbytným předpokladem pro jejich použití v metabolické inženýrství (Grafahrend-Belau et al., 2013). Zřetelný posun v této oblasti nastal s rostoucím počtem tkáňových specifik (de Oliveira Dal'Molin et al., 2010b Hay and Schwender, 2011a, 2011b Lakshmanan et al., 2013) a orgánově specifických (Mintz-Oron et al., 2012) FBA models or a full-plant scale scale (Grafahrend-Belau et al., 2013). Klíčovým problémem, který může nastat při používání modelů založených na omezení, je existence alternativních optimálních řešení, ve kterých lze dosáhnout stejné objektivní funkce prostřednictvím různých distribucí toku. Analýza variability toku (FVA) je účinná strategie pro výpočet variability toku, která může existovat k dosažení optimálních a suboptimálních cílů (Tomar a De, 2013) a byla použita k prozkoumání metabolických schopností metabolismu oleje v modelu vývoje B. napus embrya (Hay a Schwender, 2011a). FVA byla také použita k pochopení toho, jak kyslík ovlivňuje vnitřní distribuce fl ux v modelu rýže, což představuje dva typy tkání: klíčící semena a fotorespirující listy (Lakshmanan et al., 2013). Cheung a kol. (2014) také použil FVA ke stanovení proveditelného rozsahu všech fl uxů za účelem srovnání predikcí rámce pro modelování dílů s fl uxy předpovězenými v modelu s konstantním světlem. Metabolické modely v genomovém měřítku Za poslední desetiletí metabolické modelování v genomovém měřítku úspěšně poskytlo jedinečný pohled na metabolismus prokaryotických mikroorganismů (Toya a Shimizu, 2013 Xu et al., 2013a). Modely prokaryot v genomovém měřítku lze analyzovat pomocí široké škály nástrojů a algoritmů založených na optimalizaci pro racionální návrh ve studiích metabolického inženýrství. Tři z nejpopulárnějších nástrojů jsou OptKnock, OptORF a OptFlux, které se používají k simulaci simultánní regulace nahoru nebo dolů (nebo knockout) více genů (Lee et al., 2011 Tomar a De, 2013). Přesto je v rostlinách aplikace metabolického modelování v genomu zcela nová a teprve v roce 2009 byl k dispozici první model genomového měřítka pro buněčnou suspenzní kulturu Arabidopsis (Poolman et al., 2009). Od té doby se metabolické modelování v genomovém měřítku používá ke studiu centrálního metabolismu různých rostlin C4 (de Oliveira Dal’Molin

et al., 2010b Saha et al., 2011), Arabidopsis (de Oliveira Dal’Molin et al., 2010a Mintz-Oron et al., 2012), a rýže (Poolman et al., 2013). Obecně se tyto metabolické modely rostlinného genomu ukázaly jako funkční, robustní a přesné při predikci kvalitativních změn ve vybraných aspektech centrálního metabolismu uhlíku (Collakova et al., 2012 de Oliveira Dal’Molin a Nielsen, 2013). V souvislosti s metabolickým inženýrstvím však existují určité obavy, pokud jde o srovnání aplikace metabolických modelů v genomovém měřítku na rostliny a mikroorganismy, protože na rozdíl od mikroorganismů rostliny obecně nepěstují ve vysoce kontrolovaném environmentálním režimu. Obecně řečeno, rozšíření výsledků analýzy toku mikroorganismů v síti na studie metabolického inženýrství rostlin bude vyžadovat určitou opatrnost (Stitt et al., 2010). V tomto ohledu Shachar-Hill (2013) poskytl ilustrativní studii využívající případ produkce lysinu, což je cíl metabolického inženýrství běžný pro rostliny a mikroby. Metody matematického modelování byly úspěšně použity ke zlepšení produkce lysinu v bakteriálních fermentačních systémech Corynebacterium glutamicum. Tyto nástroje pomohly identifikovat možná metabolická úzká místa a významné změny, které vedly k významnému zvýšení produkce lysinu. Když byl však stejný přístup aplikován na endosperm kukuřice, obecný závěr byl, že taková omezení nemusí existovat (Shachar-Hill, 2013). Další obavou je, že ačkoli metabolické modely v genomovém měřítku mohly být validovány pro vybrané aspekty centrálního metabolismu, obvykle se netýkají sekundárního metabolismu (Collakova et al., 2012). Jedinou výjimku lze nalézt v modelu Arabidopsis, který zahrnuje některé aspekty sekundárního metabolismu (Mintz-Oron et al., 2012). Mezi další výzvy, kterým čelí metabolické modely rostlinného genomu, patří nejistota ohledně subcelulární lokalizace reakcí a neúplná anotace rostlinných genomů (Sweetlove a Fernie, 2013). Pro řešení těchto výzev byly navrženy přístupy, jako je aplikace softwaru pro predikci subcelulární lokalizace pro rozdělování metabolických reakcí a srovnávací genomiku pro anotaci neobjeveného genomického obsahu (Seaver et al., 2012 Lakshmanan et al., 2013). Integrace modelování genomového měřítka a transkriptomických nebo proteomických datových souborů je dalším přístupem, který lze použít k rozšíření porozumění komplexnímu metabolickému chování rostlin (Töpfer et al., 2012, 2013). K predikci metabolické odpovědi Arabidopsis na měnící se podmínky byl použit integrativní přístup a bylo zjištěno, že zahrnutí transkriptomických dat zlepšilo předpovědi, i když hladiny transkriptu nesouvisejí přímo s flxy (Töpfer et al., 2013). Další analýza ukázala, že tento přístup může úspěšně překlenout propast mezi metodami zaměřenými na fl ux- a metabolity (Töpfer et al., 2014). Obecně platí, že skutečnost, že modely v měřítku rostlinného genomu spoléhají na analýzu založenou na omezeních, je činí zvláště vhodnými pro definování vnějších hranic chování systému, než pro přesné předpovědi. Ideální progresí by bylo vybudovat kinetický model metabolické sítě v genomovém měřítku, ačkoli lze očekávat, že stanovení kinetických parametrů bude obtížné, možná dokonce až do bodu, kdy se stane příliš složitým pro výpočet. První pokus o vybudování parametrizovaného kinetického modelu metabolismu kvasinek v genomovém měřítku

byl popsán Smallbone et al. (2010). Tento přístup však stále vyžaduje rozsáhlý vývoj, než jej lze aplikovat na vyšší eukaryotické systémy. Vzhledem ke zrychlení sekvenování různých rostlinných genomů a rostoucímu zájmu o metabolické modely v genomovém měřítku jako nástroj pro zkoumání metabolických sítí rostlin existuje každý důvod očekávat, že s dalším zlepšováním dostupných údajů a podle toho s dalším zdokonalováním modelů jejich aplikace bude významným přínosem pro metabolické inženýrství rostlin. MFA Navzdory skutečnosti, že techniky MFA v ustáleném stavu řeší důležité otázky, včetně úlohy Rubisco při vývoji semen a regulaci metabolismu olejnatých semen (Kruger et al., 2012), jejich aplikace na vyšší organismy (jako jsou rostliny a savčí systémy) ) čelí výzvám, jako jsou komplexní mediální formulace, subcelulární kompartmentace a pomalá dynamika značení (Allen et al., 2009).Dosud byla hlavní aplikace MFA na izolované buňky nebo tkáně, kde je obvykle monitorováno 50 až 100 reakcí (Allen et al., 2009). Technické potíže při rozšiřování analýzy na sítě rostlin podpořily vývoj alternativních technik (Sweetlove a Ratcliffe, 2011), jako jsou kombinace MFA/EMA (Schwender et al., 2004) a MFA/FVA, které byly použity ke studiu vyvíjející se embrya B. napus (Hay a Schwender, 2011a, 2011b). Aby se předešlo dlouhému časovému období, které MFA vyžaduje k dosažení izotopického ustáleného stavu, byla vyvinuta technika izotopově nestacionárního MFA (INST-MFA). INST-MFA analyzuje vzorce značení metabolitů získané během přechodného období značení před izotopickým ustáleným stavem. Tato technika byla úspěšně aplikována na studie lidských buněk (Murphy et al., 2013) a byla také použita ke studiu fotosyntézy (Young et al., 2011 Szecowka et al., 2013). Ustálený stav MFA je nepoužitelný na fotoautotrofní tkáně, protože značení 13CO2 vede k rovnoměrnému značení všech metabolitů v ustáleném stavu (Roscher et al., 2000). I když je ustálený stav MFA dobře zavedenou technikou pro studium heterotrofních a mixotrofních rostlinných tkání, nelze jej použít ke studiu fotosyntézy. Navíc dosažení izotopického ustáleného stavu v listech je v každém případě nepravděpodobné kvůli komplikacím způsobeným cyklem lightdark a pomalému obratu zásob metabolitů (Sweetlove et al., 2013). K řešení tohoto problému Young a kol. (2011) aplikovali techniku ​​INST-MFA na sinici Synechocystis. Získali komplexní mapu toku všech reakcí Calvin-Bensonova cyklu a některých vedlejších reakcí, včetně těch, které byly katalyzovány Glc-6-fosfátdehydrogenázou, jablečným enzymem a fotorespirační cestou. V této analýze byly velikosti metabolického poolu stanoveny jako volné parametry, zatímco při aplikaci podobného přístupu, kinetického vyvažování toku, na Arabidopsis, byl model omezen měřenými velikostmi poolu získanými hmotnostní spektrometrií, stejně jako nevodnou frakcionací za účelem poskytnutí informace o velikostech subcelulárních fondů. V této studii Szecowka et al. (2013) odvodili soubor intracelulárních flxů v neporušených osvětlených růžicích Arabidopsis. Analyzovali dynamickou redistribuci štítku z 13CO2

dodávány do listů, ze kterých byla vypočítána malá sada flxů. Tento přístup jim umožnil určit kinetické změny v izotopových vzorcích 40 metabolitů primárního metabolismu uhlíku a porovnat je se čtyřmi klasicky určenými fl ux signaturami fotosyntézy (Szecowka et al., 2013). Kinetické modelování Pokud je k dispozici dostatek spolehlivých údajů, může být kinetický model komplexní i prediktivní (Schallau a Junker, 2010 Wang et al., 2014). Příkladem je kinetický model monolignolové biosyntézy u Populus trichocarpa (Wang et al., 2014), který byl zkonstruován provedením komplexní studie k získání reakčních a inhibičních kinetických parametrů všech relevantních enzymů na základě funkčních rekombinantních proteinů. V rostlinném metabolismu však bylo představeno několik takových komplexních modelů kvůli obtížnosti získání požadovaných informací (Wang et al., 2014). Strukturálně-kinetické modelování by mohlo poskytnout potenciální způsob, jak tuto nedostatek vyřešit. Tato metoda představuje přechodový most mezi stechiometrickým přístupem a různými dynamickými kinetickými modely. Ačkoli nedefinuje skutečné dynamické chování, popisuje stabilitu a robustnost konkrétního metabolického stavu a objasňuje související interakce a parametry řídící dynamické vlastnosti systému. Podrobné matematické informace, jakož i navrhovanou práci pro modelování, poskytl Steuer et al. (2006). K analýze Calvinova-Bensonova cyklu byl vytvořen strukturní kinetický model sestávající z 18 metabolitů a 20 reakcí. Model úspěšně extrahoval dynamické vlastnosti systému, aniž by se spoléhal na jakýkoli konkrétní předpoklad o funkční formě rovnic kinetické rychlosti (Steuer et al., 2006). Stejný přístup byl aplikován na cyklus TCA v rostlinách (Steuer et al., 2007) k detekci a kvantifikaci dynamického chování. Druhým přístupem k řešení problému bylo sestavení kinetického modelu způsobem „shora dolů“, což odpovídá přizpůsobení modelu pozorovaným koncentracím metabolitů a tokům. Tento přístup byl použit k modelování benzenoidové sítě v květu petunie (Petunia hybrida), což vedlo k úspěšné identifikaci klíčových kroků pro regulaci průtoku (Colón et al., 2010). Přístup kinetického modelování „zdola nahoru“ byl popsán při modelování toku floemu v cukrové třtině (Saccharum of fi cinarum) ve formě rámce reakční difúzní reakce. Tento průkopnický model lze pravděpodobně přizpůsobit jiným rostlinným druhům a možná dokonce rozšířit o studium toku xylému. Bylo navrženo, že stejný rámec by mohl tvořit základ pro vytvoření integrovaného kinetického modelu fyziologické funkce celé rostliny (Rohwer, 2012).

NOVÉ POHLEDY DO SYSTÉMŮ METABOLISMU A INŽENÝRSKÝCH ROSTLIN Jedním z nejdůležitějších cílů metabolického inženýrství je optimalizace metabolických drah pro produkci průmyslově významných metabolitů. Hlavní výzvou je přesně vybrat cílové cesty a poté je vyladit a optimalizovat

Systémová biologie a metabolismus

úroveň exprese každého enzymu pro vybrané cesty (Xu et al., 2013b). Modely rostlinného metabolismu začaly tuto výzvu řešit poskytnutím přísnějšího základu pro budoucí genetické inženýrství. Jedním z takových příkladů je identifikace některých klíčových regulačních bodů v dráze metabolismu monoterpenu v máty peprné pomocí dynamického přístupu MFA. Výsledky této studie odvozené z modelu byly experimentálně ověřeny a prokázaly potenciál vést manipulaci metabolismu ke zvýšení akumulace monoterpenu (Rios-Estepa et al., 2008). Další příklad je uveden ve studii na osivu Arabidopsis, kde byl model FBA použit k výpočetnímu návrhu strategií metabolického inženýrství pro nadprodukci vitaminu E (Mintz-Oron et al., 2012). Třetím příkladem je kinetický model monolignolové biosyntézy u P. trichocarpa, který odhalil mechanismy zapojené do regulace biosyntézy ligninu (Wang et al., 2014). Tato práce poskytuje platformu pro budoucí inženýrství produkce ligninu a také vylepšení v dalších souvisejících oblastech, jako je odolnost vůči biotickému a abiotickému stresu a produkce nových biomateriálů (Wang et al., 2014). Sloučeniny syntetizované v rostlinné buňce mohou být klasifikovány buď jako primární metabolity, nebo jako sekundární metabolity (Bu’Lock, 1965 Luckner, 1972 Richter, 1978). Manipulace sekundárních metabolických sítí je obvykle méně složitá než primární metabolismus, což umožňuje jejich snadné rozdělení na lépe zvládnutelné entity, a proto nabízí příznivější příležitosti pro inženýrství cest (Sweetlove et al., 2010). Navzdory pozoruhodné rozmanitosti sekundárního metabolismu mohou být stále organizovány do skupin strukturně příbuzných sloučenin. To usnadňuje kategorizaci cest a dokonce i jejich pořadí, aby bylo jejich modelování snáze použitelné. Seskupování metabolitů podobného biosyntetického původu tvoří logický základ organizace modelů plynů i kinetických modelů (Morgan a Shanks, 2002 Fernie a Morgan, 2013). Nicméně inženýrství sekundárních metabolitů v rostlinách je méně rozvinuté než v jiných organismech, možná kvůli vysoce komplikovaným síťovým spojením, která spojují primární a sekundární metabolismus. Například některé transkripční faktory spojené s produkcí určité skupiny sekundárních metabolitů koaktivují expresi genů kódujících metabolické enzymy spojené s primárními cestami, které poskytují prekurzory těchto sekundárních metabolitů (Aharoni a Galili, 2011). Taková spojení byla zodpovědná za zmaření řady pokusů o inženýrství sekundárního metabolismu rostlin, vytváření neočekávaných výsledků nebo triviálních změn systému (Colón et al., 2010 Stitt et al., 2010). Studium centrální metabolické sítě proto může podpořit inženýrství primárního i sekundárního metabolismu. Fotosyntéza Byla provedena řada experimentů za účelem zvýšení produktivity plodin genetickou manipulací fotosyntetického transportu elektronů, regenerací RuBP, aktivitou Rubisco a souvisejícím tokem fotorespirace (Peterhansel et al., 2008 Raines, 2011). Tyto výsledky znovu potvrzují důležitost matematických modelů pro lepší pochopení fotosyntetických reakcí

(Arnold a Nikoloski, 2014). Funkční model fotosyntézy by měl zahrnovat nejen jednotlivé metabolické kroky, ale také hlavní regulační mechanismy ovlivňující tyto kroky. Takové komplexní modely by v ideálním případě předpovídaly reakci fotosyntetické metabolické sítě na environmentální nebo genetické poruchy a měly by důsledky pro přesměrování uhlíku na vysoce hodnotné přírodní produkty a v konečném důsledku pro zlepšení výnosu plodin (Szecowka et al., 2013 Zhu et al., 2013 ). Ačkoli mnoho aspektů fotosyntetických sítí bylo podrobeno modelovacím studiím, Calvin-Bensonův cyklus se stal oblíbeným cílem, protože je primární cestou v rostlinách produkujících škrob a sacharózu z CO2 (Arnold a Nikoloski, 2014). Opomíjeným aspektem sítě fotosyntézy C3 je kontrola toku z Calvinova-Bensonova cyklu do výstupních drah škrobu, sacharózy, isoprenoidů, shikimátu a nukleotidů. Z tohoto důvodu je obtížné komplexně předvídat způsob, jakým se relativní tok těchto cest mění během vývoje nebo v reakci na změny prostředí (Raines, 2011). Stávající modely nicméně potenciálně poskytují dobrý výchozí bod pro rozšíření a vylepšení budoucích modelů fotosyntézy. V tomto ohledu Arnold a Nikoloski (2011) porovnali 15 modelů cyklu Calvin-Benson sestavených za posledních 30 let a poskytli podrobnou klasifikaci na základě hranic modelu, úrovně buněčné organizace, složitosti kinetiky a regulační procesy, které byly zahrnuty. Zařadili modely podle několika kritérií, včetně citlivosti, stability, robustnosti a zbytkového součtu čtverců ve výsledných ustálených stavech. Jejich cílem bylo identifikovat modelové kandidáty, kteří poskytli kvantitativně přesné předpovědi pro použití v metabolickém inženýrství. Na základě své analýzy kategorizovali stávající modely do dvou skupin: modely vhodné pro karbonizaci a vhodné pro metabolické inženýrství. Jako nejvhodnější se jeví modely navržené Farquharem et al. (1980) a Poolman et al. (2000). Výhoda modelu navrženého Farquharem et al. (1980) uvádí, že spojuje Rubisco s in vivo měřením fotosyntetické rychlosti, a proto je schopen předpovídat čisté rychlosti fotosyntetické oxidace CO2 v reakci na proměnlivé podmínky prostředí. Kvůli těmto výhodám byl model studován a rozsáhle validován po mnoho let a byly vytvořeny deriváty modelu, které jsou v současné době používány ve velkých ekologických modelových studiích (Sweetlove et al., 2013). Farquharův model a jeho deriváty se skládají výhradně z algebraických rovnic, které mohou zachytit chování v ustáleném stavu pouze pomocí omezujících předpokladů (Arnold a Nikoloski, 2013). Fotosyntéza je však v přirozeném prostředí zřídka v ustáleném stavu kvůli kolísajícím podmínkám prostředí. Proto je ke studiu fotosyntézy praktičtějším přístupem vyžadován vysoce mechanistický, dobře validovaný model. V tomto ohledu byl nedávno pro C3 fotosyntézu popsán kinetický model (e-fotosyntéza), který zahrnuje každý diskrétní proces od zachycení světla po syntézu sacharidů. Model e-fotosyntézy účinně napodobuje mnoho typických kinetických fotosyntetických vlastností a poskytuje funkční platformu pro vedení inženýrství se zlepšenou fotosyntetickou účinností (Zhu et al., 2013).

Vzhledem ke své povaze v ustáleném stavu není Farquharův model a jeho deriváty schopen zachytit dynamické změny, ke kterým dochází ve vztahu mezi fotosyntézou a fotorespirací při různé intenzitě světla a koncentracích CO2 a O2. Nedávné experimentální důkazy naznačují, že fotorespirace se také podílí na asimilaci dusičnanů, produkci energie fotosyntézou, výměně redoxních ekvivalentů mezi oddíly, metabolismu jednoho uhlíku (C1) a transdukci redoxního signálu (Arnold a Nikoloski, 2013). Přesné kvantitativní modelování fotorespirace má proto zásadní význam pro pochopení toho, jak jemné ladění hladin meziproduktů a proudů udržuje optimální asimilaci CO2 v reakci na neustále se měnící podmínky (Fernie et al., 2013). Kromě derivátů Farquharova modelu, dokonce i přístupy kinetického modelování fotorespirace opomněly jeho komplexní roli a většinou spojily příliš zjednodušenou verzi s fotosyntetickým metabolismem. Model e-fotosyntézy (Zhu et al., 2013) však zahrnoval fotorespiraci podrobněji. Slibným přístupem k modelování fotorespirace by mohlo být sestavení kompletní metabolické sítě tak, aby bylo zohledněno také spojení metabolismu dusíku. Například prostřednictvím narušení reakcí specifických pro dusík v takovém modelu by mohla být testována souhra fotorespirace a fotosyntézy, jakož i účinky na celý systém. Rozšíření takového přístupu by mohlo být provedeno přidáním nedávných zjištění týkajících se regulačních a signálních událostí fotorespirace do modelů v genomovém měřítku (Arnold a Nikoloski, 2013). Zatímco rovnováha mezi fotosyntézou a dýcháním je klíčovým determinantem uhlíkové ekonomiky, dalším faktorem ve Farquharově modelu a jeho derivátech je to, že předpovídají dýchání na základě jeho korelace s jinými procesy, nikoli jako nezávislý metabolický jev (Sweetlove et al. (2013). Aby bylo dosaženo cíle použitelného mechanického modelu dýchání, je třeba vyřešit několik výzev. Zdá se, že termín „dýchání“ by měl být definován tak, aby zachytil metabolické sítě nezávislé na světle, které vedou k čisté produkci CO2. V tomto ohledu Sweetlove a kol. (2013) navrhují nahradit špatně definovaný termín „dýchání“ „čistým vývojem CO2“, který je definován jako součet všech kroků produkujících CO2 minus součet všech kroků spotřebovávajících CO2, bez fotosyntézy a fotorespirace. Soustředění na čistý vývoj CO2 má za následek identifikaci dvou přesných výzev pro proces modelování. Nejprve je třeba identifikovat všechny metabolické procesy přispívající k čisté produkci CO2 a to je obecně považováno za extrémně obtížné. Za druhé, jakýkoli prediktivní model musí umožňovat rozdíly mezi typy tkání a dopad změny podmínek na procesy přispívající k čistému vývoji CO2. Při řešení těchto výzev ukazuje kvantifikace biochemických procesů vedoucích k čistému vývoji CO2 pomocí MFA, že příspěvek různých procesů k bilanci CO2 je velmi variabilní. Ukazuje také, že variabilita vývoje CO2 mezi druhy a tkáněmi může být větší než mezi růstovými podmínkami. Toto zjištění by nepřímo odráželo potřebu robustní centrální metabolické sítě tváří v tvář neoptimálním podmínkám prostředí. Kromě MFA byl posouzen i potenciál FBA jako nástroje pro předpovídání vývoje čistého CO2. I když studií FBA je relativně málo

u nichž jsou jako bod srovnání/validace k dispozici experimentálně omezená metabolická data, závěrem je, že FBA má potenciál předpovídat metabolický původ uvolněného CO2 v různých tkáních/druzích a za různých podmínek (Sweetlove et al., 2013) . Většina těchto modelů však předpokládá, že organismus roste v konstantním světle, což je na rozdíl od přirozené situace, kde je interakce mezi světlým a tmavým metabolismem hlavním rysem metabolismu fotosyntetických organismů. Aby se vytvořil reprezentativnější model metabolismu listů, Cheung et al. (2014) sestrojili model rovnováhy díl fl ux, který počítal s metabolickými fl uxy ve světlé a tmavé fázi metabolismu listů jejich simulací současně v jediném optimalizačním problému. Dílův model byl získán aplikací specifického rámce omezení na existující genomový model metabolismu Arabidopsis (Cheung et al., 2013). Model úspěšně zachytil mnoho známých vlastností metabolismu listů C3, včetně role syntézy a akumulace citrátu v noci (prostřednictvím mitochondriálního cyklu trikarboxylových kyselin) a jeho exportu z vakuoly během dne jako prekurzoru pro poskytování uhlíkových skeletů pro aminokyseliny syntéza. Tento model obecně objevil některé důležité rysy interakcí mezi metabolismem světla a tmy a úspěšně předpovídal metabolické toky ve světle při fotosyntéze C3. Rostliny C4 mají charakteristickou anatomii listů, která nabíjí fotosyntézu koncentrací CO2 v blízkosti Rubisca a významně snižuje okysličovací reakci (Wang et al., 2012). Systémové porozumění charakteristické anatomii a jedinečné fyziologii je předpokladem efektivního modelování metabolismu C4. Aby se dosáhlo porozumění prostorové regulaci fotosyntézy v rostlinách C4 na systémové úrovni, byl vyvinut a aplikován metabolický model v genomovém měřítku (C4GEM), který zkoumá distribuci toku mezi dvěma interagujícími tkáněmi pochvy svazku a mezofylu během fotosyntézy C4. Tento model je rozšířením modelu Arabidopsis (AraGEM) (de Oliveira Dal'Molin et al., 2010a), který představuje tři různé podtypy C4 NADP-ME (NADPdependent malic enzym), NAD-ME (NAD-dependent malic enzym) a PEPCK (fosfoenolpyruvátkarboxykináza) (de Oliveira Dal'Molin et al., 2010b). V rozšíření této studie Wang et al.(2012) simulovali vliv každého podtypu na syntézu biomasy a oxidaci CO2 a dospěli k závěru, že podtyp PEPCK je lepší než subtypy NADP-ME a NAD-ME při dostatečné dodávce vody a dusíku. Model C4GEM navíc zdůraznil rozdíly v relativních vlivech prostřednictvím fotosystému I a fotosystému II (PSII) v různých typech buněk a v každém ze tří podtypů C4. Model také předpověděl, že podtypy NAD-ME a PEPCK mají značnou aktivitu PSII v tkáních svazkového pláště, zatímco druhy NADPME mají malý PSII a více cyklického elektronového transportu (CET) v buňkách pochvy svazku. Zatímco rostliny C4 vyžadují k asimilaci CO2 více ATP než rostliny C3, nebylo objasněno, jak se extra ATP vyrábí. Je zajímavé, že simulace ukázaly, že CET vyskytující se v plášti svazku je účinným prostředkem pro dodávání dalšího ATP potřebného v podtypu NADPH-ME. Model porovnal požadavek minimálního fotonu pro CET v pochvě mezofylového svazku. Výsledky to ukázaly

Systémová biologie a metabolismus

CET v plášti svazku je energeticky účinnější, protože k produkci dalšího ATP vyžaduje méně fotonů než CET, který je aktivní v mezofylu (de Oliveira Dal’Molin et al., 2010b). Systémové porozumění tomu, jak fotosyntéza C4 funguje a jak se liší od rostlin C3, je také předpokladem pro pochopení toho, jak jsou enzymy shrnující uhlík vyladěny pomocí řídicích sítí (Wang et al., 2012 Weissmann a Brutnell, 2012). Studie Wanga a kol. (2012) porovnávali metabolickou síť C3 (AraGEM, pro Arabidopsis) s metabolickou sítí C4 (C4GEM, pro kukuřici). Za tímto účelem nejprve provedli určité zlepšení u obou modelů a porovnali je pomocí analýzy teorie grafů (která umožňuje srovnání důležitých topologických parametrů). Zjistili, že síť C3 má hustší topologii než C4. Toto je pravděpodobně odraz anatomického rozdílu mezi strukturou listů C4 a C3, protože první zahrnuje mezofylové a svazkové pochvové buňky, zatímco druhý se skládá z jednotlivých buněčných typů. Simulace knockoutů enzymů (delece jedné reakce) ukázala, že více než 86% (kde je objektivní funkcí maximální biomasa) a více než 96% (kde je objektivní funkcí fixace CO2) reakce nemají žádný účinek, když jsou vymazány v C4 a C3 sítí. To dokazuje robustnost těchto sítí. Kromě toho srovnání redundance primární metabolické sítě mezi C4 a C3 ukázalo, že bez ohledu na typ objektivní funkce je rostlina C4 odolnější vůči genové mutaci nebo změnám prostředí (Wang et al., 2012). CAM představuje časové oddělení metabolických dějů, při nichž je CO2 zpočátku fixován v noci ve formě karboxylových kyselin (hlavně kyseliny jablečné) a poté během dne dekarboxylován, aby poskytl CO2 pro konvenční fotosyntézu (Cheung et al., 2014). CAM maximalizuje účinnost využití vody a udržuje vysokou produktivitu biomasy koncentrací CO2 kolem Rubisco, což podporuje aktivitu karboxylázy. CAM také představuje jednodušší anatomickou strukturu, protože jeho fotosyntetický metabolismus se vyskytuje v jedné mezofylové buňce místo ve dvou samostatných buňkách jako při fotosyntéze C4. Modelování by mohlo poskytnout klíčový přístup pro komplexní systémové porozumění enzymatickým a časovým regulačním událostem, které řídí karboxylační dekarboxylaci karboxylových kyselin a souběžné metabolické proudy prostřednictvím glykolýzy-glukoneogeneze (Borland et al., 2014). Relativně malé úsilí bylo věnováno studiu CAM na systémové úrovni. Aby to vyřešili, Cheung a kol. (2014) použili inovativní technický přístup provedením některých změn v omezeních původního modelu Diel C3, aby zachytili klasický CAM cyklus zralého listu a předpovídali metabolický tok během cyklu Díl. Přestože model úspěšně předpověděl metabolické proudy v souladu se známým cyklem CAM, také ukázal, že navzdory potenciálu pro potlačení fotorespirace prostřednictvím koncentrace CO2 je nepravděpodobné, že by v CAM fotosyntéze přes C3 byly významné energetické přínosy. Model předpovídal, že energetické úspory enzymatických strojů, kterých bylo dosaženo potlačením fotorespirace, jsou pravděpodobně kompenzovány vyšší potřebou toku CAM cyklu. Kromě Rubisco, což je karboxylační enzym pracující v Calvinově-Bensonově cyklu, příroda využívá několik dalších cest karbonizace. Tato rozmanitost přírodních řešení

nabízí šanci využít kombinaci modelování společně se syntetickou biologií k sestavení plně inovativních cest CO2 fixace, které mohou být účinnější než cyklus C3. S cílem navrhnout syntetické metabolické cesty pro lepší karbonizaci, růst a výnos, Bar-Even et al. (2010) považovali celou řadu 5000 metabolických enzymů, o nichž je známo, že se vyskytují v přírodě, za součást, a pomocí FBA systematicky objevili všechny možnosti, které lze s těmito enzymy vymyslet jako stavební kameny. To vedlo k několika slibným cestám syntetické karbonizace, které pak porovnali s přírodními cestami pomocí fyziochemických kritérií. Srovnání naznačilo, že některé z navrhovaných syntetických cest by mohly mít významnou kvantitativní výhodu oproti přírodním. Kromě cyklu Calvin-Benson, který podporuje většinu celosvětové karbonizace, je v současné době známo pět přirozeně se vyskytujících cest karbonizace: redukční cyklus TCA, cyklus 3-hydroxypropionát/malyl-CoA, cesta reduktivního acetylCoA, 3- cyklus hydroxypropionát/4-hydroxybutyrát a cyklus dikarboxylát/4-hydroxybutyrát. Boyle a Morgan (2011) porovnali termodynamiku a účinnost těchto šesti cest pomocí FBA. Na základě srovnání energetické potřeby nebo fotonové potřeby pro přeměnu fotoasimilátu na biomasu bylo ukázáno, že redukční cyklus TCA je nejefektivnějším způsobem generování biomasy ze sluneční energie. Redukční cyklus TCA je však jen triviálně účinnější než Calvin-Bensonův cyklus. Celkově tato studie zdůrazňuje úlohu Calvinova-Bensonova cyklu, který se vyvinul tak, aby fungoval v současném oxidačním prostředí Země (Boyle a Morgan, 2011). Cyklus TCA V mikroorganismech analýza křemíkové dráhy naznačila významný potenciál pro optimalizaci cyklu TCA (Kjeldsen a Nielsen, 2009), a proto bylo zahájeno úsilí o její inženýrství (Becker et al., 2009). Inženýrství cyklu TCA v rostlinách by také mohlo být užitečné kvůli vysoce hodnotným metabolitům odvozeným z uhlíkových skeletů poskytovaných touto cestou, včetně aminokyselin, mastných kyselin, fl avonoidů, pigmentů, alkaloidů a isoprenoidů. V rostlinách existují značné překážky v postupujícím inženýrství cyklu TCA, možná kvůli celkové složitosti systému. Téměř všechny geny kódující enzymy zahrnuté v cyklu TCA však byly klonovány z různých druhů rostlin a mnoho z kódovaných proteinů bylo biochemicky charakterizováno. Rovněž bylo zintenzívněno úsilí o pochopení modulární organizace cyklu TCA (Carrari et al., 2003). Tyto úspěchy poskytly základ pro úsilí o genetickou modifikaci cyklu TCA a o zvýšení obsahu organických kyselin v rostlinách (Morgan et al., 2013). Genetické a metabolické experimenty ukázaly, že konvenční cyklus TCA není jedinou cestou, kterou prochází tok TCA (Sweetlove et al., 2010), což vyvolává řadu dosud nezodpovězených otázek týkajících se rovnováhy mezi cyklickým a necyklickým režimem toku. Odpovědi na tyto otázky by mohly pomoci k efektivnímu inženýrství cyklu TCA závodu. Za tímto účelem byly modelovací experimenty velkým přínosem, když ukázaly, že když je poptávka po ATP nízká, cyklický tok

režim není nutně zachován (Sweetlove et al., 2010). Podobně rozsáhlý model buněčného metabolismu ve vyvíjejících se embryích B. vyvíjejícího se semene B. napus prokázal, že cyklická aktivita TCA je snížena, jak stoupá fotosyntetický výstup NADPH a ATP (Hay a Schwender, 2011a, 2011b), zatímco FBA- model heterotrofního metabolismu Arabidopsis založený na tom, že cyklický TCA fl ux je vyžadován pouze tehdy, když je vysoká poptávka po ATP (Poolman et al., 2009). V ječmenném endospermu byl FBA použit k prokázání, že k postupnému přechodu z cyklické TCA (v aerobní tkáni) na necyklickou TCA (v hypoxické tkáni) dochází během procesu zrání zrna, pravděpodobně proto, že sukcinát dehydrogenáza (která spojuje cyklus TCA s mitochondriální elektronový transportní řetězec) je spojen pouze s menším fl ux (GrafahrendBelau et al., 2009a). V souladu s touto zprávou mapy křemičitých tekutin ze suspenzí kultivovaných buněk rýže pěstovaných za anoxických podmínek vykazovaly zkrácenou operaci cyklu TCA mezi fumarátem a oxaloacetátem, zatímco plně funkční cyklus TCA byl charakterizován za aerobních podmínek. Tento rozdíl byl způsoben především omezenou regenerací redoxních kofaktorů, protože mitochondriální dýchání bylo při anoxii narušeno. Je zajímavé, že FBA odhalila možnou úlohu zkratu kyseliny g-aminomáselné při přeměně a-ketoglutarátu na sukcinát místo a-ketoglutarát dehydrogenázy a sukcinát-CoA ligázy za anaerobních podmínek. Kromě toho, na rozdíl od anaerobních podmínek, bylo značné množství pyruvátu za aerobních podmínek převedeno na acetyl-CoA, což umožnilo jeho vstup do cyklu TCA pro výrobu energie (Lakshmanan et al., 2013). Metabolický model vyvíjející se listové buňky rýže v genomovém měřítku předpovídal, že reakce tří sousedních enzymů sukcinát dehydrogenázy, fumarátu a malát dehydrogenázy jsou různé při různé intenzitě světla. Tato studie poukázala na to, že cyklus TCA má schopnost překonfigurovat své reakce na splnění různých požadavků v různých podmínkách nebo vývojových fázích (Poolman et al., 2013). Tento pohled na cyklus TCA je podpořen experimentálními důkazy z jiných studií (Studart-Guimarães et al., 2007 Rocha et al., 2010). Metabolismus sacharózy Akumulace sacharózy v zásobních tkáních je doprovázena opakujícím se štěpením a syntézou, během níž dochází k plýtvání ATP (Schäfer et al., 2004). Lze očekávat, že genetická inhibice tohoto marného cyklu zvýší produktivitu plodin. Identifikace kandidátských genů pro transgenní regulaci by vyžadovala pracný přístup gen po genu (Rohwer, 2012), zatímco modelování by tento proces mohlo radikálně zkrátit. Při použití kombinace EMA a kinetického modelování bylo během akumulace sacharózy v cukrové třtině detekováno 14 elementárních režimů, z nichž pět bylo spojeno s marným cyklem. Model také předpověděl, že útlum neutrální invertázy a nadměrná exprese vakuolárního dovozce sacharózy a transportérů glukózy a fruktózy z plazmatické membrány by poskytly účinný prostředek ke snížení marného cyklování (Rohwer a Botha, 2001). Tyto předpovědi byly částečně validovány v analýze kultur suspenzních buněk, ve kterých byla aktivita neutrální invertázy downregulována interferencí RNA, protože tyto buňky byly

ve srovnání s divokým typem schopnější akumulovat sacharózu (Rohwer, 2012). MFA kukuřičného zrna podobně ukázala, že v závislosti na subcelulárním umístění glyceradehyd-3-fosfátu a identitě zapojených enzymů by marné cyklování mohlo plýtvat mezi 18 a 47% zásoby ATP (Alonso et al., 2011). Kruger a kol. (2007) tvrdí, že je nepravděpodobné, že by tato hodnota byla tak vysoká, jak bylo uvedeno, a že spolehlivé měření 13C MFA pro průtok od hexosfosfátu k glukóze (cyklování sacharózy) bude možné pouze tehdy, je -li známý vzor značení jak pro cytosolický, tak vakuolární zásoby glukózy. Syntéza semenného oleje Během depozice při skladování semen vyžadují biosyntézy různých skladovacích sloučenin různé poměry energetických kofaktorů (ATP a NADPH) a také různé poměry metabolických prekurzorů (Hay a Schwender, 2011b). Protože prediktivní model metabolismu oleje pomáhá při manipulaci se složením semen, bylo v tomto ohledu vynaloženo mnoho úsilí. Důležitým rysem ovlivňujícím výtěžek semenného oleje je průměrná účinnost přeměny uhlíku (CCE), míra účinnosti přeměny substrátů na skladovací produkt (Alonso et al., 2011). CCE je přímá definice metabolické účinnosti a zdůrazňuje podíl zdrojů věnovaných akumulaci strukturální, skladovací a reprodukční biomasy (Chen a Shachar-Hill, 2012). Odhady CCE byly získány pro embryo sluneční (Helianthus annuus) (50%) (Alonso et al., 2007), endosperm kukuřice (76 až 92%) (Alonso et al., 2011) a embryo (56 až 71% ) (Alonso et al., 2010), a B. napus seed (> 80%) (Alonso et al., 2007). Studium metabolické podstaty těchto rozdílů může pomoci nahlédnout do toho, jak lze genetické inženýrství použít ke zvýšení obsahu oleje a zlepšení jeho složení. Pro popis produkce ropy bylo vytvořeno několik modelů, včetně B. napus (Schwender et al., 2004 Schwender, 2008 Hay and Schwender, 2011a, 2011b), kukuřice (Alonso et al., 2010, 2011) a sluneční záplava ( Alonso a kol., 2007). Modelování skladovacího metabolismu ve vyvíjejícím se embryu B. napus zdůraznilo potenciální účast různých cest, včetně tvorby lipidového prekurzoru pyruvátu a potenciální roli PEP karboxylace buď v asimilaci dusíku, nebo v syntéze lipidů. Žádný zvýšený příjem nebo změněné použití aminokyselin, jako možného prekurzoru lipidů, nebylo předpovězeno pomocí MFA nebo FVA (Hay a Schwender, 2011a, 2011b). Stejné studie také charakterizovaly přemostění glykolytických reakcí Rubisco na syntézu lipidů. Tato cesta „obtoku Rubisco“ může vysvětlit pozorovaný nárůst CCE. Vzhledem k energetické potřebě bypassu se však předpokládá, že tento příspěvek bude přínosný pouze tehdy, je -li intenzita světla nad určitou prahovou hodnotou (Hay a Schwender, 2011a). V elegantní studii byl model FBA pro kultivovaný B. napus (Hay a Schwender, 2011a, 2011b) kombinován s vysokorozlišovacím měřením embryí vyvíjejících se v plantě, aby byl získán hloubkový pohled na prostorové variace metabolických toků napříč různými tkáně olejnatých semen. Na rozdíl od predikce modelu FBA tato studie předpovídala, že by se obtok Rubisco vyskytoval pouze ve vnějším kotyledonu, hypokotylu a radikule, nikoli však v

Systémová biologie a metabolismus

vnitřní děloha. To se pravděpodobně děje kvůli tvaru semene, protože jak se semeno zvětšuje, pronikání světla do vnitřních tkání se zmenšuje (Hay a Schwender, 2011a Borisjuk et al., 2013). MFA vyvíjejícího se kukuřičného embrya a endospermu také odhalila, že průtok přes OPPP je v embryu větší než v endospermu. Přesto ani množství uhlíku vstupujícího do embrya nemůže plně uspokojit požadavek NADPH na syntézu mastných kyselin a může omezit produkci oleje, zatímco NADPH není limitujícím faktorem pro syntézu lipidů v endospermu. Studie MFA také odhalily klíčovou roli plastidické NADP-závislé aktivity jablečných enzymů při poskytování redukčního činidla a uhlíku pro syntézu mastných kyselin ve vývoji kukuřičného embrya (Alonso et al., 2010, 2011).

Metabolismus a životní prostředí Úroveň metabolitů je dramaticky ovlivněna nepřízní životního prostředí. Spojení mezi podmínkami prostředí a metabolismem je však skryto složitými sítěmi, které je spojují. Porozumění tomuto spojení se stává důležitějším, když se snažíme rozpoznat roli metabolismu při aklimatizaci na abiotický stres. Na tento problém bylo aplikováno metabolické modelování, které hledalo odpovědi na otázky, do jaké míry může být fungování metabolických drah spojeno se změnami prostředí a zda je zachována konektivita sítě nebo změny mezi různými růstovými podmínkami. Jeden z prvních pokusů o stechiometrické modelování metabolismu rostlin byl proveden za účelem analýzy způsobu skladování endospermu osiva ječmene v reakci na vyčerpání kyslíku (Grafahrend-Belau et al., 2009a). Od té doby několik modelových zkoušek interakcí mezi rostlinou a prostředím studovalo dopad stresu (zvýšená teplota a hyperosmotický stres) (Williams et al., 2010 Cheung et al., 2013), dostupnost uhlíku a dusíku (Sulpice et al., 2013 ), světelné a teplotní podmínky (Töpfer et al., 2013) a dodávka dusíku (dusičnanů nebo amoniaku) (Masakapalli et al., 2013) o heterotrofním metabolismu u Arabidopsis. Rostoucí dostupnost vysokovýkonných dat pro plodiny vede k novým aplikacím modelování ve studiích interakce mezi plodinami a jejich prostředím. Například pro objasnění metabolických profilů toku během abiotických stresů (napětí a sucho) byla rekonstruována metabolická/regulační síť rýžových buněk pro dvě různé tkáně rýže, klíčící semena a fotorespirující listy (Lakshmanan et al., 2013). V jiné studii byl použit metabolický model vyvíjející se listové buňky rýže v genomovém měřítku v rozsahu hodnot fotonového toku (Poolman et al., 2013). Šlechtění nových odrůd plodin se zlepšenou výkonností v abiotickém stresu nabývá na významu. Očekává se proto, že metabolické modelování bude v této oblasti hrát v blízké budoucnosti klíčovou roli.

ZÁVĚREČNÉ POZNÁMKY Výpočetní modelování rostlin se rychle vyvíjí a brzy dosáhne bodu, kdy může začít mít na rostlinu dopad

praxe metabolického inženýrství. Stále však existuje potřeba překonat vážné potíže, než mohou být metabolické modely rostlin rutinně začleněny jako součást biologie systémů plodin a existuje zvláštní potřeba víceúrovňových modelů (Baldazzi et al., 2012). Podle definice víceúrovňový model výslovně integruje mechanismy, které se vyskytují ve více prostorových nebo časových měřítcích a/nebo funkcích (Baldazzi et al., 2012 Walpole et al., 2013). Vytvoření takového modelu někdy vyžaduje řadu různých vstupů od biochemických nebo mechanistických mechanismů po biomechanické jevy, což vede k hybridnímu víceúrovňovému modelu (Baldazzi et al., 2012). Vynikající příklad takového hybridního víceúrovňového modelu byl vyvinut pro srdce (Noble, 2011), ve kterém jsou reakčně-difúzní rovnice (jako popis elektromechanické kontrakce srdce) spojeny se sadou obyčejných diferenciálních rovnic (jako popis transportu iontů na buněčné membráně). Příklady v rostlinné biologii zahrnují modely, které korelují procesy na molekulární úrovni s vývojem/morfogenezí rostlin v Arabidopsis (Vernoux et al., 2011 Grieneisen et al., 2012). Komplexní fyziologickou roli metabolické sítě lze však plně pochopit pouze z celotělového hlediska, kdy jednotlivé buňky, okolní tkáň a celý organismus na metabolické úrovni souvisle interagují (Krauss et al., 2012 Grafahrend-Belau et al., 2013). Bylo popsáno několik přístupů pro kombinování metabolických modelů pokrývajících různé úrovně biologické organizace u lidí (Krauss et al., 2012), zatímco v době tohoto přehledu byl Grafahrend-Belau et al představen jediný víceúrovňový metabolický model v rostlinách . (2013). Během této studie byl víceúrovňový model FBA kombinován s dynamickým celoplošným víceúrovňovým funkčním modelem rostliny. Dynamické FBA bylo provedeno rozdělením vybrané fáze růstu rostlin do několika časových intervalů a výpočtem statického FBA na začátku každého časového intervalu. Aby byly zahrnuty dynamické procesy, byly pro omezení statického FBA v každém časovém intervalu použity směnné toky, které byly předpovězeny funkčním modelem závodu a jsou také časově závislé. Vytvoření víceúrovňového rostlinného modelu vyžaduje simultánní modelování mnoha různých typů buněk v několika spojených tkáních/orgánech.Vzhledem k velkému rozsahu multiorgánového modelu nebo modelu celého organismu je stechiometrické modelování, zejména FBA, nejvhodnějším přístupem. S cílem dosáhnout víceúrovňového metabolického modelu by nejprve měly být validované specifické modely subsystémů konstruovány odděleně a poté mohou být jednotlivé části spojeny dohromady, aby byl vytvořen víceúrovňový model. To představuje několik technických a matematických výzev. Nejprve je třeba, abychom formulovali nová omezení a/nebo objektivní funkce, a to jak na úrovni subsystémů, tak na úrovni integrovaného modelu, abychom co nejrealističtěji popsali chování rostliny. Druhým je nedostatek informací o příjmu a sekreci metabolitu specifických pro tkáň, které jsou pro FBA nutné (Shlomi et al., 2008). Je zřejmé, že spojování submodelů dohromady překresluje hranice systému. Otázkou, která vyvstává během modelů spojovacích subsystémů, je, do jaké míry se budou vzájemné závislosti toků v subsystémech lišit od vzájemných závislostí v propojené metabolické síti. K řešení této otázky byla vyvinuta speciální matematická analýza, jako je analýza spojování fl ux (Marashi a Bockmayr, 2011 Marashi et al., 2012).

Rostlinné metabolické inženýrství bude schopno řešit lidské potřeby pouze tehdy, začne -li provádět smysluplné změny v průmyslovém měřítku. Aby toho bylo dosaženo, je víceúrovňové modelování předpokladem pro získání lepšího porozumění metabolismu na systémové úrovni. Předtím je však třeba modelování rostlinného metabolismu podpořit pokročilejšími bioinformatickými platformami a výpočetními sadami nástrojů. Je také potřeba lépe porozumět regulačním obvodům, kterými se řídí buněčný metabolismus. Kromě toho je také zapotřebí lepší buněčné rozlišení a zvýšená citlivost metabolomiky.

PŘÍSPĚVKY AUTORA Na napsání článku se podíleli všichni autoři.

PODĚKOVÁNÍ Děkujeme R. George Ratcliffeovi za jeho neocenitelný intelektuální přínos a zpětnou vazbu při vývoji tohoto článku.

Přijato 25. července 2014 revidováno 22. září 2014 přijato 2. října 2014 zveřejněno 24. října 2014.

ODKAZY Aharoni, A. a Galili, G. (2011). Metabolické inženýrství rozhraní primárního a sekundárního metabolismu rostlin. Curr. Opin. Biotechnol. 22: 239–244. Allen, D.K., Libourel, I.G.L. a Shachar-Hill, Y. (2009). Metabolická analýza toku v rostlinách: vyrovnání se se složitostí. Plant Cell Environ. 32: 1241–1257. Alonso, A.P., Dale, V.L. a Shachar-Hill, Y. (2010). Porozumění syntéze mastných kyselin ve vývoji embryí kukuřice pomocí metabolické analýzy toku. Metab. Eng. 12: 488–497. Alonso, A.P., Val, D.L. a Shachar-Hill, Y. (2011). Centrální metabolické toky v endospermu vyvíjejících se semen kukuřice a jejich důsledky pro metabolické inženýrství. Metab. Eng. 13: 96–107. Alonso, A.P., Goffman, F.D., Ohlrogge, J.B. a Shachar-Hill, Y. (2007). Účinnost přeměny uhlíku a centrální metabolické toky u vyvíjejících se slunečních zárodků (Helianthus annuus L.). Závod J. 52: 296–308. Alves, R., Antunes, F. a Salvador, A. (2006). Nástroje pro kinetické modelování biochemických sítí. Nat. Biotechnol. 24: 667–672. Arnold, A. a Nikoloski, Z. (2011). Kvantitativní srovnání modelů cyklu Calvin-Benson. Trends Plant Sci. 16: 676–683. Arnold, A. a Nikoloski, Z. (2013). Komplexní klasifikace a perspektiva pro modelování fotorespiračního metabolismu. Plant Biol (Stuttg) 15: 667–675. Arnold, A. a Nikoloski, Z. (2014). Při hledání přesného modelu metabolismu fotosyntetického uhlíku. Matematika. Výpočet. Simul. 96: 171–194. Baldazzi, V., Bertin, N., de Jong, H. a Génard, M. (2012). Směrem k víceúrovňovým modelům zařízení: integrace celulárních sítí. Trends Plant Sci. 17: 728–736. Bar-Even, A., Noor, E., Lewis, N.E. a Milo, R. (2010). Návrh a analýza drah syntetické karbonizace. Proč. Natl. Akadem. Sci. USA 107: 8889–8894.

Becker, J., Klopprogge, C., Schroder, H. a Wittmann, C. (2009). Metabolické inženýrství cyklu trikarboxylových kyselin pro zlepšenou produkci lysinu Corynebacterium glutamicum. Appl. Prostředí. Mikrobiol. 75: 7866–7869. Becker, S.A., Feist, A.M., Mo, M.L., Hannum, G., Palsson, B.O. a Herrgard, M.J. (2007). Kvantitativní predikce buněčného metabolismu pomocí modelů založených na omezeních: sada nástrojů COBRA. Nat. Protoc. 2: 727–738. Beurton-Aimar, M., Beauvoit, B., Monier, A., Vallée, F., DieuaideNoubhani, M. a Colombié, S. (2011). Porovnání mezi analýzou elementárních fl ux režimů a 13C-metabolickými fl uxy měřenými v bakteriálních a rostlinných buňkách. BMC Syst. Biol. 5: 95. Borisjuk, L., et al. (2013). Architektura semen formuje metabolismus embryí v řepce. Plant Cell 25: 1625–1640. Borland, A.M., Hartwell, J., Weston, D.J., Schlauch, K.A., Tschaplinski, T.J., Tuskan, G.A., Yang, X., a Cushman, J.C. (2014). Inženýrství metabolismu kyseliny crassulacean ke zlepšení účinnosti využití vody. Trends Plant Sci. 19: 327–338. Boyle, N.R., a Morgan, J.A. (2011). Výpočet metabolických toků a účinnosti pro biologickou oxidaci oxidu uhličitého. Metab. Eng. 13: 150–158. Bu’Lock, J.D. (1965). Biosyntéza přírodních produktů: Úvod do sekundárního metabolismu. (Londýn: McGraw-Hill). Carrari, F., Urbanczyk-Wochniak, E., Willmitzer, L. a Fernie, A. R. (2003). Inženýrství centrálního metabolismu u plodin: učení systému. Metab. Eng. 5: 191–200. Cascante, M., Boros, L.G., Comin-Anduix, B., de Atauri, P., Centelles, J.J. a Lee, P.W.N. (2002). Metabolická kontrolní analýza při objevování léků a nemocech. Nat. Biotechnol. 20: 243–249. Chandran, A.K.N. a Jung, K.H. (2014). Zdroje pro systémovou biologii v rýži. J. Plant Biol. 57: 80–92. Chen, X. a Shachar-Hill, Y. (2012). Pohledy na metabolickou účinnost z analýzy toku. J. Exp. Bot. 63: 2343–2351. Cheung, C.Y., Poolman, M.G., Fell, D.A., Ratcliffe, R.G. a Sweetlove, L.J. (2014). Dílčí model rovnováhy zachycuje interakce mezi metabolismem světla a tmy během cyklů den-noc v C3 a listy metabolismu kyseliny Crassulacean. Plant Physiol. 165: 917–929. Cheung, C.Y.M., Williams, T.C.R., Poolman, M.G., Fell, D.A., Ratcliffe, R.G. a Sweetlove, L.J. (2013). Metoda účtování nákladů na údržbu v analýze bilance tekutin zlepšuje predikci metabolických fenotypů rostlinných buněk ve stresových podmínkách. Závod J. 75: 1050–1061. Collakova, E., Yen, J.Y. a Senger, R.S. (2012). Jsme připraveni na modelování genomu v rostlinách? Plant Sci. 191-192: 53–70. Colón, A.M., Sengupta, N., Rhodes, D., Dudareva, N., a Morgan, J. (2010). Kinetický model popisuje metabolickou odpověď na poruchy a distribuci kontroly toku v benzenoidní síti Petunia hybrida. Závod J. 62: 64–76. Copeland, W.B., Bartley, B.A., Chandran, D., Galdzicki, M., Kim, K.H., Sleight, S.C., Maranas, C.D., a Sauro, H.M. (2012). Výpočetní nástroje pro metabolické inženýrství. Metab. Eng. 14: 270–280. Cramer, G. R., Urano, K., Delrot, S., Pezzotti, M. a Shinozaki, K. (2011). Účinky abiotického stresu na rostliny: perspektiva systémové biologie. BMC Plant Biol. 11: 163–176. Curien, G., Bastien, O., Robert-Genthon, M., Cornish-Bowden, A., Cárdenas, M.L. a Dumas, R. (2009). Pochopení regulace metabolismu aspartátu pomocí modelu založeného na měřených kinetických parametrech. Mol. Syst. Biol. 5: 271–284. Dandekar, T., Moldenhauer, F., Bulik, S., Bertram, H. a Schuster, S. (2003). Způsob klasifikace metabolitů v analýzách topologických drah na základě minimalizace počtu cest. Biosystems 70: 255–270.

Systémová biologie a metabolismus

de Oliveira Dal’Molin, C.G. a Nielsen, L.K. (2013). Metabolická rekonstrukce a modelování genomového měřítka rostlin. Curr. Opin. Biotechnol. 24: 271–277. de Oliveira Dal’Molin, C.G., Quek, L.E., Palfreyman, R.W., Brumbley, S.M. a Nielsen, L.K. (2010a). AraGEM, rekonstrukce genomové škály primární metabolické sítě v Arabidopsis. Plant Physiol. 152: 579–589. de Oliveira Dal’Molin, C.G., Quek, L.E., Palfreyman, R.W., Brumbley, S.M. a Nielsen, L.K. (2010b). C4GEM, metabolický model v genomovém měřítku ke studiu metabolismu rostlin C4. Plant Physiol. 154: 1871–1885. Elena, S.F., Carrera, J. a Rodrigo, G. (2011). Systémový biologický přístup k vývoji interakcí rostlin a virů. Curr. Opin. Plant Biol. 14: 372–377. Farquhar, G.D., von Caemmerer, S. a Berry, J.A. (1980). Biochemický model fotosyntetické asimilace CO2 v listech druhů C 3. Planta 149: 78–90. Fell, D. (1997). Pochopení kontroly metabolismu. (Londýn: Portland Press). Fernie, A.R., a Morgan, J.A. (2013). Analýza metabolického toku pomocí dynamického značení a metabolického modelování. Plant Cell Environ. 36: 1738–1750. Fernie, AR, Aharoni, A., Willmitzer, L., Stitt, M., Tohge, T., Kopka, J., Carroll, AJ, Saito, K., Fraser, PD a DeLuca, V. (2011) . Doporučení pro hlášení údajů o metabolitech. Plant Cell 23: 2477–2482. Fernie, A.R., et al. (2013). Pohledy na rostlinný fotorespirační metabolismus. Plant Biol (Stuttg) 15: 748–753. Fiehn, O., Barupal, D. K. a druh, T. (2011). Rozšíření biochemických databází o metabolomické průzkumy. J. Biol. Chem. 286: 23637– 23643. Flint, H. J., Tateson, R. W., Barthelmess, I. B., Porteous, D. J., Donachie, W.D., a Kacser, H. (1981). Řízení toku v argininové dráze Neurospora crassa. Modulace enzymatické aktivity a koncentrace. Biochem. J. 200: 231–246. Ghosh, S., Matsuoka, Y., Asai, Y., Hsin, K.Y. a Kitano, H. (2011). Software pro systémovou biologii: od nástrojů po integrované platformy. Nat. Rev. Genet. 12: 821–832. Běž, E.P. (2010). Databázové zdroje v metabolomice: přehled. J. Neuroimmune Pharmacol. 5: 18–30. Gómez-Galera, S., Pelacho, A.M., Gené, A., Capell, T. a Christou, P. (2007). Genetická manipulace léčivých a aromatických rostlin. Plant Cell Rep. 26: 1689–1715. Grafahrend-Belau, E., Schreiber, F., Koschützki, D. a Junker, B.H. (2009a). Analýza bilanční zásoby semen ječmene: výpočetní přístup ke studiu systémových vlastností centrálního metabolismu. Plant Physiol. 149: 585–598. Grafahrend-Belau, E., Klukas, C., Junker, B.H. a Schreiber, F. (2009b). FBA-SimVis: interaktivní vizualizace metabolických modelů založených na omezeních. Bioinformatika 25: 2755–2757. Grafahrend-Belau, E., Junker, A., Eschenröder, A., Müller, J., Schreiber, F. a Junker, B.H. (2013). Víceúrovňové metabolické modelování: dynamická analýza rovnováhy tekutin v celoplošném měřítku. Plant Physiol. 163: 637–647. Grennan, A.K. (2009). MoTo DB: metabolická databáze pro rajčata. Plant Physiol. 151: 1701–1702. Grieneisen, V.A., Scheres, B., Hogeweg, P. a M Marée, A.F. (2012). Kořeny morfogenetiky: srovnání mechanismů tvorby gradientu morfogenu. BMC Syst. Biol. 6: 37. Gutiérrez, R.A. (2012). Systémová biologie pro lepší výživu dusíku rostlin. Science 336: 1673–1675. Gutiérrez, R.A., Shasha, D.E. a Coruzzi, G.M. (2005). Systémová biologie pro virtuální závod. Plant Physiol. 138: 550–554.

Hay, J. a Schwender, J. (2011a). Výpočtová analýza skladovací syntézy u vyvíjejících se embryí Brassica napus L. (řepka): analýza variability fl ux ve vztahu k ¹³C metabolické fl ux analýze. Plant J. 67: 513–525. Hay, J. a Schwender, J. (2011b). Rekonstrukce metabolické sítě a analýza variability toku skladovací syntézy u vyvíjejících se embryí řepky olejky (Brassica napus L.). Plant J. 67: 526–541. Heinig, U., Gutensohn, M., Dudareva, N. a Aharoni, A. (2013). Výzvy buněčné kompartmentalizace v rostlinném metabolickém inženýrství. Curr. Opin. Biotechnol. 24: 239–246. Heinrich, R. a Rapoport, T.A. (1974). Lineární léčba enzymatických řetězců v ustáleném stavu. Obecné vlastnosti, kontrola a pevnost efektoru. Eur. J. Biochem. 42: 89–95. Heinrich, R., Rapoport, S.M. a Rapoport, T.A. (1977). Metabolická regulace a matematické modely. Prog. Biofy. Mol. Biol. 32: 1–82. Hoops, S., Sahle, S., Gauges, R., Lee, C., Pahle, J., Simus, N., Singhal, M., Xu, L., Mendes, P., and Kummer, U. (2006). COPASI - simulátor COmplex PAthway. Bioinformatika 22: 3067–3074. Hucka, M. a kol., SBML Forum (2003). Systémový biologický značkovací jazyk (SBML): médium pro reprezentaci a výměnu modelů biochemických sítí. Bioinformatika 19: 524–531. Jarboe, L.R., Zhang, X., Wang, X., Moore, J.C., Shanmugam, K.T. a Ingram, L.O. (2010). Metabolické inženýrství pro výrobu bioobnovitelných paliv a chemikálií: příspěvky syntetické biologie. J. Biomed. Biotechnol. 2010: 761042. Kacser, H. a Burns, J.A. (1973). Ovládání fl ux. Symp. Soc. Exp. Biol. 27: 65–104. Keurentjes, J.J.B., Angenent, G.C., Dicke, M., Dos Santos, V.A., Molenaar, J., van der Putten, W.H., de Ruiter, P.C., Struik, P.C. a Thomma, B.P. (2011). Obnovení biologie systémů rostlin: od buňky k ekosystému. Trends Plant Sci. 16: 183–190. Kjeldsen, K. R. a Nielsen, J. (2009). In silico genomová rekonstrukce a validace metabolické sítě Corynebacterium glutamicum. Biotechnol. Bioeng. 102: 583–597. Klamt, S. a Stelling, J. (2002). Kombinatorická složitost analýzy dráhy v metabolických sítích. Mol. Biol. Rep. 29: 233– 236. Klamt, S., Saez-Rodriguez, J. a Gilles, E.D. (2007). Strukturální a funkční analýza buněčných sítí s CellNetAnalyzer. BMC Syst. Biol. 1: 2. Klipp, E. a Schaber, J. (2006). Modelování signální transdukce v kvasinkách. In Understanding and Exploiting Systems Biology in Biomedicine and Bioprocesses, M. Canovas, J. Iborra, and A. Manjon, eds (Murica, Spain: Fundacion CajaMurica), pp. 15–30. Kopka, J., et al. (2005). [email  protected]: databáze Golm Metabolome. Bioinformatika 21: 1635–1638. Krauss, M., Schaller, S., Borchers, S., Findeisen, R., Lippert, J. a Kuepfer, L. (2012). Integrace buněčného metabolismu do víceúrovňového modelu celého těla. PLOS Comput. Biol. 8: e1002750. Kruger, N.J., a Ratcliffe, R.G. (2012). Dráhy a průchody: zkoumání metabolické sítě rostlin. J. Exp. Bot. 63: 2243–2246. Kruger, N.J., Le Lay, P. a Ratcliffe, R.G. (2007). Vakuolární kompartmentace komplikuje analýzu metabolismu glukózy v ustáleném stavu a přehodnocuje cyklování sacharózy v rostlinách. Phytochemistry 68: 2189–2196. Kruger, N.J., Masakapalli, S.K. a Ratcliffe, R.G. (2012). Strategie pro zkoumání metabolické sítě rostlin pomocí analýzy metabolického toku v ustáleném stavu: lekce z buněčné kultury Arabidopsis a dalších systémů. J. Exp. Bot. 63: 2309–2323. Kurata, H., Zhao, Q., Okuda, R. a Shimizu, K. (2007). Integrace enzymových aktivit do metabolických distribucí toku pomocí analýzy elementárního režimu. BMC Syst. Biol. 1: 31–44.

Lakshmanan, M., Zhang, Z., Mohanty, B., Kwon, J.Y., Choi, H.Y., Nam, H.J., Kim, D.I. a Lee, D.Y. (2013). Objasnění metabolismu rýžových buněk pod stresem sucha a sucha pomocí modelování a analýzy založené na fl ux. Plant Physiol. 162: 2140–2150. Le Novère, N., et al. (2005). Minimální informace požadované v anotaci biochemických modelů (MIRIAM). Nat. Biotechnol. 23: 1509–1515. Le Novère, N., et al. (2009). Grafický zápis systémové biologie. Nat. Biotechnol. 27: 735–741. Lee, S.Y., Park, J.M. a Kim, T.Y. (2011). Analýza metabolické fl ux v metabolickém inženýrství. In Syntetická biologie, Pt B: Computer Aided Design and DNA Assembly, C. Voigt, ed (San Diego, CA: Elsevier Academic Press), s. 67–93. Li, C. a kol. (2010). Databáze BioModels: Vylepšený, upravený a komentovaný zdroj pro publikované kvantitativní kinetické modely. BMC Syst. Biol. 4: 92. Libourel, I.G.L. a Shachar-Hill, Y. (2008). Metabolická analýza toku v závodech: od inteligentního návrhu po racionální inženýrství. Annu. Rev. Plant Biol. 59: 625–650. Llaneras, F. a Picó, J. (2008). Stechiometrické modelování buněčného metabolismu. J. Biosci. Bioeng. 105: 1–11. Luckner, M. (1972). Sekundární metabolismus u rostlin a zvířat. (Londýn: Chapman a Hall). Marashi, S.-A., a Bockmayr, A. (2011). Analýza tokových vazeb metabolických sítí je citlivá na chybějící reakce. Biosystems 103: 57–66. Marashi, S.-A., David, L. a Bockmayr, A. (2012). Analýza vazeb toku ux metabolických subsystémů. J. Theor. Biol. 302: 62–69. Masakapalli, S.K., Kruger, N.J. a Ratcliffe, R.G. (2013). Metabolický fluxový fenotyp heterotrofních buněk Arabidopsis odhaluje komplexní reakci na změny v dodávce dusíku. Závod J. 74: 569–582. Mendes, P. (2002). Rozvíjející se bioinformatika pro metabolome. Stručný. Bioinformace. 3: 134–145. Mintz-Oron, S., Meir, S., Malitsky, S., Ruppin, E., Aharoni, A. a Shlomi, T. (2012). Rekonstrukce modelů metabolické sítě Arabidopsis zohledňující subcelulární kompartmentalizaci a tkáňovou specifiku. Proč. Natl. Akadem. Sci. USA 109: 339–344. Morandini, P. (2009). Přehodnocení metabolické kontroly. Plant Sci. 176: 441–451. Morandini, P. (2013). Kontrolní limity pro akumulaci rostlinných metabolitů: hrubá síla nenahrazuje porozumění. Rostlinný biotechnol. J. 11: 253–267. Morgan, J.A., a Rhodes, D. (2002). Matematické modelování metabolických drah rostlin. Metab. Eng. 4: 80–89. Morgan, J.A., a Shanks, J.V. (2002). Kvantifikace metabolického toku v sekundárním metabolismu rostlin biogenetickým organizačním přístupem. Metab. Eng. 4: 257–262. Morgan, M. J., Osorio, S., Gehl, B., Baxter, C. J., Kruger, N. J., Ratcliffe, R. G., Fernie, A. R. a Sweetlove, L. J. (2013). Metabolické inženýrství obsahu organických kyselin z rajčat vedené biochemickou analýzou introgresní linie. Plant Physiol. 161: 397–407. Mueller, L.A., Zhang, P. a Rhee, S.Y. (2003). AraCyc: databáze biochemických drah pro Arabidopsis. Plant Physiol. 132: 453–460. Murphy, T.A., Dang, C.V. a Young, J.D. (2013).Izotopicky nestacionární 13C fl ux analýza Myc-indukovaného metabolického přeprogramování v B-buňkách. Metab. Eng. 15: 206–217. Noble, D. (2011). Úspěchy a neúspěchy v modelování elektrofyziologie srdečních buněk. Srdeční rytmus 8: 1798–1803. Papin, J.A., Stelling, J., Price, N.D., Klamt, S., Schuster, S. a Palsson, B.O. (2004). Porovnání metod analýzy dráhy založené na síti. Trends Biotechnol. 22: 400–405.

Papp, B., Notebaart, R.A. a Pál, C. (2011). Systémově biologické přístupy k predikci genomové evoluce. Nat. Rev. Genet. 12: 591–602. Peterhansel, C., Niessen, M. a Kebeish, R.M. (2008). Metabolické inženýrství k posílení fotosyntézy. Fotochem. Fotobiol. 84: 1317–1323. Pilalis, E., Chatziioannou, A., Thomasset, B. a Kolisis, F. (2011). In silico kompartmentalizovaný metabolický model Brassica napus umožňuje systémové studium regulačních aspektů centrálního metabolismu rostlin. Biotechnol. Bioeng. 108: 1673–1682. Pitkänen, E., Rousu, J. a Ukkonen, E. (2010). Výpočtové metody pro metabolickou rekonstrukci. Curr. Opin. Biotechnol. 21: 70–77. Poolman, M.G. (2006). ScrumPy: metabolické modelování s Pythonem. Syst. Biol. (Stevenage) 153: 375–378. Poolman, M.G., Fell, D.A., a Thomas, S. (2000). Modelování fotosyntézy a její řízení. J. Exp. Bot. 51: 319–328. Poolman, M.G., Miguet, L., Sweetlove, L.J. a Fell, D.A. (2009). Genomický metabolický model Arabidopsis a některé jeho vlastnosti. Plant Physiol. 151: 1570–1581. Poolman, M.G., Kundu, S., Shaw, R. a Fell, D.A. (2013). Reakce na intenzitu světla v genomovém modelu metabolismu rýže. Plant Physiol. 162: 1060–1072. Pritchard, L. a Birch, P. (2011). Perspektiva systémové biologie na interakce rostlin a mikrobů: biochemické a strukturální cíle efektorů patogenů. Plant Sci. 180: 584–603. Raikhel, N.V. a Coruzzi, G.M. (2003). Dosažení rostliny in silico. Systémová biologie a budoucnost biologického výzkumu rostlin. Plant Physiol. 132: 404–409. Raines, C.A. (2011). Zvýšení asimilace fotosyntetického uhlíku v rostlinách C3 za účelem zlepšení výnosu plodin: současné a budoucí strategie. Plant Physiol. 155: 36–42. Richter, G. (1978). Rostlinný metabolismus: fyziologie a biochemie primárního metabolismu. (Stuttgart, Německo: Georg Thieme Publishers). Rios-Estepa, R., Turner, G.W., Lee, J.M., Croteau, R.B. a Lange, B.M. (2008). Systémový biologický přístup identifikuje biochemické mechanismy regulující složení monoterpenoidního esenciálního oleje v mátě peprné. Proč. Natl. Akadem. Sci. USA 105: 2818–2823. Rocha, M., Licausi, F., Araújo, W.L., Nunes-Nesi, A., Sodek, L., Fernie, A.R. a van Dongen, J.T. (2010). Glykolýza a cyklus trikarboxylových kyselin jsou spojeny alaninaminotransferázou během hypoxie vyvolané podmáčením Lotus japonicus. Plant Physiol. 152: 1501–1513. Rohn, H., Hartmann, A., Junker, A., Junker, B.H. a Schreiber, F. (2012). FluxMap: VANTED add-on pro vizuální průzkum distribucí fl ux v biologických sítích. BMC Syst. Biol. 6: 33. Rohwer, J. M. (2012). Kinetické modelování metabolických cest rostlin. J. Exp. Bot. 63: 2275–2292. Rohwer, J. M. a Botha, F. C. (2001). Analýza akumulace sacharózy v kulmě cukrové třtiny na základě kinetických dat in vitro. Biochem. J. 358: 437–445. Roscher, A., Kruger, N.J. a Ratcliffe, R.G. (2000). Strategie pro metabolickou analýzu toku v rostlinách pomocí značení izotopů. J. Biotechnol. 77: 81–102. Saha, R., Suthers, P.F. a Maranas, C.D. (2011). Zea mays iRS1563: komplexní metabolická rekonstrukce metabolismu kukuřice v genomovém měřítku. PLoS ONE 6: e21784. Schäfer, W.E., Rohwer, J.M. a Botha, F.C. (2004). Kinetická studie syntázy sacharosy z cukrové třtiny. Eur. J. Biochem. 271: 3971–3977. Schallau, K., a Junker, B.H. (2010). Simulace metabolických drah rostlin pomocí enzymaticko-kinetických modelů. Plant Physiol. 152: 1763– 1771. Schreiber, F., Colmsee, C., Czauderna, T., Grafahrend-Belau, E., Hartmann, A., Junker, A., Junker, B.H., Klapperstück, M., Scholz,

Systémová biologie a metabolismus

U. a Weise, S. (2012). MetaCrop 2.0: správa a průzkum informací o metabolismu plodin. Nucleic Acids Res. 40: D1173 - D1177. Schuster, S., Dandekar, T. a Fell, D.A. (1999). Detekce elementárních režimů toku v biochemických sítích: slibný nástroj pro analýzu dráhy a metabolické inženýrství. Trends Biotechnol. 17: 53–60. Schuster, S., Fell, D.A. a Dandekar, T. (2000). Obecná definice metabolických drah užitečná pro systematickou organizaci a analýzu složitých metabolických sítí. Nat. Biotechnol. 18: 326–332. Schwender, J. (2008). Metabolická analýza toku jako nástroj v metabolickém inženýrství rostlin. Curr. Opin. Biotechnol. 19: 131–137. Schwender, J., Goffman, F., Ohlrogge, J.B. a Shachar-Hill, Y. (2004). Rubisco bez Calvinova cyklu zlepšuje uhlíkovou efektivitu vývoje zelených semen. Příroda 432: 779–782. Seaver, S.M., Henry, C.S. a Hanson, A.D. (2012). Hranice v metabolické rekonstrukci a modelování genomů rostlin. J. Exp. Bot. 63: 2247–2258. Shachar-Hill, Y. (2013). Analýza toku metabolické sítě pro systémy strojírenských závodů. Curr. Opin. Biotechnol. 24: 247–255. Shlomi, T., Cabili, M.N., Herrgård, M.J., Palsson, B.Ř. a Ruppin, E. (2008). Síťová predikce metabolismu lidské tkáně. Nat. Biotechnol. 26: 1003–1010. Small, J. R., a Kacser, H. (1993). Reakce metabolických systémů na velké změny v enzymových aktivitách a efektorech. 1. Lineární léčba nerozvětvených řetězců. Eur. J. Biochem. 213: 613–624. Smallbone, K., Simeonidis, E., Swainston, N. a Mendes, P. (2010). Směrem ke kinetickému modelu buněčného metabolismu v měřítku genomu. BMC Syst. Biol. 4: 6. Steuer, R. (2007). Výpočtové přístupy k topologii, stabilitě a dynamice metabolických sítí. Phytochemistry 68: 2139–2151. Steuer, R., Gross, T., Selbig, J. a Blasius, B. (2006). Strukturní kinetické modelování metabolických sítí. Proč. Natl. Akadem. Sci. USA 103: 11868–11873. Steuer, R., Nesi, A.N., Fernie, A.R., Gross, T., Blasius, B. a Selbig, J. (2007). Od struktury k dynamice metabolických cest: aplikace do mitochondriálního cyklu TCA rostlin. Bioinformatika 23: 1378–1385. Stitt, M., Sulpice, R. a Keurentjes, J. (2010). Metabolické sítě: jak identifikovat klíčové složky v regulaci metabolismu a růstu. Plant Physiol. 152: 428–444. Studart-Guimarães, C., Fait, A., Nunes-Nesi, A., Carrari, F., Usadel, B. a Fernie, A.R. (2007). Sníženou expresi sukcinyl-koenzym A ligázy lze kompenzovat up-regulací zkratu g-aminobutyrátu v osvětlených listech rajčat. Plant Physiol. 145: 626–639. Sulpice, R., Sienkiewicz-Porzucek, A., Osorio, S., Krahnert, I., Stitt, M., Fernie, A.R. a Nunes-Nesi, A. (2010). Mírné snížení aktivity izocitrátdehydrogenázy závislé na cytosolické NADP má za následek nižší obsah aminokyselin a pigmentaci bez ovlivnění růstu. Aminokyseliny 39: 1055–1066. Sulpice, R., Nikoloski, Z., Tschoep, H., Antonio, C., Kleessen, S., Larhlimi, A., Selbig, J., Ishihara, H., Gibon, Y., Fernie, AR, and Stitt, M. (2013). Vliv dodávek uhlíku a dusíku na vztahy a propojení mezi metabolizmem a biomasou v širokém panelu přistoupení Arabidopsis. Plant Physiol. 162: 347–363. Sweetlove, L. J. a Ratcliffe, R. G. (2011). Modelování tokové rovnováhy rostlinného metabolismu. Přední. Plant Sci. 2: 38. Sweetlove, L. J. a Fernie, A. R. (2013). Prostorová organizace metabolismu v rostlinné buňce. Annu. Rev. Plant Biol. 64: 723–746.

Sweetlove, L. J., Last, R. L. a Fernie, A. R. (2003). Prediktivní metabolické inženýrství: cíl pro systémovou biologii. Plant Physiol. 132: 420–425. Sweetlove, L. J., Fell, D. a Fernie, A. R. (2008). Seznámení s metabolickou sítí rostlin. Biochem. J. 409: 27–41. Sweetlove, L. J., Obata, T. a Fernie, A. R. (2014). Systémová analýza metabolických fenotypů: co jsme se naučili? Trends Plant Sci. 19: 222–230. Sweetlove, L. J., Williams, T. C., Cheung, C. Y. a Ratcliffe, R. G. (2013). Modelování vývoje metabolického CO₂ - nový pohled na dýchání. Plant Cell Environ. 36: 1631–1640. Sweetlove, L.J., Beard, K.F.M., Nunes-Nesi, A., Fernie, A.R. a Ratcliffe, R.G. (2010). Nejen kruh: fl ux režimy v rostlinném cyklu TCA. Trends Plant Sci. 15: 462–470. Szecowka, M., Heise, R., Tohge, T., Nunes-Nesi, A., Vosloh, D., Huege, J., Feil, R., Lunn, J., Nikoloski, Z., Stitt, M ., Fernie, AR a Arrivault, S. (2013). Metabolické proudy v osvětlené růžici Arabidopsis. Plant Cell 25: 694–714. Tomar, N., a De, R.K. (2013). Porovnání metod pro analýzu metabolické sítě a aplikace v metabolickém inženýrství. Gen 521: 1–14. Töpfer, N., Jozefczuk, S. a Nikoloski, Z. (2012). Integrace časově rozlišených transkriptomických dat s metodami založenými na fl ux odhaluje stresem indukovanou metabolickou adaptaci v Escherichia coli. BMC Syst. Biol. 6: 148. Töpfer, N., Scossa, F., Fernie, A. a Nikoloski, Z. (2014). Proměnlivost hladin metabolitů je spojena s rozdílnými metabolickými cestami v reakcích Arabidopsis na abiotické stresy. PLoS Comp. Biol. 10: e1003656. Töpfer, N., Caldana, C., Grimbs, S., Willmitzer, L., Fernie, A.R. a Nikoloski, Z. (2013). Integrace modelování v genomovém měřítku a profilování transkriptů odhaluje metabolické cesty, které jsou základem aklimatizace světla a teploty v Arabidopsis. Plant Cell 25: 1197–1211. Toubiana, D., Fernie, A. R., Nikoloski, Z. a Fait, A. (2013). Síťová analýza: řešení komplexních dat ke studiu metabolismu rostlin. Trends Biotechnol. 31: 29–36. Toya, Y. a Shimizu, H. (2013). Analýza toku a metabolomika pro systematické metabolické inženýrství mikroorganismů. Biotechnol. Adv. 31: 818–826. Vernoux, T., et al. (2011). Auxinová signalizační síť překládá dynamický vstup do robustního vzorování na vrcholu natáčení. Mol. Syst. Biol. 7: 508. Walpole, J., Papin, J.A. a Peirce, S.M. (2013). Víceúrovňové výpočetní modely komplexních biologických systémů. Ann. Rev. Biomed. Eng. 15: 137–154. Wang, C., Guo, L., Li, Y. a Wang, Z. (2012). Systematické srovnání rostlin C3 a C4 na základě analýzy metabolické sítě. BMC Syst. Biol. 6 (dodatek 2): S9. Wang, J.P., et al. (2014). Kompletní enzymatická reakce na bázi proteomů a kinetika inhibice odhalují, jak rodiny biosyntetických enzymů monolignol ovlivňují metabolický tok a lignin u Populus trichocarpa. Plant Cell 26: 894–914. Weissmann, S. a Brutnell, T.P. (2012). Inženýrské fotosyntetické regulační sítě C4. Curr. Opin. Biotechnol. 23: 298–304. Wiechert, W. (2002). Modelování a simulace: nástroje pro metabolické inženýrství. J. Biotechnol. 94: 37–63. Williams, T.C., Poolman, M.G., Howden, A.J., Schwarzlander, M., Fell, D.A., Ratcliffe, R.G. a Sweetlove, L.J. (2010). Metabolický model v genomovém měřítku přesně předpovídá toky v centrálním metabolismu uhlíku ve stresových podmínkách. Plant Physiol. 154: 311–323. Xu, C., Liu, L., Zhang, Z., Jin, D., Qiu, J. a Chen, M. (2013a). Metabolický model v genomovém měřítku při vedení metabolického inženýrství mikrobiálního zlepšení. Appl. Mikrobiol. Biotechnol. 97: 519–539. Xu, P., Bhan, N. a Koffas, M.A.G. (2013b). Inženýrství metabolismu rostlin na mikroby: od systémové biologie po syntetickou biologii. Curr. Opin. Biotechnol. 24: 291–299.

Yonekura-Sakakibara, K., Fukušima, A. a Saito, K. (2013). Modelování transkriptomových dat pro cílené metabolické inženýrství rostlin. Curr. Opin. Biotechnol. 24: 285–290. Young, J.D., Shastri, A.A., Stephanopoulos, G., a Morgan, J.A. (2011). Mapování fotoautotrofního metabolismu s izotopově nestacionární (13) analýzou C fl ux. Metab. Eng. 13: 656–665. Yuan, J.S., Galbraith, D.W., Dai, S.Y., Griffin, P. a Stewart, C.N., Jr. (2008). Biologie rostlinných systémů dospívá. Trends Plant Sci. 13: 165–171. Zhang, P., et al. (2010). Vytvoření databáze genomové metabolické cesty pro Populus trichocarpa s využitím nového přístupu pro

rekonstrukce a kurace metabolických cest pro rostliny. Plant Physiol. 153: 1479–1491. Zhu, X.G., de Sturler, E. a Long, S.P. (2007). Optimalizace distribuce zdrojů mezi enzymy metabolismu uhlíku může dramaticky zvýšit rychlost fotosyntézy: numerická simulace využívající evoluční algoritmus. Plant Physiol. 145: 513–526. Zhu, X.G., Wang, Y., Ort, D.R. a Long, S.P. (2013). e-fotosyntéza: komplexní dynamický mechanický model fotosyntézy C3: od zachycení světla po syntézu sacharózy. Plant Cell Environ. 36: 1711–1727.

Metabolické modelování rostlin: Dosažení nového pohledu na metabolismus a metabolické inženýrství Kambiz Baghalian, Mohammad-Reza Hajirezaei a Falk Schreiber Plant Cell původně publikováno online 24. října 2014 DOI 10.1105/tpc.114.130328 Tyto informace jsou aktuální k 24. říjnu 2014 Oprávnění


Možnosti přístupu

Získejte plný přístup k deníku na 1 rok

Všechny ceny jsou ČISTÉ ceny.
DPH bude přidáno později v pokladně.
Výpočet daně bude dokončen při pokladně.

Získejte časově omezený nebo plný přístup k článkům na ReadCube.

Všechny ceny jsou ČISTÉ ceny.


Poděkování

Týmu reprodukovatelných výsledků výzkumu (R3), zejména C. Trefoisovi a Y. Jaroszovi z lucemburského centra pro systémovou biomedicínu, je uznávána pomoc při nastavování virtuálního počítače a serveru Jenkins. Tato studie byla financována Národním centrem excelence ve výzkumu (NCER) o Parkinsonově chorobě, americkým ministerstvem energetiky, kancelářemi pokročilého vědeckého počítačového výzkumu a biologickým a environmentálním výzkumem v rámci programu Scientific Discovery Through Advanced Computing, grant č. . DE-SC0010429. Tento projekt také získal finanční prostředky z programu Evropské unie HORIZON 2020 pro výzkum a inovace v rámci grantové dohody č. 668738 a Lucemburský národní fond pro výzkum (FNR) ATTRACT (FNR/A12/01) a granty OPEN (FNR/O16/11402054). N.E.L. byl podporován NIGMS (R35 GM119850) a nadací Novo Nordisk Foundation (NNF10CC1016517). M.A.P.O. byl podpořen grantem Lucemburského národního výzkumného fondu (FNR) AFR/6669348. A.R. byla podpořena cenou Lilly Innovation Fellows Award. F.J.P. byl podpořen ministrem hospodářství a konkurenceschopnosti Španělska (BIO2016-77998-R) a programem baskické vlády ELKARTEK (KK-2016/00026). IA. byl podpořen predoktorálním grantem baskické vlády (PRE_2016_2_0044). B.Ø.P. byla podpořena nadací Novo Nordisk prostřednictvím Centra pro biologickou udržitelnost na Technické univerzitě v Dánsku (NNF10CC1016517).


7 Shrnutí a Outlook

Hluboký význam thiaminu pro zdraví všech organismů a nedostatky předchozích metod analýzy thiaminu společně podpořily pokračující zájem o zdokonalení metodik monitorování thiaminu v různých matricích. Byla vyvinuta řada kolorimetrických, fluorescenčních, elektrochemických a biologických přístupů, z nichž každý má své vlastní výhody a výhrady (tabulka 1). Ačkoli kdysi byly kolorimetrické přístupy kdysi široce používány, díky inherentně jednoduchému principu detekce do značné míry upadly v nemilost namísto citlivějších fluorometrických metod, vzhledem k jejich vysokým detekčním limitům (μ m) a riziku interferencí, zvláště když biologické jsou vzaty v úvahu vzorky. V důsledku toho se nejčastěji používané metodologie spoléhaly na fluorescenční detekci po chromatografické separaci. Tyto zavedené metodiky nabízejí výhodu citlivé kvantifikace thiaminu ve vícesložkových směsích a speciace thiaminfosfátů. Pokroky v separacích HPLC a vylepšení detekčních schopností nabízejí schopnost dosáhnout působivých úrovní detekce pM vhodných pro dobře vybavená laboratorní prostředí.


Podívejte se na video: Lekce 9 Znaky Ě Š Č Ř Ž Ý Á Í É Ú Ď Ť Ň (Listopad 2021).