El análisis de equilibrio de flujo ( FBA ) es un método matemático para simular el metabolismo en reconstrucciones de redes metabólicas a escala genómica . En comparación con los métodos tradicionales de modelado, FBA es menos intensivo en términos de los datos de entrada necesarios para construir el modelo. Las simulaciones realizadas con FBA son computacionalmente económicas y pueden calcular los flujos metabólicos en estado estacionario para modelos grandes (más de 2000 reacciones) en unos pocos segundos en computadoras personales modernas. El método relacionado de análisis de las vías metabólicas busca encontrar y enumerar todas las posibles vías entre los metabolitos.
FBA encuentra aplicaciones en la ingeniería de bioprocesos para identificar sistemáticamente modificaciones en las redes metabólicas de los microbios utilizados en los procesos de fermentación que mejoran los rendimientos de productos químicos de importancia industrial como el etanol y el ácido succínico. [2] También se ha utilizado para la identificación de objetivos farmacológicos putativos en cáncer [3] y patógenos, [4] diseño racional de medios de cultivo, [5] e interacciones huésped-patógeno . [6] Los resultados de FBA se pueden visualizar usando mapas de flujo similares a la imagen de la derecha, que ilustra los flujos de estado estacionario llevados por las reacciones en la glucólisis . El grosor de las flechas es proporcional al flujo a través de la reacción.
FBA formaliza el sistema de ecuaciones que describen los cambios de concentración en una red metabólica como el producto escalar de una matriz de los coeficientes estequiométricos (la matriz estequiométrica S ) y el vector v de los flujos no resueltos. El lado derecho del producto escalar es un vector de ceros que representa el sistema en estado estable . Luego, la programación lineal se utiliza para calcular una solución de flujos correspondientes al estado estacionario.
Historia
Algunos de los primeros trabajos en Logística de Amazon se remontan a principios de la década de 1980. Papoutsakis [7] demostró que era posible construir ecuaciones de equilibrio de flujo utilizando un mapa metabólico. Sin embargo, fue Watson [8] quien introdujo por primera vez la idea de usar programación lineal y una función objetivo para resolver los flujos en una ruta. El primer estudio significativo fue publicado posteriormente por Fell y Small, [9] quienes utilizaron el análisis de balance de flujo junto con funciones objetivas más elaboradas para estudiar las limitaciones en la síntesis de grasas.
Simulaciones
FBA no es computacionalmente intensivo, toma del orden de segundos para calcular los flujos óptimos para la producción de biomasa para una red típica (alrededor de 2000 reacciones). Esto significa que el efecto de eliminar reacciones de la red y / o cambiar las restricciones de flujo se puede modelar con sensatez en una sola computadora.
Estudios de alteración y deleción de genes / reacciones
Eliminación de reacción única
Una técnica de uso frecuente para buscar reacciones que son particularmente críticas para la producción de biomasa en una red metabólica. Al eliminar cada reacción en una red a su vez y medir el flujo previsto a través de la función de biomasa, cada reacción puede clasificarse como esencial (si el flujo a través de la función de biomasa se reduce sustancialmente) o no esencial (si el flujo a través de la función de biomasa la función no se modifica o solo se reduce ligeramente).
Eliminación de reacciones por pares
La eliminación de reacciones por pares de todos los posibles pares de reacciones es útil cuando se buscan dianas de fármacos, ya que permite la simulación de tratamientos con múltiples dianas, ya sea por un solo fármaco con múltiples dianas o por combinaciones de fármacos. Los estudios de doble deleción también pueden cuantificar las interacciones letales sintéticas entre diferentes vías, proporcionando una medida de la contribución de la vía a la robustez general de la red.
Deleciones de genes únicos y múltiples
Los genes están conectados a reacciones catalizadas por enzimas mediante expresiones booleanas conocidas como expresiones gen-proteína-reacción (GPR). Normalmente, un GPR toma la forma (Gene A AND Gene B) para indicar que los productos de los genes A y B son subunidades de proteína que se ensamblan para formar la proteína completa y, por lo tanto, la ausencia de cualquiera de ellos daría como resultado la eliminación de la reacción. Por otro lado, si el GPR es (Gene A OR Gene B), implica que los productos de los genes A y B son isoenzimas . Por lo tanto, es posible evaluar el efecto de deleciones de genes únicos o múltiples mediante la evaluación de GPR como una expresión booleana. Si el GPR se evalúa como falso , la reacción se limita a cero en el modelo antes de realizar FBA. Por lo tanto, las eliminaciones genéticas se pueden simular utilizando FBA.
Interpretación de los resultados de la eliminación de genes y reacciones
La utilidad de los análisis de inhibición y deleción de reacciones se hace más evidente si se ha ensamblado una matriz de reacción de gen-proteína para la red que se está estudiando con FBA. La matriz de reacción gen-proteína es una matriz binaria que conecta los genes con las proteínas elaboradas a partir de ellos. Usando esta matriz, la esencialidad de la reacción se puede convertir en esencialidad genética que indica los defectos genéticos que pueden causar un determinado fenotipo de enfermedad o las proteínas / enzimas que son esenciales (y, por lo tanto, qué enzimas son las dianas farmacológicas más prometedoras en los patógenos). Sin embargo, la matriz de reacción gen-proteína no especifica la relación booleana entre genes con respecto a la enzima, sino que simplemente indica una asociación entre ellos. Por lo tanto, debe usarse solo si la expresión booleana GPR no está disponible.
Inhibición de la reacción
El efecto de inhibir una reacción, en lugar de eliminarla por completo, se puede simular en FBA restringiendo el flujo permitido a través de ella. El efecto de una inhibición se puede clasificar como letal o no letal aplicando los mismos criterios que en el caso de una deleción donde se utiliza un umbral adecuado para distinguir "sustancialmente reducido" de "ligeramente reducido". Generalmente, la elección del umbral es arbitraria, pero se puede obtener una estimación razonable a partir de experimentos de crecimiento en los que se realizan realmente las inhibiciones / deleciones simuladas y se mide la tasa de crecimiento.
Optimización de medios de crecimiento
Para diseñar medios de crecimiento óptimos con respecto a tasas de crecimiento mejoradas o secreción de subproductos útiles, es posible utilizar un método conocido como análisis de plano de fase fenotípica. PhPP implica aplicar FBA repetidamente en el modelo mientras se covarían las restricciones de absorción de nutrientes y se observa el valor de la función objetivo (o flujos de subproductos). PhPP hace posible encontrar la combinación óptima de nutrientes que favorezcan un fenotipo particular o un modo de metabolismo que resulte en mayores tasas de crecimiento o secreción de subproductos de utilidad industrial. Se ha demostrado que las tasas de crecimiento pronosticadas de bacterias en diversos medios se correlacionan bien con los resultados experimentales [10] , así como también definen medios mínimos precisos para el cultivo de Salmonella typhimurium . [11]
Descripción matemática
En contraste con el enfoque tradicionalmente seguido de modelado metabólico usando ecuaciones diferenciales ordinarias acopladas , el análisis del balance de flujo requiere muy poca información en términos de los parámetros cinéticos de la enzima y la concentración de metabolitos en el sistema. Lo logra haciendo dos suposiciones, estado estacionario y optimalidad. La primera suposición es que el sistema modelado ha entrado en un estado estable, donde las concentraciones de metabolitos ya no cambian, es decir, en cada nodo de metabolito los flujos de producción y consumo se cancelan entre sí. El segundo supuesto es que el organismo se ha optimizado a través de la evolución para algún objetivo biológico, como el crecimiento óptimo o la conservación de recursos. El supuesto de estado estacionario reduce el sistema a un conjunto de ecuaciones lineales, que luego se resuelve para encontrar una distribución de flujo que satisfaga la condición de estado estacionario sujeta a las restricciones de estequiometría mientras maximiza el valor de una pseudoreacción (la función objetivo) que representa la conversión de precursores de biomasa en biomasa.
La suposición del estado estacionario se remonta a las ideas de balance de materiales desarrolladas para modelar el crecimiento de células microbianas en fermentadores en ingeniería de bioprocesos. Durante el crecimiento microbiano, se consume un sustrato que consiste en una mezcla compleja de fuentes de carbono, hidrógeno, oxígeno y nitrógeno junto con oligoelementos para generar biomasa. El modelo de balance de materiales para este proceso se convierte en:
Si consideramos que el sistema de células microbianas está en estado estable, entonces podemos establecer el término de acumulación en cero y reducir las ecuaciones de balance de materiales a ecuaciones algebraicas simples. En tal sistema, el sustrato se convierte en la entrada al sistema que se consume y la biomasa se produce convirtiéndose en la salida del sistema. El balance de materiales puede entonces representarse como:
Matemáticamente, las ecuaciones algebraicas se pueden representar como un producto escalar de una matriz de coeficientes y un vector de incógnitas. Dado que el supuesto de estado estacionario pone el término de acumulación en cero. El sistema se puede escribir como:
Al extender esta idea a las redes metabólicas, es posible representar una red metabólica como un conjunto de ecuaciones balanceadas estequiométricas. Pasando al formalismo matricial, podemos representar las ecuaciones como el producto escalar de una matriz de coeficientes estequiométricos (matriz estequiométrica) y el vector de flujos como las incógnitas y establezca el lado derecho en 0, lo que implica el estado estable.
Las redes metabólicas suelen tener más reacciones que metabolitos y esto da un sistema subdeterminado de ecuaciones lineales que contienen más variables que ecuaciones. El enfoque estándar para resolver estos sistemas subdeterminados es aplicar programación lineal .
Los programas lineales son problemas que se pueden expresar en forma canónica :
donde x representa el vector de las variables (por determinar), c y b son vectores de coeficientes (conocidos), A es un (conocida) de la matriz de coeficientes, yes la matriz de transposición . La expresión a maximizar o minimizar se llama función objetivo ( c T x en este caso). Las desigualdades A x ≤ b son las restricciones que especifican un politopo convexo sobre el cual se optimizará la función objetivo.
La programación lineal requiere la definición de una función objetivo. Se considera que la solución óptima al problema LP es la solución que maximiza o minimiza el valor de la función objetivo según el caso en cuestión. En el caso del análisis de balance de flujo, la función objetivo Z para el LP se define a menudo como producción de biomasa. La producción de biomasa se simula mediante una ecuación que representa una reacción agrupada que convierte varios precursores de biomasa en una unidad de biomasa.
Por lo tanto, la forma canónica de un problema de análisis de balance de flujo sería:
dónde representa el vector de flujos (por determinar), es una matriz (conocida) de coeficientes. La expresión a maximizar o minimizar se llama función objetivo (en este caso). Las desigualdades y definir, respectivamente, las tasas de flujo mínima y máxima para cada reacción correspondiente a las columnas de la matriz. Estas tasas se pueden determinar experimentalmente para restringir y mejorar la precisión predictiva del modelo aún más o se pueden especificar a un valor arbitrariamente alto que indique que no hay restricción en el flujo a través de la reacción.
La principal ventaja del enfoque del equilibrio de flujo es que no requiere ningún conocimiento de las concentraciones de metabolitos o, lo que es más importante, de la cinética enzimática del sistema; El supuesto de homeostasis excluye la necesidad de conocer las concentraciones de metabolitos en cualquier momento siempre que esa cantidad permanezca constante y, además, elimina la necesidad de leyes de velocidad específicas , ya que supone que en estado estacionario, no hay cambios en el tamaño del metabolito. piscina en el sistema. Los coeficientes estequiométricos por sí solos son suficientes para la maximización matemática de una función objetivo específica .
La función objetivo es esencialmente una medida de cómo cada componente del sistema contribuye a la producción del producto deseado. El producto en sí depende del propósito del modelo, pero uno de los ejemplos más comunes es el estudio de la biomasa total. Un ejemplo notable del éxito de FBA es la capacidad de predecir con precisión la tasa de crecimiento del procariota E. coli cuando se cultiva en diferentes condiciones. [10] En este caso, el sistema metabólico se optimizó para maximizar la función objetivo de la biomasa. Sin embargo, este modelo se puede utilizar para optimizar la producción de cualquier producto y, a menudo, se utiliza para determinar el nivel de producción de algún producto biotecnológicamente relevante. El modelo en sí puede verificarse experimentalmente cultivando organismos utilizando un quimiostato o herramientas similares para garantizar que las concentraciones de nutrientes se mantengan constantes. Las mediciones de la producción del objetivo deseado se pueden utilizar para corregir el modelo.
Se puede encontrar una buena descripción de los conceptos básicos de FBA en el material complementario de Edwards et al. 2001 [10] que se puede encontrar en el sitio web de Nature. [12] Otras fuentes incluyen el libro "Biología de sistemas" de B. Palsson dedicado al tema [13] y un útil tutorial y artículo de J. Orth. [14] Existen muchas otras fuentes de información sobre la técnica en la literatura científica publicada, como Lee et al. 2006, [15] Feist et al. 2008, [16] y Lewis et al. 2012. [17]
Preparación y perfeccionamiento de modelos
Las partes clave de la preparación del modelo son: crear una red metabólica sin espacios, agregar restricciones al modelo y, finalmente, agregar una función objetivo (a menudo llamada función de biomasa), generalmente para simular el crecimiento del organismo que se está modelando.
Herramientas de software y redes metabólicas
Las redes metabólicas pueden variar en alcance desde las que describen una única vía , hasta la célula , tejido u organismo . El principal requisito de una red metabólica que forma la base de una red lista para FBA es que no contenga huecos. Por lo general, esto significa que se requiere una curación manual extensa, lo que hace que la preparación de una red metabólica para el análisis del balance de flujo sea un proceso que puede llevar meses o años. Sin embargo, los avances recientes, como los llamados métodos de llenado de huecos, pueden reducir el tiempo requerido a semanas o meses.
Los paquetes de software para la creación de modelos FBA incluyen Pathway Tools / MetaFlux , [18] [19] Simpheny, [20] [21] MetNetMaker, [22] y CarveMe. [23]
Generalmente, los modelos se crean en formato BioPAX o SBML para que se puedan realizar análisis o visualización adicionales en otro software, aunque esto no es un requisito.
Restricciones
Una parte clave de FBA es la capacidad de agregar restricciones a las tasas de flujo de reacciones dentro de las redes, obligándolas a permanecer dentro de un rango de valores seleccionados. Esto permite que el modelo simule con mayor precisión el metabolismo real. Las limitaciones pertenecen a dos subconjuntos desde una perspectiva biológica; restricciones de contorno que limitan la absorción / excreción de nutrientes y las restricciones internas que limitan el flujo a través de reacciones dentro del organismo. En términos matemáticos, se puede considerar la aplicación de restricciones para reducir el espacio de solución del modelo FBA. Además de las restricciones aplicadas en los bordes de una red metabólica, las restricciones se pueden aplicar a reacciones en las profundidades de la red. Estas limitaciones suelen ser sencillas; pueden restringir la dirección de una reacción debido a consideraciones de energía o restringir la velocidad máxima de una reacción debido a la velocidad finita de todas las reacciones en la naturaleza.
Limitaciones de los medios de crecimiento
Los organismos y todos los demás sistemas metabólicos requieren algún aporte de nutrientes. Por lo general, la tasa de absorción de los nutrientes viene determinada por su disponibilidad (un nutriente que no está presente no puede ser absorbido), sus constantes de concentración y difusión (las concentraciones más altas de metabolitos que se difunden rápidamente se absorben más rápidamente) y el método de absorción (como transporte activo o difusión facilitada versus difusión simple).
Si la tasa de absorción (y / o excreción) de ciertos nutrientes se puede medir experimentalmente, esta información se puede agregar como una restricción a la tasa de flujo en los bordes de un modelo metabólico. Esto asegura que los nutrientes que no están presentes o no absorbidos por el organismo no entren en su metabolismo (la tasa de flujo está limitada a cero) y también significa que la simulación cumple con las tasas conocidas de absorción de nutrientes. Esto proporciona un método secundario para asegurarse de que el metabolismo simulado tenga propiedades verificadas experimentalmente en lugar de solo matemáticamente aceptables.
Restricciones de reacción termodinámica
En principio, todas las reacciones son reversibles, sin embargo, en la práctica, las reacciones a menudo ocurren de manera efectiva en una sola dirección. Esto puede deberse a una concentración significativamente mayor de reactivos en comparación con la concentración de los productos de la reacción. Pero ocurre más a menudo porque los productos de una reacción tienen una energía libre mucho menor que los reactivos y, por lo tanto, se favorece más la dirección de avance de una reacción.
Para reacciones ideales,
Para ciertas reacciones, se puede aplicar una restricción termodinámica que implica dirección (en este caso hacia adelante)
De manera realista, el flujo a través de una reacción no puede ser infinito (dado que las enzimas en el sistema real son finitas) lo que implica que,
Restricciones de flujo medidas experimentalmente
Ciertas tasas de flujo se pueden medir experimentalmente () y los flujos dentro de un modelo metabólico se pueden restringir, dentro de algún error (), para garantizar que estas tasas de flujo conocidas se reproduzcan con precisión en la simulación.
Las tasas de flujo se miden más fácilmente para la absorción de nutrientes en el borde de la red. Es posible medir los flujos internos utilizando metabolitos visibles por RMN o marcados radiactivamente.
Los modelos metabólicos restringidos listos para FBA se pueden analizar usando software como la caja de herramientas COBRA [24] (implementaciones disponibles en MATLAB y Python ), SurreyFBA, [25] o FAME basado en la web. [26] Se han enumerado paquetes de software adicionales en otra parte. [27] Recientemente se ha revisado una revisión completa de todo este software y sus funcionalidades. [28]
Una alternativa de código abierto está disponible en R (lenguaje de programación) como los paquetes abcdeFBA o sybil [29] para realizar FBA y otras técnicas de modelado basadas en restricciones. [30]
Función objetiva
Logística de Amazon puede brindar una gran cantidad de soluciones matemáticamente aceptables al problema de estado estacionario . Sin embargo, las soluciones de interés biológico son las que producen los metabolitos deseados en la proporción correcta. La función objetivo define la proporción de estos metabolitos. Por ejemplo, al modelar el crecimiento de un organismo, la función objetivo se define generalmente como biomasa. Matemáticamente, es una columna en la matriz de estequiometría cuyas entradas colocan una "demanda" o actúan como un "sumidero" de precursores biosintéticos como ácidos grasos, aminoácidos y componentes de la pared celular que están presentes en las filas correspondientes de la S matriz. Estas entradas representan proporciones en peso seco, medidas experimentalmente, de componentes celulares. Por lo tanto, esta columna se convierte en una reacción agrupada que simula el crecimiento y la reproducción. Por lo tanto, la precisión de las mediciones experimentales juega un papel esencial en la definición correcta de la función de la biomasa y hace que los resultados de FBA sean biológicamente aplicables al garantizar que el metabolismo produzca la proporción correcta de metabolitos.
Al modelar redes más pequeñas, la función objetivo se puede cambiar en consecuencia. Un ejemplo de esto estaría en el estudio de las vías de metabolismo de los carbohidratos donde la función objetivo probablemente se definiría como una cierta proporción de ATP y NADH y así simularía la producción de metabolitos de alta energía por esta vía.
Optimización de la función objetivo / biomasa
La programación lineal se puede utilizar para encontrar una única solución óptima. El objetivo de optimización biológica más común para una red metabólica de organismo completo sería elegir el vector de flujo que maximiza el flujo a través de una función de biomasa compuesta por los metabolitos constituyentes del organismo colocados en la matriz estequiométrica y denotados o simplemente
En el caso más general, cualquier reacción puede definirse y agregarse a la función de biomasa con la condición de que se maximice o minimice si se desea una única solución "óptima". Alternativamente, y en el caso más general, un vector puede introducirse, que define el conjunto ponderado de reacciones que el modelo de programación lineal debe tener como objetivo maximizar o minimizar,
En el caso de que solo haya una única función / reacción de biomasa separada dentro de la matriz estequiométrica se simplificaría a todos los ceros con un valor de 1 (o cualquier valor distinto de cero) en la posición correspondiente a esa función de biomasa. Donde había múltiples funciones objetivas separadas se simplificaría a todos los ceros con valores ponderados en las posiciones correspondientes a todas las funciones objetivo.
Reducir el espacio de la solución: consideraciones biológicas para el sistema
El análisis del espacio nulo de matrices se implementa en paquetes de software especializados para operaciones matriciales como Matlab y Octave. Determinación del espacio nulo denos dice todas las posibles colecciones de vectores de flujo (o combinaciones lineales de los mismos) que equilibran los flujos dentro de la red biológica. La ventaja de este enfoque se hace evidente en los sistemas biológicos que se describen mediante sistemas de ecuaciones diferenciales con muchas incógnitas. Las velocidades en las ecuaciones diferenciales anteriores: y - dependen de las velocidades de reacción de las ecuaciones subyacentes. Las velocidades se toman generalmente de la teoría cinética de Michaelis-Menten , que involucra los parámetros cinéticos de las enzimas que catalizan las reacciones y la concentración de los propios metabolitos. Aislar enzimas de organismos vivos y medir sus parámetros cinéticos es una tarea difícil, al igual que medir las concentraciones internas y las constantes de difusión de los metabolitos dentro de un organismo. Por lo tanto, el enfoque de ecuaciones diferenciales para el modelado metabólico está más allá del alcance actual de la ciencia para todos, excepto para los organismos más estudiados. [31] FBA evita este impedimento aplicando el supuesto homeostático, que es una descripción razonablemente aproximada de los sistemas biológicos.
Aunque FBA evita ese obstáculo biológico, el problema matemático de un gran espacio de solución permanece. Logística de Amazon tiene un doble propósito. Representar con precisión los límites biológicos del sistema y devolver la distribución de flujo más cercana a los flujos naturales dentro del sistema / organismo objetivo. Ciertos principios biológicos pueden ayudar a superar las dificultades matemáticas. Mientras que la matriz estequiométrica casi siempre está subdeterminada inicialmente (lo que significa que el espacio de solución para es muy grande), el tamaño del espacio de solución puede reducirse y hacerse más reflectante de la biología del problema mediante la aplicación de ciertas restricciones a las soluciones.
Extensiones
El éxito de FBA y la comprensión de sus limitaciones ha llevado a extensiones que intentan mediar las limitaciones de la técnica.
Análisis de variabilidad de flujo
La solución óptima al problema del equilibrio de flujo rara vez es única, ya que existen muchas soluciones posibles e igualmente óptimas. El análisis de variabilidad de flujo (FVA), integrado en algún software de análisis, devuelve los límites de los flujos a través de cada reacción que, junto con la combinación correcta de otros flujos, puede estimar la solución óptima.
Es probable que las reacciones que pueden soportar una baja variabilidad de los flujos a través de ellas sean de mayor importancia para un organismo y la FVA es una técnica prometedora para la identificación de reacciones que son importantes.
Minimización del ajuste metabólico (MOMA)
Al simular knockouts o crecimiento en medios, Logística de Amazon proporciona la distribución de flujo final en estado estable. Este estado estable final se alcanza en diferentes escalas de tiempo. Por ejemplo, la tasa de crecimiento prevista de E. coli en glicerol como fuente primaria de carbono no coincidió con las predicciones de FBA; sin embargo, en el subcultivo durante 40 días o 700 generaciones, la tasa de crecimiento evolucionó de forma adaptativa para coincidir con la predicción de FBA. [32]
A veces es interesante averiguar cuál es el efecto inmediato de una perturbación o un knockout, ya que se necesita tiempo para que ocurran cambios regulatorios y para que el organismo reorganice los flujos para utilizar de manera óptima una fuente de carbono diferente o eludir el efecto de la knockear. MOMA predice la distribución de flujo subóptima inmediata después de la perturbación minimizando la distancia (euclidiana) entre la distribución de flujo de FBA de tipo salvaje y la distribución de flujo mutante usando programación cuadrática. Esto produce un problema de optimización de la forma.
dónde representa la distribución de flujo de tipo salvaje (o estado no perturbado) y representa la distribución de flujo en la deleción de genes que se va a resolver. Esto se simplifica a:
Esta es la solución MOMA que representa la distribución de flujo inmediatamente después de la perturbación. [33]
Minimización regulatoria on-off (ROOM)
ROOM intenta mejorar la predicción del estado metabólico de un organismo después de la eliminación de un gen. Sigue la misma premisa que el MOMA de que un organismo intentaría restaurar una distribución de flujo lo más cercana posible al tipo salvaje después de un nocaut. Sin embargo, también plantea la hipótesis de que este estado estable se alcanzaría a través de una serie de cambios metabólicos transitorios por parte de la red reguladora y que el organismo trataría de minimizar el número de cambios regulatorios necesarios para alcanzar el estado de tipo salvaje. En lugar de utilizar una minimización métrica de distancia, utiliza un método de programación lineal de enteros mixtos. [34]
Logística de Amazon dinámica
Logística de Amazon dinámica intenta agregar la capacidad de que los modelos cambien con el tiempo, evitando así de alguna manera la condición estricta de estado estable de la Logística de Amazon pura. Normalmente, la técnica implica ejecutar una simulación FBA, cambiar el modelo en función de los resultados de esa simulación y volver a ejecutar la simulación. Al repetir este proceso, se logra un elemento de retroalimentación a lo largo del tiempo.
Comparación con otras técnicas
FBA proporciona un análisis menos simplista que el análisis de Choke Point, mientras que requiere mucha menos información sobre las tasas de reacción y una reconstrucción de la red mucho menos completa que la que requeriría una simulación dinámica completa. Al llenar este nicho, FBA ha demostrado ser una técnica muy útil para el análisis de las capacidades metabólicas de los sistemas celulares.
Análisis del punto de estrangulamiento
A diferencia del análisis de puntos de estrangulamiento, que solo considera los puntos de la red donde se producen metabolitos pero no se consumen o viceversa, FBA es una verdadera forma de modelado de redes metabólicas porque considera la red metabólica como una única entidad completa ( la matriz estequiométrica ) en todas las etapas. de análisis. Esto significa que los efectos de la red, como las reacciones químicas en vías distantes que se afectan entre sí, se pueden reproducir en el modelo. La ventaja de la incapacidad del análisis de puntos de estrangulamiento para simular los efectos de la red es que considera cada reacción dentro de una red de forma aislada y, por lo tanto, puede sugerir reacciones importantes en una red incluso si una red está muy fragmentada y contiene muchos huecos.
Simulación metabólica dinámica
A diferencia de la simulación metabólica dinámica , FBA asume que la concentración interna de metabolitos dentro de un sistema permanece constante a lo largo del tiempo y, por lo tanto, no puede proporcionar nada más que soluciones de estado estacionario. Es poco probable que FBA pueda, por ejemplo, simular el funcionamiento de una célula nerviosa. Dado que la concentración interna de metabolitos no se considera dentro de un modelo, es posible que una solución de FBA contenga metabolitos en una concentración demasiado alta para ser biológicamente aceptable. Este es un problema que probablemente evitarían las simulaciones metabólicas dinámicas. Una ventaja de la simplicidad de FBA sobre las simulaciones dinámicas es que son mucho menos costosas desde el punto de vista computacional, lo que permite la simulación de un gran número de perturbaciones en la red. Una segunda ventaja es que el modelo reconstruido puede ser sustancialmente más simple al evitar la necesidad de considerar las velocidades de las enzimas y el efecto de interacciones complejas sobre la cinética de las enzimas.
Referencias
- ↑ a b c d e f En cuarto lugar, Thomas (2012). Biología de los sistemas metabólicos del parásito de la malaria . Leeds, Reino Unido: Universidad de Leeds. ISBN 978-0-85731-297-6.
- ^ Ranganathan, Sridhar; Suthers, Patrick F .; Maranas, Costas D. (2010). "OptForce: un procedimiento de optimización para identificar todas las manipulaciones genéticas que conducen a sobreproducciones específicas" . PLOS Comput Biol . 6 (4): e1000744. Código Bibliográfico : 2010PLSCB ... 6E0744R . doi : 10.1371 / journal.pcbi.1000744 . PMC 2855329 . PMID 20419153 .
- ^ Lewis, NE; Abdel-Haleem, AM (2013). "La evolución de modelos a escala genómica del metabolismo del cáncer" . Parte delantera. Physiol . 4 : 237. doi : 10.3389 / fphys.2013.00237 . PMC 3759783 . PMID 24027532 .
- ^ Raman, Karthik; Yeturu, Kalidas; Chandra, Nagasuma (2008). "targetTB: una tubería de identificación de objetivos para Mycobacterium tuberculosis a través de un análisis estructural a escala de interactoma, reactoma y genoma" . Biología de sistemas BMC . 2 (1): 109. doi : 10.1186 / 1752-0509-2-109 . PMC 2651862 . PMID 19099550 .
- ^ Yang, Hong; Roth, Charles M .; Ierapetritou, Marianthi G. (2009). "Un enfoque de diseño racional para la suplementación de aminoácidos en cultivo de hepatocitos". Biotecnología y Bioingeniería . 103 (6): 1176-1191. doi : 10.1002 / bit.22342 . PMID 19422042 . S2CID 13230467 .
- ^ Raghunathan, Anu; Shin, Sookil; Daefler, Simon (2010). "Enfoque de sistemas para investigar las interacciones huésped-patógeno en infecciones con el agente de biotratacidad Francisella. Modelo basado en restricciones de Francisella tularensis" . Biología de sistemas BMC . 4 (1): 118. doi : 10.1186 / 1752-0509-4-118 . PMC 2933595 . PMID 20731870 .
- ^ Papoutsakis, ET (1984). "Ecuaciones y cálculos para fermentaciones de bacterias de ácido butírico". Biotecnología y Bioingeniería . 26 (2): 174–187. doi : 10.1002 / bit.260260210 . PMID 18551704 . S2CID 25023799 .
- ^ Watson MR (1984) Mapas metabólicos para Apple II. 12, 1093-1094
- ^ Fell, DA; Pequeño, JR (1986). "Síntesis de grasa en el tejido adiposo. Un examen de las limitaciones estequiométricas" . Biochem J . 238 (3): 781–786. doi : 10.1042 / bj2380781 . PMC 1147204 . PMID 3800960 .
- ^ a b c Edwards, J .; Ibarra, R .; Palsson, B. (2001). "Las predicciones in silico de las capacidades metabólicas de Escherichia coli son consistentes con los datos experimentales". Biotecnología de la naturaleza . 19 (2): 125-130. doi : 10.1038 / 84379 . PMID 11175725 . S2CID 1619105 .
- ^ Raghunathan, A .; et al. (2009). "Análisis basado en restricciones de la capacidad metabólica de Salmonella typhimurium durante la interacción huésped-patógeno" . Biología de sistemas BMC . 3 : 38. doi : 10.1186 / 1752-0509-3-38 . PMC 2678070 . PMID 19356237 .
- ^ ( http://www.nature.com/nbt/web_extras/supp_info/nbt0201_125/info_frame.html )
- ^ Palsson, Biología de sistemas BO: Propiedades de redes reconstruidas. 334 (Cambridge University Press: 2006).
- ^ Orth, JD; Thiele, I .; Palsson, B.Ø. (2010). "¿Qué es el análisis de balance de flujo?" . Biotecnología de la naturaleza . 28 (3): 245–248. doi : 10.1038 / nbt.1614 . PMC 3108565 . PMID 20212490 .
- ^ Lee, JM; Gianchandani, EP; Papin, JA (2006). "Análisis de equilibrio de flujo en la era de la metabolómica" . Sesiones informativas en bioinformática . 7 (2): 140–50. doi : 10.1093 / bib / bbl007 . PMID 16772264 .
- ^ Feist, AM; Palsson, B.Ø. (2008). "El creciente alcance de las aplicaciones de reconstrucciones metabólicas a escala del genoma utilizando Escherichia coli" . Biotecnología de la naturaleza . 26 (6): 659–67. doi : 10.1038 / nbt1401 . PMC 3108568 . PMID 18536691 .
- ^ Lewis, NE; Nagarajan, H .; Palsson, B.Ø. (2012). "Restringir la relación metabólica genotipo-fenotipo mediante una filogenia de métodos in silico" . Nature Reviews Microbiología . 10 (4): 291-305. doi : 10.1038 / nrmicro2737 . PMC 3536058 . PMID 22367118 .
- ^ Karp, PD; Paley, SM; Krummenacker, M .; et al. (2010). "Pathway Tools versión 13.0: Software integrado para Pathway / Genome Informatics y Systems Biology" . Sesiones informativas en bioinformática . 11 (1): 40–79. arXiv : 1510.03964 . doi : 10.1093 / bib / bbp043 . PMC 2810111 . PMID 19955237 .
- ^ Latendresse, M .; Krummenacker, M .; Trupp, M .; Karp, PD (2012). "Construcción y finalización de modelos de balance de flujo a partir de bases de datos de vías" . Bioinformática . 28 (388–96): 388–96. doi : 10.1093 / bioinformatics / btr681 . PMC 3268246 . PMID 22262672 .
- ^ Schilling, CH y col. SimPheny: una infraestructura computacional para biología de sistemas. (2008).
- ^ "Copia archivada" . Archivado desde el original el 21 de abril de 2010 . Consultado el 11 de marzo de 2010 .CS1 maint: copia archivada como título ( enlace )
- ^ "MetNetMaker en la página personal de Tom" .
- ^ "Reconstrucción del modelo metabólico a escala del genoma con CarveMe" .
- ^ Becker, SA; et al. (2007). "Predicción cuantitativa del metabolismo celular con modelos basados en restricciones: la caja de herramientas COBRA". Protocolos de la naturaleza . 2 (3): 727–38. doi : 10.1038 / nprot.2007.99 . PMID 17406635 . S2CID 5687582 .
- ^ Gevorgyan, A; Bushell, ME; Avignone-Rossa, C; Kierzek, AM (2011). "SurreyFBA: una herramienta de línea de comandos y una interfaz de usuario de gráficos para el modelado basado en restricciones de redes de reacción metabólica a escala del genoma" . Bioinformática . 27 (3): 433–4. doi : 10.1093 / bioinformatics / btq679 . PMID 21148545 .
- ^ Boele, J; Olivier, BG; Teusink, B (2012). "FAME: el análisis de flujo y el entorno de modelado" . BMC Syst Biol . 6 (1): 8. doi : 10.1186 / 1752-0509-6-8 . PMC 3317868 . PMID 22289213 .
- ^ "Métodos CoBRA - Análisis basado en restricciones" .
- ^ Lakshmanan, M; Koh, G; Chung, BK; Lee, DY (enero de 2014). "Aplicaciones de software para análisis de balance de flujo" . Sesiones informativas en bioinformática . 15 (1): 108–22. doi : 10.1093 / bib / bbs069 . PMID 23131418 .
- ^ Gelius-Dietrich, G .; Amer Desouki, A .; Fritzemeier, CJ; Lercher, MJ (2013). "sybil - Modelado eficiente basado en restricciones en R." Biología de sistemas BMC . 7 (1): 125. doi : 10.1186 / 1752-0509-7-125 . PMC 3843580 . PMID 24224957 .Software disponible en https://cran.r-project.org/package=sybil
- ^ Gangadharan A. Rohatgi N. abcdeFBA: Funciones para simulación basada en restricciones usando análisis de balance de flujo y análisis informativo de los datos generados durante la simulación. Disponible en: https://cran.r-project.org/web/packages/abcdeFBA/
- ^ Kotte, O .; Zaugg, JB; Heinemann, M. (2010). "Adaptación bacteriana a través de detección distribuida de flujos metabólicos" . Biología de sistemas moleculares . 6 (355): 355. doi : 10.1038 / msb.2010.10 . PMC 2858440 . PMID 20212527 .
- ^ Ibarra, Rafael U .; Edwards, Jeremy S .; Palsson, Bernhard O. (2002). "Escherichia Coli K-12 sufre evolución adaptativa para lograr un crecimiento óptimo previsto en Silico". Naturaleza . 420 (6912): 186–189. Código bibliográfico : 2002Natur.420..186I . doi : 10.1038 / nature01149 . PMID 12432395 . S2CID 4415915 .
- ^ Segrè, Daniel; Vitkup, Dennis; Iglesia, George M. (2002). "Análisis de Optimidad en Redes Metabólicas Naturales y Perturbadas" . Actas de la Academia Nacional de Ciencias . 99 (23): 15112-15117. Código Bibliográfico : 2002PNAS ... 9915112S . doi : 10.1073 / pnas.232349399 . PMC 137552 . PMID 12415116 .
- ^ Shlomi, Tomer, Omer Berkman y Eytan Ruppin. "Minimización de activación / desactivación regulatoria de los cambios en el flujo metabólico después de las perturbaciones genéticas". Actas de la Academia Nacional de Ciencias de los Estados Unidos de América 102, no. 21 (24 de mayo de 2005): 7695–7700. doi: 10.1073 / pnas.0406346102.