stringtranslate.com

Fluxómica

La fluxómica describe los diversos enfoques que buscan determinar las tasas de reacciones metabólicas dentro de una entidad biológica. [1] Si bien la metabolómica puede proporcionar información instantánea sobre los metabolitos en una muestra biológica, el metabolismo es un proceso dinámico. [2] La importancia de la fluxómica es que los flujos metabólicos determinan el fenotipo celular. [3] Tiene la ventaja adicional de estar basada en el metaboloma , que tiene menos componentes que el genoma o el proteoma. [4]

La fluxómica se enmarca en el campo de la biología de sistemas que se desarrolló con la aparición de tecnologías de alto rendimiento. [5] La biología de sistemas reconoce la complejidad de los sistemas biológicos y tiene el objetivo más amplio de explicar y predecir este comportamiento complejo. [2]

Flujo metabólico

El flujo metabólico se refiere a la tasa de conversión de metabolitos en una red metabólica. [1] [6] Para una reacción, esta tasa es una función tanto de la abundancia de enzimas como de la actividad enzimática. [1] La concentración de enzimas es en sí misma una función de la regulación transcripcional y traduccional además de la estabilidad de la proteína. [1] La actividad enzimática se ve afectada por los parámetros cinéticos de la enzima, las concentraciones de sustrato, las concentraciones de producto y la concentración de moléculas efectoras. [1] Los efectos genómicos y ambientales sobre el flujo metabólico son los que determinan el fenotipo sano o enfermo. [6]

Fluxoma

Al igual que el genoma, el transcriptoma, el proteoma y el metaboloma, el fluxoma se define como el conjunto completo de flujos metabólicos en una célula. [5] Sin embargo, a diferencia de los otros, el fluxoma es una representación dinámica del fenotipo. [5] Esto se debe a que el fluxoma resulta de las interacciones del metaboloma, el genoma, el transcriptoma, el proteoma, las modificaciones postraduccionales y el medio ambiente. [5]

Tecnologías de análisis de flujo

Dos tecnologías importantes son el análisis de balance de flujo (FBA) y la fluxómica de 13 C. En el FBA, los flujos metabólicos se estiman representando primero las reacciones metabólicas de una red metabólica en una matriz numérica que contiene los coeficientes estequiométricos de cada reacción. [7] Los coeficientes estequiométricos restringen el modelo del sistema y son la razón por la que el FBA solo es aplicable a condiciones de estado estable. [7] Se pueden imponer restricciones adicionales. [7] Al proporcionar restricciones, se reduce el posible conjunto de soluciones para el sistema. Después de la adición de restricciones, se optimiza el modelo del sistema. [7] Los recursos de análisis de balance de flujo incluyen la base de datos BIGG, [8] la caja de herramientas COBRA, [9] y FASIMU. [10]

En la fluxómica de 13 C, los precursores metabólicos se enriquecen con 13 C antes de introducirlos en el sistema. [11] Utilizando una técnica de imágenes como la espectrometría de masas o la espectroscopia de resonancia magnética nuclear, se puede medir el nivel de incorporación de 13 C en los metabolitos y con la estequiometría se pueden estimar los flujos metabólicos. [11]

Paradigmas estequiométricos y cinéticos

Una serie de métodos diferentes, divididos ampliamente en paradigmas estequiométricos y cinéticos .

Dentro del paradigma estequiométrico, una serie de métodos de álgebra lineal relativamente simples utilizan redes metabólicas restringidas o modelos de redes metabólicas a escala del genoma para realizar análisis de balance de flujo y la variedad de técnicas derivadas de él. Estas ecuaciones lineales son útiles para condiciones de estado estable. Los métodos dinámicos aún no son utilizables. [12] En el lado más experimental, el análisis de flujo metabólico permite la estimación empírica de las tasas de reacción mediante el etiquetado de isótopos estables .

Dentro del paradigma cinético, el modelado cinético de redes metabólicas puede ser puramente teórico, explorando el espacio potencial de flujos metabólicos dinámicos bajo perturbaciones que se alejan del estado estacionario utilizando formalismos como la teoría de sistemas bioquímicos . Tales exploraciones son más informativas cuando se acompañan de mediciones empíricas del sistema en estudio después de perturbaciones reales, como es el caso del análisis de control metabólico . [13]

Reconstrucción y análisis basados ​​en restricciones

Los métodos recopilados en fluxómica se han descrito como métodos "COBRA", para la reconstrucción y el análisis basados ​​en restricciones . Se han creado varias herramientas y entornos de software para este propósito. [14] [15] [16] [17] [18] [19] [20]

Aunque sólo se puede medir indirectamente, el flujo metabólico es el vínculo crítico entre los genes, las proteínas y el fenotipo observable. Esto se debe a que el fluxoma integra redes de masa-energía, información y señalización. [21] La fluxómica tiene el potencial de proporcionar una representación cuantificable del efecto que el entorno tiene sobre el fenotipo porque el fluxoma describe la interacción entre el genoma y el entorno. [21] En los campos de la ingeniería metabólica [22] y la biología de sistemas, [23] los métodos fluxómicos se consideran una tecnología habilitadora clave debido a su posición única en la ontología de los procesos biológicos, lo que permite que los modelos estequiométricos a escala del genoma actúen como un marco para la integración de diversos conjuntos de datos biológicos. [24]

Ejemplos de uso en investigación

Una posible aplicación de las técnicas fluxómicas es el diseño de fármacos. Rama et al. [25] utilizaron FBA para estudiar la vía del ácido micólico en Mycobacterium tuberculosis . Se sabe que los ácidos micólicos son importantes para la supervivencia de M. tuberculosis y, como tal, su vía se ha estudiado ampliamente. [25] Esto permitió la construcción de un modelo de la vía y que FBA lo analizara. Los resultados de esto encontraron múltiples posibles objetivos farmacológicos para futuras investigaciones.

Se utilizó FBA para analizar las redes metabólicas de Staphylococcus aureus resistente a múltiples fármacos . [26] Al realizar deleciones de genes simples y dobles in silico, se identificaron muchas enzimas esenciales para el crecimiento.

Referencias

  1. ^ abcde Winter, Gal; Krömer, Jens O. (1 de julio de 2013). "Fluxomics: conectando el análisis 'ómico y los fenotipos". Microbiología ambiental . 15 (7): 1901–1916. doi : 10.1111/1462-2920.12064 . ISSN  1462-2920. PMID  23279205.
  2. ^ ab Cascante, Marta; Marin, Silvia (30 de septiembre de 2008). "Enfoques metabolómicos y fluxómicos". Ensayos en Bioquímica . 45 : 67–82. doi :10.1042/bse0450067. ISSN  0071-1365. PMID  18793124.
  3. ^ Cascante, Marta; Benito, Adrián; Mas, Igor Marín de; Centelles, Josep J.; Miranda, Aníbal; Atauri, Pedro de (01/01/2014). "Fluxómica". En Orešič, Matej; Vidal-Puig, Antonio (eds.). Un enfoque de biología de sistemas para estudiar el síndrome metabólico . Publicaciones internacionales Springer. págs. 237–250. doi :10.1007/978-3-319-01008-3_12. ISBN 9783319010076.
  4. ^ Raamsdonk, Léonie M.; Teusink, Bas; Broadhurst, David; Zhang, Nianshu; Hayes, Andrew; Walsh, Michael C.; Berden, Jan A.; Brindle, Kevin M.; Kell, Douglas B. (1 de enero de 2001). "Una estrategia de genómica funcional que utiliza datos del metaboloma para revelar el fenotipo de mutaciones silenciosas". Nature Biotechnology . 19 (1): 45–50. doi :10.1038/83496. ISSN  1087-0156. PMID  11135551. S2CID  15491882.
  5. ^ abcd Aon, Miguel A.; Cortassa, Sonia (22 de julio de 2015). "Biología de sistemas del fluxoma". Procesos . 3 (3): 607–618. doi : 10.3390/pr3030607 .
  6. ^ ab Cortassa, S; Caceres, V; Bell, LN; O'Rourke, B; Paolocci, N; Aon, MA (2015). "De la metabolómica a la fluxómica: un procedimiento computacional para traducir perfiles de metabolitos en flujos metabólicos". Revista biofísica . 108 (1): 163–172. Bibcode :2015BpJ...108..163C. doi :10.1016/j.bpj.2014.11.1857. PMC 4286601 . PMID  25564863. 
  7. ^ abcd Orth, Jeffrey D.; Thiele, Ines; Palsson, Bernhard Ø (1 de marzo de 2010). "¿Qué es el análisis del balance de flujo?". Nature Biotechnology . 28 (3): 245–248. doi :10.1038/nbt.1614. ISSN  1087-0156. PMC 3108565 . PMID  20212490. 
  8. ^ King, Zachary A.; Lu, Justin; Dräger, Andreas; Miller, Philip; Federowicz, Stephen; Lerman, Joshua A.; Ebrahim, Ali; Palsson, Bernhard O.; Lewis, Nathan E. (2016). "BiGG Models: Una plataforma para integrar, estandarizar y compartir modelos a escala del genoma". Nucleic Acids Research . 44 (D1): D515–D522. doi :10.1093/nar/gkv1049. ISSN  0305-1048. PMC 4702785 . PMID  26476456. 
  9. ^ Schellenberger, Jan; Que, Richard; Fleming, Ronan MT; Thiele, Ines; Orth, Jeffrey D; Feist, Adam M; Zielinski, Daniel C; Bordbar, Aarash; Lewis, Nathan E; Rahmanian, Sorena; Kang, Joseph; Hyduke, Daniel R; Palsson, Bernhard Ø (2011). "Predicción cuantitativa del metabolismo celular con modelos basados ​​en restricciones: la caja de herramientas COBRA v2.0". Nature Protocols . 6 (9): 1290–1307. doi :10.1038/nprot.2011.308. ISSN  1754-2189. PMC 3319681 . PMID  21886097. 
  10. ^ Hoppe, Andrés; Hoffman, Sabrina; Gerasch, Andreas; Gille, Christoph; Holzhütter, Hermann-Georg (2011). "FASIMU: software flexible para series de cálculo de equilibrio de flujo en grandes redes metabólicas". Bioinformática BMC . 12 (1): 28. doi : 10.1186/1471-2105-12-28 . ISSN  1471-2105. PMC 3038154 . PMID  21255455. 
  11. ^ ab Krömer, J.; Quek, LE; Nielsen, L. (2009). "13C-Fluxomics: una herramienta para medir fenotipos metabólicos". Aust Biochem . 40 (3): 17–20.
  12. ^ Winter, Gal; Krömer, Jens O. (1 de julio de 2013). "Fluxomics: conectando el análisis 'ómico y los fenotipos". Microbiología ambiental . 15 (7): 1901–1916. doi : 10.1111/1462-2920.12064 . ISSN  1462-2920. PMID  23279205.
  13. ^ Demin, O.; Goryanin, I. (2010). Modelado cinético en biología de sistemas . Taylor y Francis. ISBN 9781420011661.
  14. ^ Klamt, S.; Saez-Rodriguez, J.; Gilles, ED (2007). "Análisis estructural y funcional de redes celulares con CellNetAnalyzer". BMC Systems Biology . 1 : 2. doi : 10.1186/1752-0509-1-2 . PMC 1847467 . PMID  17408509. 
  15. ^ Boele, J.; Olivier, BG; Teusink, B. (2012). "FAME, el entorno de análisis y modelado de flujo". BMC Systems Biology . 6 : 8. doi : 10.1186/1752-0509-6-8 . PMC 3317868 . PMID  22289213. 
  16. ^ Rocha, yo; Maia, P.; Evangelista, P.; Vilaça, P.; Soares, SO; Pinto, JP; Nielsen, J.; Patil, KR; Ferreira, ENC; Rocha, M. (2010). "OptFlux: una plataforma de software de código abierto para ingeniería metabólica in silico". Biología de sistemas BMC . 4 : 45. doi : 10.1186/1752-0509-4-45 . PMC 2864236 . PMID  20403172. 
  17. ^ Grafahrend-Belau, E.; Klukas, C.; Junker, BH; Schreiber, F. (2009). "FBA-SimVis: Visualización interactiva de modelos metabólicos basados ​​en restricciones". Bioinformática . 25 (20): 2755–2757. doi :10.1093/bioinformatics/btp408. PMC 2759546 . PMID  19578041. 
  18. ^ Schellenberger, J.; Que, R.; Fleming, RMT; Thiele, I.; Orth, JD; Feist, AM; Zielinski, DC; Bordbar, A.; Lewis, NE; Rahmanian, S.; Kang, J.; Hyduke, DR; Palsson, B. Ø. (2011). "Predicción cuantitativa del metabolismo celular con modelos basados ​​en restricciones: La caja de herramientas COBRA v2.0". Nature Protocols . 6 (9): 1290–1307. doi :10.1038/nprot.2011.308. PMC 3319681 . PMID  21886097. 
  19. ^ Agren, R.; Liu, L.; Shoaie, S.; Vongsangnak, W.; Nookaew, I.; Nielsen, J. (2013). Maranas, Costas D (ed.). "La caja de herramientas RAVEN y su uso para generar un modelo metabólico a escala genómica para Penicillium chrysogenum". PLOS Computational Biology . 9 (3): e1002980. Bibcode :2013PLSCB...9E2980A. doi : 10.1371/journal.pcbi.1002980 . PMC 3605104 . PMID  23555215. 
  20. ^ Mendes, P.; Hoops, S.; Sahle, S.; Gauges, R.; Dada, J.; Kummer, U. (2009). "Modelado computacional de redes bioquímicas utilizando COPASI". Biología de sistemas . Métodos en biología molecular. Vol. 500. págs. 17–59. doi :10.1007/978-1-59745-525-1_2. ISBN 978-1-934115-64-0. Número de identificación personal  19399433.
  21. ^ ab Aon, Miguel A.; Cortassa, Sonia (2015-07-22). "Biología de sistemas del fluxoma". Procesos . 3 (3): 607–618. doi : 10.3390/pr3030607 .
  22. ^ Kildegaard, HF.; Baycin-Hizal, D.; Lewis, NE.; Betenbaugh, MJ. (marzo de 2013). "La era emergente de la biología de sistemas de CHO: aprovechamiento de la revolución 'ómica para la biotecnología". Curr Opin Biotechnol . 24 (6): 1102–7. doi :10.1016/j.copbio.2013.02.007. PMID  23523260.
  23. ^ Carlson, RP.; Oshota, OJ.; Taffs, RL. (2012). "Análisis de sistemas de adaptaciones microbianas a estreses simultáneos". Reprogramación de vías metabólicas microbianas. Bioquímica subcelular. Vol. 64. págs. 139–57. doi :10.1007/978-94-007-5055-5_7. ISBN 978-94-007-5054-8. Número de identificación personal  23080249. {{cite book}}: |journal=ignorado ( ayuda )
  24. ^ Duarte, NC.; Becker, SA.; Jamshidi, N.; Thiele, I.; Mo, ML.; Vo, TD.; Srivas, R.; Palsson, BØ. (febrero de 2007). "Reconstrucción global de la red metabólica humana basada en datos genómicos y bibliográficos". Proc Natl Acad Sci USA . 104 (6): 1777–82. Bibcode :2007PNAS..104.1777D. doi : 10.1073/pnas.0610772104 . PMC 1794290 . PMID  17267599. 
  25. ^ ab Raman, Karthik; Rajagopalan, Preethi; Chandra, Nagasuma (2005). "Análisis del equilibrio de flujo de la vía del ácido micólico: objetivos para los fármacos antituberculosos". PLOS Computational Biology . 1 (5): e46. Bibcode :2005PLSCB...1...46R. doi : 10.1371/journal.pcbi.0010046 . PMC 1246807 . PMID  16261191. 
  26. ^ Lee, Deok-Sun; Burd, Henry; Liu, Jiangxia; Almaas, Eivind; Wiest, Olaf; Barabási, Albert-László; Oltvai, Zoltán N.; Kapatral, Vinayak (15 de junio de 2009). "Reconstrucción metabólica comparativa a escala genómica y análisis del equilibrio de flujo de múltiples genomas de Staphylococcus aureus para identificar nuevos objetivos farmacológicos antimicrobianos". Revista de bacteriología . 191 (12): 4015–4024. doi :10.1128/JB.01743-08. ISSN  0021-9193. PMC 2698402 . PMID  19376871.