Intégrer des modèles cinétiques et basés sur des contraintes pour de meilleures prédictions métaboliques

Les modèles métaboliques sont des outils qui aident les scientifiques à comprendre les processus chimiques qui se passent dans les organismes vivants. Ces modèles peuvent simuler comment un organisme grandit et comment des gènes importants fonctionnent. Ils sont utiles dans diverses études scientifiques et développements biotechnologiques.

Deux types courants de modèles utilisés dans la recherche sur le métabolisme sont les Modèles cinétiques et les modèles basés sur des contraintes. Les modèles cinétiques se concentrent sur la rapidité à laquelle les réactions se produisent en fonction des quantités de substances impliquées. Ils fournissent des détails spécifiques sur les taux de réactions. D'un autre côté, les modèles basés sur des contraintes regardent la structure globale des réactions métaboliques sans entrer dans les détails sur leur rapidité. Ils définissent seulement des limites sur la quantité de réaction pouvant se produire en fonction de l'équilibre de masse et du nombre de substances impliquées.

Ces modèles sont analysés différemment. Les modèles cinétiques utilisent des équations différentielles pour suivre comment les quantités de substances changent au fil du temps, fournissant des détails précis sur les concentrations et les taux de réaction. Les modèles basés sur des contraintes utilisent la programmation linéaire pour trouver la meilleure distribution possible des taux de réaction.

Construire des modèles cinétiques peut être difficile car ils nécessitent beaucoup d’informations détaillées sur le fonctionnement des réactions. Par conséquent, les modèles cinétiques tendent à être plus petits et se concentrent souvent sur des voies clés dans le métabolisme. En revanche, les modèles basés sur des contraintes peuvent devenir assez volumineux car ils ne nécessitent que des informations stœchiométriques et peuvent facilement incorporer de nombreuses réactions, ce qui donne des modèles à l'échelle du génome pour divers organismes. Cependant, un inconvénient des modèles basés sur des contraintes est qu'ils manquent de la précision que fournissent les modèles cinétiques.

#Citramaalate : Un Métabolite Important

Le citramalate, aussi connu sous des noms chimiques comme le 2-hydroxy-2-méthylbutanedioate, est un acide dicarboxylique. Même si le citramalate n'est pas très courant, on peut le trouver dans certaines bactéries et champignons. Il joue un rôle dans des voies importantes, comme la biosynthèse d'un acide aminé appelé isoleucine.

Certaines bactéries, comme Methanocaldococcus jannaschii, peuvent produire du citramalate en utilisant une enzyme spécifique. Cette enzyme aide à convertir l'acétyl-CoA, le pyruvate et l'eau en citramalate, tout en libérant d'autres substances.

Le citramalate a le potentiel de remplacer les combustibles fossiles dans la création de produits industriels. Par exemple, il peut être transformé en acide méthacrylique, qui est un précurseur d'un composé largement utilisé dans des secteurs comme la dentisterie, l'électronique et les peintures. Ce processus de production de matériaux à partir du citramalate est plus respectueux de l'environnement par rapport aux méthodes traditionnelles qui dépendent du pétrole et du gaz naturel, qui peuvent causer des dommages environnementaux et des émissions de gaz à effet de serre.

Pour la production à grande échelle de citramalate, les scientifiques peuvent utiliser des organismes génétiquement modifiés dans des environnements contrôlés appelés bioréacteurs. E. coli est souvent utilisé car il se développe rapidement et est facile à modifier génétiquement. Avec des conditions spécifiques, E. coli peut produire du citramalate efficacement, ce qui peut conduire à remplacer les sources de combustibles fossiles dans la fabrication.

#Objectifs

Le but est de connecter les modèles cinétiques et basés sur des contraintes pour améliorer leur précision. Plus spécifiquement, l'objectif est de fusionner les données cinétiques obtenues à partir de modèles cinétiques détaillés dans des modèles basés sur des contraintes plus larges pour créer un modèle plus réaliste. Ce processus se fait en trois étapes : cartographier les réactions entre les deux types de modèles, exécuter des simulations pour obtenir des taux d'écoulement du modèle cinétique et transférer ces taux au modèle basé sur des contraintes. Pour aider à la cartographie et au transfert des taux d'écoulement, des représentations visuelles appelées réseaux de Petri peuvent être utilisées.

Nous montrerons cette approche en utilisant des modèles d'E. coli. Améliorer le modèle basé sur des contraintes en utilisant des données cinétiques entraîne des changements dans le comportement des réactions et une meilleure activation de certains processus. De plus, nous avons étendu ces modèles pour simuler la production de citramalate. Un défi observé dans le modèle étendu est une bifurcation, ce qui peut conduire à allouer toutes les ressources soit à la croissance, soit à la production de citramalate. En fixant le taux de croissance, nous pouvons résoudre ce problème, ce qui donne une prédiction plus précise de la production de citramalate.

#Matériaux et Méthodes

#Modèle Cinétique

Le modèle cinétique choisi d'E. coli couvre les voies carbonées essentielles. Il inclut de nombreuses réactions et métabolites répartis à travers différentes parties de la cellule. Ce modèle fonctionne dans des conditions limitées en glucose et utilise des équations pour décrire les réactions. Beaucoup des réactions incluent des paramètres qui peuvent varier en fonction des niveaux d'enzymes.

Le modèle cinétique est analysé en résolvant l'ensemble des équations jusqu'à atteindre des conditions stables, où les changements cessent de se produire.

#Modèle Basé sur des Contraintes

Un modèle basé sur des contraintes est défini par une collection de réactions, de métabolites, une matrice représentant les relations chimiques, et des limites sur les taux d'écoulement pour chaque réaction. Un modèle bien connu utilisé dans cette étude s'appelle iJO1366, qui englobe un large ensemble de réactions et de métabolites également organisés en différents compartiments.

#Réseaux de Petri pour les Réseaux Métaboliques

Les réseaux de Petri sont une façon de visualiser et de représenter des systèmes dynamiques, en particulier les réseaux métaboliques. Dans cette représentation, les substances (métabolites) sont montrées comme des lieux, tandis que les réactions sont montrées comme des transitions. Cette structure aide à relier visuellement les réactifs et les produits.

#Simulations FBA et FVA

L'Analyse de l'équilibre des flux (FBA) est une méthode pour calculer les taux d'écoulement à l'état stationnaire dans un réseau métabolique. L'objectif est d'optimiser un but spécifique tout en respectant les règles de conservation de la masse. Cela implique de mettre en place un problème linéaire pour trouver la distribution de flux la plus efficace qui respecte les lois de conservation nécessaires.

L'Analyse de la Variabilité des Flux (FVA) s'appuie sur la FBA en examinant la plage de valeurs de flux possibles pour chaque réaction tout en fixant l'objectif optimisé. Cela aide les scientifiques à comprendre la flexibilité du réseau métabolique sous diverses conditions.

#Traduire les Flux Entre les Modèles

#Traduction des Flux

Pour transférer les taux d'écoulement du modèle cinétique au modèle basé sur des contraintes, chaque réaction dans le modèle basé sur des contraintes est analysée pour ses limites d'écoulement basées sur les données du modèle cinétique. Ces limites établissent des degrés d'incertitude et aident à convertir les unités entre les deux modèles.

#Cartographie des Réactions

Les réactions dans le modèle cinétique doivent être associées aux réactions correspondantes dans le modèle basé sur des contraintes. Comme les deux modèles peuvent ne pas s'aligner parfaitement, des ajustements doivent être faits en fonction de diverses catégories de différences, telles que les variations dans les espèces chimiques ou les différences dans la réversibilité des réactions.

Pour certaines catégories, les bornes du modèle cinétique peuvent être appliquées directement, tandis que d'autres pourraient nécessiter de nouveaux calculs en raison de différences structurelles.

#Sous-réseaux avec Différentes Structures

Lorsque les réactions sont structurées différemment dans chaque modèle, il devient nécessaire de les considérer séparément pour établir des limites de flux. Chaque sous-réseau est analysé pour s'assurer que les taux d'écoulement globaux respectent les contraintes et les relations réactif/produit établies par chaque modèle.

#Évaluation du Modèle Basé sur des Contraintes Amélioré

Pour voir comment des changements dans des réactions spécifiques affectent le modèle, les chercheurs ont ajouté séquentiellement des bornes cinétiques au modèle basé sur des contraintes. Après chaque étape, ils ont analysé la distribution des flux et le nombre de réactions inactives (mortes), ainsi que la variabilité des réactions.

Ajouter des contraintes cinétiques au modèle réduit souvent le nombre de réactions mortes et fournit une représentation plus réaliste de la façon dont le réseau métabolique se comporte. Ce changement suggère que l'intégration des informations cinétiques conduit à une meilleure compréhension de la dynamique des réactions du système.

#Incertitude des Bornes Cinétiques

Changer le niveau d'incertitude dans les bornes cinétiques impacte le modèle. À mesure que l'incertitude augmente, des comportements différents peuvent être observés dans la sortie du modèle, tels que le taux de croissance et le nombre de réactions mortes. Une incertitude plus faible conduit généralement à des modèles plus contraints, tandis qu'une incertitude plus élevée permet une plus grande réactivité dans le système.

#Effet des Bornes Cinétiques Variées

À mesure que l'incertitude des bornes cinétiques est ajustée, les prédictions du modèle concernant la production de citramalate changent en fonction de l'intégration des informations cinétiques. Les résultats suggèrent que l'inclusion de contraintes cinétiques réalistes peut conduire à de meilleures prédictions qui s'alignent plus étroitement avec les résultats expérimentaux, montrant l'importance des techniques de modélisation appropriées.

#Modèle de Contraintes Enrichi pour Simuler la Production de Citramalate

#Inclusion de la Production de Citramalate

Pour traiter le défi des objectifs concurrents (croissance contre production de citramalate) dans le modèle basé sur des contraintes, nous avons ajouté de nouvelles réactions liées à la synthèse et au transport de citramalate. En imposant une relation entre la production de biomasse et la synthèse de citramalate, le modèle peut maintenant mieux refléter la réalité de l'interaction entre ces processus.

#Modélisation de la Production de Citramalate dans le Modèle Cinétique

Une nouvelle réaction a été ajoutée au modèle cinétique pour représenter la synthèse de citramalate. Cette réaction suit des lois cinétiques établies, permettant au modèle de simuler la production de citramalate plus précisément.

#Effet des Bornes Cinétiques sur la Production de Citramalate

L'intégration des contraintes cinétiques dans le modèle permet des prédictions plus précises de la sortie de citramalate. Les observations montrent une diminution du nombre de réactions mortes et une augmentation de la variabilité globale des valeurs de flux. Cela suggère que l'intégration des informations cinétiques améliore l'exactitude et la réactivité du modèle.

#Validation de l'Efficacité du Citramalate dans le Modèle Kinetiquement Contraint

Pour valider le modèle amélioré, l'efficacité calculée de conversion du glucose en citramalate a été comparée avec des données expérimentales. Les résultats démontrent qu'à mesure que des contraintes cinétiques étaient ajoutées, les prédictions du modèle concernant l'efficacité de conversion avaient tendance à s'aligner plus étroitement avec les observations du monde réel.

En résumé, bien que les modèles basés sur des contraintes soient relativement simples à créer, ils manquent souvent des détails nécessaires pour la précision. En combinant les forces des modèles cinétiques et basés sur des contraintes, une représentation plus réaliste des processus métaboliques émerge. Le modèle amélioré est meilleur pour prédire les comportements dans les réseaux métaboliques, ce qui conduit à des applications plus efficaces en biotechnologie et ailleurs.