A framework for the reconstruction and analysis of tissue specific genome-scale metabolic models

Abstract

In recent years, the development of novel techniques for genome sequencing and other high-throughput methods has enabled the identification and quantification of individual cell components. Genome-scale metabolic models (GSMMs) have been developed for several organisms, including humans. Under the framework of constraint-based modeling, these have provided phenotype prediction methods, useful in fields as metabolic engineering and biomedical research, spanning tasks as drug discovery, biomarker identification and host-pathogen interactions, and targeting diseases such as cancer, Alzheimer, or diabetes. However, these methods have been limited, since the human body has a diversity of cell types and tissues making the development of specific models an imperative. Methods to provide phenotype simulation with the integration of omics data and to automatically generate tissue-specific models, based on generic human metabolic models and a plethora of omics data, have been proposed. However, their results have not been adequately and critically evaluated and compared. Moreover, their usage is restricted to users with computer science skills, since they are not available in user-friendly software platforms. In this work, an open-source software framework for the integration of GSMMs with omics data has been provided. It contains methods for the processing and integration of data with models, for the reconstruction of tissue-specific GSMMs and for phenotype simulation using omics data. A user-friendly graphical interface is provided for non-programming users to be able to run these methods, while an open programming interface allows the community to contribute. The methods have also been validated and compared in representative case studies, being studied the effects of data sources and algorithms in the final results. In particular, glioblastoma has been selected as a more comprehensive case study, where specific models were generated for a representative cell line using different approaches. These have been compared and integrated into a consensus model, which has been further used for analysis and to support phenotype simulation. The results allow insights into cancer metabolism and possible routes towards drug discovery.

Nos últimos anos, o desenvolvimento de novas técnicas de sequenciação genómica e outros métodos experimentais de alto débito têm permitido a identificação e quantificação de componentes celulares. Um conjunto de Modelos Metabólicos à Escala Genómica (MMEG) tem sido desenvolvidos para múltiplos organismos, incluindo os seres humanos. Recorrendo à modelação com base em restrições, estes têm fornecido métodos de predição do fenótipo, que têm sido úteis na área da engenharia metabólica e investigação biomédica, abordando tarefas como a descoberta de fármacos, a identificação de biomarcadores e a interação entre agentes patogénicos e hospedeiros, e doenças como o cancro, Alzheimer ou diabetes. Contudo, estes métodos têm a sua aplicação limitada, dado que o corpo humano ´e constituído por diversos tecidos e tipos de células, tornando essencial o desenvolvimento de modelos específicos. Neste contexto, têm surgido métodos que permitem a simulação do fenótipo com integração de dados ómicros, assim como a reconstrução de modelos específicos baseados num modelo genérico e em conjuntos de dados ómicros. Todavia, os seus resultados não foram ainda comparados e avaliados sistematicamente. Além disso, a sua utilização está restrita a utilizadores com competências computacionais, uma vez que não existe nenhuma plataforma de software de fácil utilização. Neste trabalho, foi desenvolvida uma plataforma de software de acesso livre, que permite a integração de MMEGs com dados ómicros. Esta plataforma contem métodos para o processamento e integração dos dados com os modelos, reconstrução de MMEG para tecidos específicos e simulação do fenótipo utilizando dados ómicros. Foi desenvolvida uma interface gráfica que permite a utilização destes métodos por não programadores. A comunidade pode ainda contribuir para a sua extensão através da interface disponibilizada. Os métodos foram validados e comparados com outros estudos, sendo analisados os efeitos que as fontes de dados e os algoritmos têm nos resultados finais. Em particular, foi selecionado como caso de estudo mais abrangente a reconstrução dos modelos metabólicos, usando diferentes abordagens, para uma linha celular do glioblastoma. Posteriormente, estes modelos foram comparados e integrados num modelo consenso, que foi utilizado para análise e simulação de fenótipos. Os resultados obtidos permitem aprofundar o conhecimento do metabolismo do cancro e apontam possíveis caminhos para a descoberta de novos fármacos.