DBgDel: Uproszczone narzędzie do usuwania genów wspierające produkcję sprzężoną ze wzrostem w modelach metabolicznych na skalę genomową

Identyfikacja strategii usuwania genów w modelach metabolicznych na skalę genomową jest niezwykle istotnym, ale również skomplikowanym zadaniem obliczeniowym. Proces ten, znany jako produkcja sprzężona ze wzrostem (ang. growth-coupled production), łączy wzrost komórek z syntezą docelowych metabolitów, co ma kluczowe znaczenie dla zastosowań w inżynierii metabolicznej. Jednakże, wyznaczanie strategii usuwania genów w dużych modelach metabolicznych wiąże się z ogromnym zapotrzebowaniem na zasoby obliczeniowe, ponieważ przestrzeń poszukiwań jest bardzo rozległa, a obliczenia muszą być wielokrotnie powtarzane dla różnych metabolitów docelowych. Te trudności ograniczają skalowalność i efektywność metod, co wpływa na ich zastosowanie w biotechnologii przemysłowej oraz badaniach nad metabolizmem.

Tradycyjne podejścia i ich ograniczenia

Powszechnie stosowane metody, takie jak metody oparte na wektorach strumieni elementarnych, gDel minRN, GDLS oraz optGene, choć skuteczne, często są niezwykle kosztowne z punktu widzenia zasobów obliczeniowych. Większość z tych metod nie dzieli się informacjami pomiędzy różnymi metabolitami docelowymi, co oznacza, że dla każdego metabolitu konieczne jest przeprowadzenie nowych obliczeń od podstaw. Tego rodzaju redundancja znacząco zwiększa koszty obliczeniowe, co sprawia, że metody te charakteryzują się niską skalowalnością. Na przykład, sukces metody GDLS jest ograniczony, podczas gdy czas potrzebny do jej zastosowania w modelach o skali genomowej jest zbyt długi w przypadku optGene.

Nowe podejście: DBgDel

Aby rozwiązać te ograniczenia, naukowcy z Uniwersytetu w Kioto opracowali DBgDel, ramy obliczeniowe oparte na bazach danych, które pozwalają na identyfikację strategii usuwania genów. DBgDel wykorzystuje wiedzę z bazy danych MetNetComp, która gromadzi informacje na temat strategii maksymalnego usuwania genów, co pozwala na bardziej zorganizowane i efektywne poszukiwanie. Proces ten przebiega w dwóch głównych etapach. Po pierwsze, z bazy danych pobierane są informacje o „pozostałych genach”, które wynikają z wcześniej zarchiwizowanych strategii usuwania, co pozwala na zawężenie początkowej puli genów. Następnie stosowana jest ulepszona wersja algorytmu gDel minRN w celu efektywnego opracowania strategii usuwania genów. Dzięki redukcji zbędnych obliczeń oraz zawężeniu przestrzeni poszukiwań, DBgDel oferuje skalowalność i praktyczność, które są niezbędne przy pracy z modelami metabolicznymi na skalę genomową.

Zastosowanie w różnych modelach metabolicznych

Zespół badawczy przetestował DBgDel na trzech modelach metabolicznych o różnym stopniu złożoności: E. coli core, iMM904 oraz iML1515. Do analizy użyto bazy danych MetNetComp, która zawiera ponad 85 000 strategii usuwania genów. Proces ten generuje zoptymalizowany zestaw pozostałych genów na podstawie danych z bazy, a następnie wykorzystuje algorytm oparty na programowaniu liniowym z ograniczeniami całkowitymi (MILP) do dalszego udoskonalania strategii usuwania genów. Wydajność DBgDel była mierzona poprzez porównanie wskaźników sukcesu i czasu obliczeń w zestawieniu z istniejącymi narzędziami, takimi jak gDel minRN, GDLS i optGene.

Wyniki i znaczenie

DBgDel wykazał znaczną poprawę wydajności obliczeniowej przy zachowaniu wysokiej skuteczności we wszystkich testowanych modelach. Średnio, metoda ta przyspieszyła obliczenia 6,1-krotnie w porównaniu z tradycyjnymi podejściami. DBgDel był w stanie zidentyfikować strategie usuwania genów dla 507 z 991 docelowych metabolitów w dużych modelach, takich jak iML1515, w minimalnym czasie obliczeniowym. Wykorzystanie baz danych do inicjalizacji puli genów znacząco poprawiło skalowalność i precyzję, co potwierdza efektywność tego narzędzia w zastosowaniach związanych z inżynierią metaboliczną na skalę genomową.

Przyszłe perspektywy

DBgDel stanowi przełomowe rozwiązanie w zakresie identyfikacji strategii usuwania genów w modelach metabolicznych na skalę genomową, rozwiązując wiele problemów związanych z efektywnością obliczeniową i skalowalnością. Wiedza wyciągnięta z baz danych pozwala na szybsze i bardziej precyzyjne wyniki, co otwiera nowe możliwości dla bardziej praktycznych zastosowań inżynierii metabolicznej w biotechnologii przemysłowej. Jednakże, aby jeszcze bardziej poprawić metody ekstrakcji z baz danych, konieczne będzie ich dalsze udoskonalanie i rozszerzanie na szersze obszary zastosowań przemysłowych.

Podsumowanie

Dzięki DBgDel naukowcy mają teraz do dyspozycji narzędzie, które znacząco przyspiesza i optymalizuje proces identyfikacji strategii usuwania genów, co może mieć ogromny wpływ na przyszłość inżynierii metabolicznej. Rozwiązanie to nie tylko zwiększa efektywność, ale także skalowalność, co czyni je bardziej dostępnym dla szerokiego grona użytkowników, od badaczy po przemysł biotechnologiczny.