CC BY
242020, т. 10, № 2
УДК 544.022.347:576.3:57.087 DOI: 10.37279/2224-6444-2020-10-2-86-94
СТЕХИОМЕТРИЧЕСКИЕ МОДЕЛИ МЕТАБОЛИЗМА ЖИВОТНОЙ КЛЕТКИ: ПОНЯТИЕ И ПРИМЕНЕНИЕ В БИОМЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ
Тутаев К. Ю.1, Стрыгин А. В.13, Букатин М. В.3, Толкачев Б. Е.3, Морковин Е. И.и, Колобродова Н. А.13, Стрыгина А. О.13, Кузнецова О. Ю.3, Срослова Г. А.1,2, Доценко А. М.1'3, Лисина О. А.3, Кнышова Л. П.13
ТБУ «Волгоградский медицинский научный центр», 400131, площадь Павших борцов, 1, Волгоград, Россия
2ФГАОУ ВО «Волгоградский государственный университет», 400062, пр-т Университетский, 100, Волгоград, Россия
3ФГБОУ ВО «Волгоградский государственный медицинский университет» Минздрава России (ФГБОУ ВО ВолгГМУ Минздрава России), 400131, площадь Павших борцов 1, Волгоград, Россия
Для корреспонденции: Колобродова Наталья Александровна, кандидат медицинских наук, старший научный сотрудник лаборатории геномных и протеомных исследований ГБУ «Волгоградский медицинский научный центр», доцент кафедры биологии ФГБОУ ВО ВолгГМУ Минздрава России, e-mail: medbiochem@mail.ru
For correspondence: Kolobrodova Natalia Aleksandrovna, PhD, Senior Researcher at the Laboratory of Genomics and Proteomics of Volgograd Medical Research Center, Associate Professor of the Department of Biology, Volgograd State Medical University; e-mail: medbiochem@mail.ru
Information about authors:
Tutaev K. Yu., http://orcid.org/0000-0003-2678-2322 Strygin A. V., http://orcid.org/0000-0002-6997-1601 Bukatin M. V., http://orcid.org/0000-0003-1031-0697 Tolkachev B. E., http://orcid.org/0000-0002-7934-6586 Morkovin E. I., http://orcid.org/0000-0002-7119-3546 Kolobrodova N. A., http://orcid.org/0000-0002-8927-4811 Strygina A. O., http://orcid.org/0000-0001-7478-2007 Kuznetsova O. Yu., http://orcid.org/0000-0002-9991-6136 Sroslova G. A., http://orcid.org/0000-0002-9118-7098 Docenko A. M., http://orcid.org/0000-0003-3324-3351 Lisina O. A., http://orcid.org/0000-0002-8017-4726 Knyshova L. P., http://orcid.org/0000-0001-6002-1231
РЕЗЮМЕ
Возможность получать большие массивы разнородных данных о компонентах животной клетки с помощью высокопроизводительных молекулярно-биологических технологий вызывает необходимость развития методов компьютерной обработки данных. Одним из таких методов является представление животной клетки как единой биологической системы посредством стехиометрической модели метаболической сети клетки. Процесс метаболизма клетки во времени рассматривается в такой модели как ряд последовательных квазистатичных состояний. Процедура валидации модели включает ряд последовательных этапов: анализ метаболической сети; подтверждение выводов модельного анализа экспериментальными данными на живой клетке; настройка параметров модели, направленная на более точное имитирование метаболизма клетки. Модель представляют ориентированный граф и математическая матрица, которые отображают одномоментное состояние стехиометрических уравнений ферментативных реакций, формирующих метаболическую сеть клетки. При определении функционального состояния метаболической системы клетки используются матричные вычисления, задачи оптимизации метаболических функций клетки решаются методами линейного программирования и теории графов. Примером практического применения моделей метаболизма клетки человека являются модели Recon. Они нашли практическое применение в исследованиях при определении биомаркеров действия биологически активных веществ, изучении врожденных дефектов метаболизма, выявлении побочных эффектов лекарственного действия, определении мишеней воздействия биологически активных веществ, исследований метаболизма раковых клеток. На сегодня созданы для применения в различных областях биомедицинских исследований модели метаболизма различных клеток: гепатоцитов, кардиомиоцитов, астроцитов, клеток почек, адипоцитов, эритроцитов, мононуклеаров крови, мезенхимальных стволовых клеток, тромбоцитов, миоцитов, спермацитов, энтероцитов, эндотелиальных клеток, раковых клеток, нейронов мозга.
Ключевые слова: животная клетка, адаптация, стехиометрические модели, метаболизм, биомедицинские исследования
STOCHIOMETRIC MODELS OF ANIMAL CELL METABOLISM: CONCEPT AND APPLICATION IN BIOMEDICAL RESEARCH
Tutaev K. Yu.1, Strygin A. V.13, Bukatin M. V.3, Tolkachev B. E.3, Morkovin E. I.13, Kolobrodova N. A.13, Strygina A. O.13, Kuznetsova O. Yu.3, Sroslova G. A.1,2, Docenko A. M.1,3, Lisina O. A.3, Knyshova L. P.1,3
'Volgograd Medical Research Center, Volgograd, Russia 2Volgograd State University, Volgograd, Russia 3Volgograd State Medical University, Volgograd, Russia
SUMMARY
The ability to obtain large amounts of heterogeneous data on the components of an animal cell using high-performance molecular biological technologies necessitates the development of computer data processing methods. One of these methods is the representation of an animal cell as a single biological system through a stoichiometric model of the metabolic network of the cell. The process of cell metabolism over time is considered in such a model as a series of sequential quasistatic states. The model validation procedure includes a number of successive stages: analysis of the metabolic network; confirmation of the conclusions of model analysis by experimental data on a living cell; tuning of model parameters aimed at more accurate imitation of cell metabolism. The model is represented by a directed graph and a mathematical matrix, which display the simultaneous state of stoichiometric equations of enzymatic reactions forming the metabolic network of the cell. When determining the functional state of the metabolic system of a cell, matrix calculations are used; the tasks of optimizing the metabolic functions of a cell are solved by linear programming methods and graph theory. An example of the practical application of human cell metabolism models are Recon models. They found practical application in research when determining biomarkers of the action of biologically active substances, studying birth defects in metabolism, identifying side effects of a drug action, determining targets for exposure to biologically active substances, and studying cancer cell metabolism. Today, metabolic models of various cells have been created for use in various fields of biomedical research: hepatocytes, cardiomyocytes, astrocytes, kidney cells, adipocytes, red blood cells, blood mononuclear cells, mesenchymal stem cells, platelets, myocytes, sperm cells, enterocytes, endothelial cells, cancer cells, brain neurons.
Key words: animal cell, adaptation, stehoiometric models, metabolism, biomedical research
Одним из действенных способов понять и предсказать адаптационный ответ клетки человека на внешнее или внутреннее (мутация гена) воздействие является представление её как биологической системы с целью проведения системного анализа. На уровне человеческой клетки реализация заложенной в геноме информации нацелена на выполнение определённых функций в составе целого организма так что, каждая клетка человека обладает набором целевых функций, в который помимо функций поддержания гомеостаза входят функции, определяющие типоспецифичный фенотип. Модель метаболизма клетки является имитацией метаболического фенотипа, который является результатом последовательной реализации генетической информации на уровне эпигенома, транскриптома, протеома и метаболома. Информация, полученная со всех этих уровней может быть использована для построения метаболической модели клетки. Компромиссом высокой производительности аналитических методов протеомики, транскриптомики и метаболомики является разрушение клетки, так что получаемые данные содержат информацию о состоянии клетки в момент её разрушения. Такие свойства данных диктуют вид модели животной клетки, которая является статической. Процесс метаболизма клетки во времени рассматривается в такой модели как ряд последовательных квазиста-
тичных состояний. Квазистатичность состояния задаётся условием метаболического равновесия, при котором каждый внутренний метаболит потребляется с той же скоростью, что и образуется, а количество масс веществ, входящих в систему и выходящих из системы, неизменно. В уравнениях ферментативных реакций модели баланс масс выражается через стехиометриче-ские коэффициенты, а модель метаболизма называется стехиометрической. Для проведения системного анализа модель метаболизма клетки должна обладать масштабом; минимум - охватывать основные подсистемы метаболизма, максимум - задействовать все ферменты и белки метаболизма, закодированные в геноме клетки, так называемая геном - масштабированная модель. Стехиометрические модели метаболизма животной клетки активно применяются в доклинических исследованиях по выявлению побочных эффектов лекарственных веществ и определению маркеров лекарственного воздействия, в поиске перспективных мишеней лекарственного воздействия при создании новых лекарственных препаратов, в исследованиях метаболических нарушений, вызванных различными патогенными состояниями.
Условие квазистатичности состояния и количество компонентов биологической системы являются не единственными ограничениями, определяющими стехиометрическую модель
клеточного метаболизма, которую классифицируют как модель на основе ограничений [1]. Другими ограничениями являются: топология метаболической сети, условие непротиворечивости физико - химическим законам, минимальные и максимальные пределы мощности образования продукта отдельно взятых метаболических реакции. Наложение ограничений определяет пространство квазистатичных состояний, в которых может существовать метаболическая модель биологической системы. Любое квазистатичное состояние модели рассматривается как в определённой степени достоверности предположение о поведении и свойствах моделируемого биологического объекта при определённых внешних условиях, которое требует экспериментального подтверждения, так называемой валидации. Процедура валидации модели метаболизма животной клетки включает следующие этапы: анализ метаболической сети; подтверждение выводов модельного анализа экспериментальными данными на живой клетке; настройка параметров модели согласно данным эксперимента, направленная на более точное имитирование метаболизма клетки. Одним из видов анализа метаболической сети, применяемый в процедуре валидации модели, является топологический анализ, который выявляет ошибки и упущения, допущенные при реконструкции метаболической сети, такие как метаболический тупик или сетевой разрыв. Кроме этого анализ топологических свойств метаболической сети клетки выявляет узлы с наибольшим количеством смежных дуг (хабы), часто повторяющиеся подграфы (мотивы), мотивы с наибольшей плотностью связей (кластеры), и другие показатели, которые в конечном итоге определяют основные принципы регуляции метаболической сети при том или ином внешнем воздействии или патологическом состоянии [2].
Стехиометрическая модель метаболизма клетки систематизирует, связывает и формализует разрозненные данные из геномных, проте-омных и метаболомных баз данных сначала в формат графа, а затем в матрицу, получившую название стехиометрическая матрица. Метаболическая сеть клетки отображается двудольным графом, в котором узлы есть метаболиты, дуги - ферментативные реакции, последовательность смежных дуг - метаболический путь. В графической модели метаболизма клетки показано какими метаболическими путями поступающий в клетку субстрат преобразуются до конечного покидающего клетку продукта. Скорость преобразования поступившего в клетку субстрата в продукт, называется метаболический поток клетки. Данный показатель можно получить
экспериментально, измерив в единицу времени количество входящих в клетку субстратов и выходящих из клетки метаболитов. Понятие метаболический поток распространяется не только в отношении целой клетки, но и для отдельного метаболического пути или ферментативной реакции таким образом, что можно представить метаболический поток клетки как совокупность потоков метаболических путей, которые есть различные комбинации метаболических потоков реакций. Имеется несоответствие между модельным понятием поток метаболической реакции и характером данных, получаемых муль-тиомными методами исследований: в модели метаболизма клетки используется понятие метаболический поток, а не понятие концентрация метаболита, в то же время высокопроизводительные аналитические методы дают статистическую оценку концентрации молекул внутри клетки, но не определяют скорость ферментативной реакции. Данный парадокс несоответствия характера данных разрешают следующим способом: метаболический поток реакции задают в модели путём введения верхнего предела скорости метаболической реакции, который является линейной аппроксимацией данных о количественном содержании мРНК, белка или метаболита, участвующих в данной реакции [3]. Каждый из молекулярно - биологических методов мультиомных исследований имеет недостатки, затрудняющие возможность использования получаемых данных для определения метаболического потока, так для транскриптомики это неустойчивая корреляция между уровнем мРНК и активностью ферментов метаболизма [4: 43], для протеомики это технологическая сложность определения всех пострансляционных модификаций ферментов, определяющих скорость метаболических реакций [5], для метаболомики это отсутствие единого аналитического метода, способного охватить весь метаболом, по причине большой разнородности химических структур метаболитов и низкой химической устойчивости метаболитов. Недостатки отдельно взятых методов мультиомных исследований преодолевают интеграцией разнородных данных на основе стехиометрической модели метаболизма. Технология интеграции данных геномики, протеомики и метаболомики для определения метаболических потоков в стехиометрической модели метаболизма клетки именуется флюксо-мика [6].
Метаболическая модель клетки строиться на основе информации из геномных, протеомных, метаболомных баз данных. Изначально определяется топология метаболической сети модели. Далее полученный граф представляется в виде
матрицы, из которой согласно условию квазистатичного состояния вычисляют нулевую матрицу. Данная задача решается путём реализации алгоритма линейных комбинаторных преобразований на основе метода Гаусса-Джордана. В ходе реализации данного алгоритма проводятся алгебраические преобразования исходных конфигураций реакционных потоков в потоки с нулевым суммарным сочетанием реакций, последовательность осуществляемых при этом линейных комбинаций и перестановок потоков метаболических реакций заноситься в идентификационную матрицу. Алгоритм выполняется до получения стехиометрической матрицы с нулевыми значениями, при этом в идентификационной матрице будет содержаться комбинации исходных реакционных потоков, которые образуют пути метаболических реакций, в которых субстратами и продуктами крайних реакций являются вещества входящие и выходящие из клетки. Идентификационная матрица содержащая конечные комбинации потоков метаболических реакций (ПМР), называется матрица метаболический путей. В полученных метаболических путях нельзя убрать ни одну из реакций, цепочки метаболических превращений, без выключения всего пути метаболизма. При этом полученные пути метаболизма нельзя разложить на более простые пути, которые способны осуществить подобный метаболизм поступающего в систему вещества до выходящего конечного продукта. Метаболический путь, обладающий выше описанными свойствами, называют элементарной конфигурацией потоков метаболических реакций или элементарным векторов потоков метаболических реакций. В множестве элементарных векторов ПМР выделяют подмножество векторов, в которых метаболизм поступающих веществ до конечных выходящих из системы метаболитов осуществляется наиболее коротким путём, такие вектора называются предельными метаболическими потоками, поскольку они определяют пределы пространства возможных путей метаболических реакций, которое задаётся набором введенных в модель ограничений. Каждый элементарный вектор ПМР можно представить, как линейную комбинацию предельных векторов ПМР [7; 8]. По - средством граф ориентированного анализа баланса элементарных векторов ПМР и предельных векторов ПМР определяют основные принципы регуляции и базовые топологические свойства метаболической сети клетки [9; 10].
Число возможных путей в сети метаболических реакций модели растет экспоненциально с увеличением числа реакций, таким образом число определяемых элементарных векторов и
предельных метаболических потоков ограничено вычислительными мощностями компьютера. Существует ряд подходов преодоления данного ограничения путём разделения системы метаболических реакций модели на подсистемы, размер которых позволяет вычислить возможные пути метаболических реакций [11; 12].
Определение изменений в потоках метаболических реакций на внешнее (ксенобиотик) или внутреннее (мутация гена) воздействие проводится на стехиометрической модели метаболизма посредством решения задачи линейного программирования, условия которой формулируются следующим образом:
1. Скорость ферментативных реакций, обеспечивающих реализацию целевой функции клетки должна быть максимальной (max уцф), где уцф - скорость метаболической реакции в уравнении масс ферментативной реакции, обеспечивающей реализацию определённой целевой функции клетки.
2. Скорость отдельной ферментативной реакции должна быть больше нуля и меньше у = 1 (0<уцф< у), где у - произвольное число, установленное для данной системы как 1.
3. Должно выполняться условие стационарного состояния системы, т.е. метаболического равновесия, при котором каждый внутренний метаболит потребляется с той же скоростью, что и образуется, а скорость реакций обмена с внешней средой постоянна (S*v= 0), где S -стехиометрическая матрица размером m*n, где m - число метаболитов, n - число реакций, в которой каждая ячейка определяется индексом метаболита i и индексом реакции j.
4. Для всех реакций обмена рассматриваемой метаболической системы с внешней средой скорость реакции потребления субстрата или реакции расхода продукта не должна превышать
1000 (-1000 < vb < +1000 v j е в, з i е м, з
(j,i)e{Ni,j: j е B}), где Nij - множество всех ячеек матрицы; v - вектор, метаболического потока реакции в стехиометрической матрице; vb - скорость метаболической реакции на входе и на выходе из системы; B - множество индексов метаболических реакций на входе и на выходе из системы; M - множество индексов всех метаболитов системы;
5. Скорость реакции, заблокированной в результате действия внутреннего или внешнего фактора, должна равняться нулю (ур = 0), где vр - скорость реакции, заблокированной в результате действия внутреннего или внешнего фактора.
Решение данной задачи позволяет подобрать распределение потоков метаболических реакций, формирующее метаболический путь, кото-
рый выполняет целевую функцию клетки наиболее оптимальным способом.
Примером практического применения моделей метаболизма клетки человека являются модели Recon [13]. Модели Recon нашли практическое применение при определении биомаркеров лекарственного действия, изучении врожденных дефектов метаболизма, выявлении побочных эффектов лекарственного действия, определении мишеней лекарственного воздействия, исследований метаболизма раковых клеток. Стехио-метрическая модель метаболизма версии Recon 2.2 имеет, уравновешенную по балансу масс и заряду всех входящих реакций матрицу, состоящую из 5324 метаболита и 7785 реакции. Белки, осуществляющие метаболические реакции модели, являются продуктами экспрессии 1675 генов. Новшеством модели Recon 2.2 в сравнении предыдущими версиями является введение нового клеточного компартмента митохондри-ального межмембранного пространства, что обеспечило более точную имитацию энергетического метаболизма, которая позволила определять электрохимический протонный градиент [14]. Крайней версией моделей линейки Recon является Recon3D, которая включает 3288 открытые рамки считывания, кодирующие белки участвующие в 13543 реакции с 4140 метаболитами. В версиях моделей Recon 2.2 и Recon3D в клетке выделено девять областей: цитоплазма [с], лизосома [1], ядро [п], митохондрия [т], ми-тохондриальное межмембранное пространство И, пероксисома [х], внеклеточное пространство [е], аппарат Гольджи эндоплазматический ретикулум [г]. Стехиометрическая модель метаболизма версии Recon 3D имеет уравновешенную стехиометрическую матрицу, состоящую из 10 600 реакций и 5835 метаболитов. Модель Recon3D выполняет 431 целевую метаболическую функцию. Качественным отличием модели Recon3D от предыдущих версий является наличие информации о трехмерной структуре 12890 белков метаболизма и перекрёстных ссылок на базы данных метаболитов и белков, содержащие информацию о трехмерной (3D) структуре белков и метаболитов. Наличие информации о 3D - структуре белков метаболизма и структуре молекулы испытуемого лекарственного вещества позволяет определить, какие реакции метаболической сети являются наиболее вероятными мишенями лекарственного воздействия. И на стехиометрической модели методом анализа баланса метаболических потоков определить изменение путей метаболических реакций, после введения нулевых значений в те потоки, ферменты которых являются мишенями лекарственного воздействия [15]. Модели Recon 2.2 и
Recon3D поддерживают унифицированный формат системной биологии (SBML) и совместимы с программой по реконструкции и анализу моделей на ограничениях (COBRA) [16; 17; 18]. Надо отметить, что модели Recon не учитывают типоспецифичность метаболического фенотипа клетки, т.е. являются так называемыми обобщенными моделями метаболизма клетки человека, что обусловлено тем, что компоненты модели определяются от генома, т.е. снизу - вверх: экзом - транскриптом - протеом - метаболом. Однако, требования к точности фармакологических исследований диктуют необходимость более точной имитации типоспецифичных особенностей метаболического фенотипа, которая достигается применением типоспецифичных моделей клеточного метаболизма. Создание метаболической модели клеток определённого типа происходит путём анализа данных мультиомных методов исследования и определения типоспецифично-го набора целевых метаболических функций т.е. модель строиться от фенотипа; транскриптом, протеом, метаболом- экзом [19]. На сегодня созданы для применения в фармакологических исследованиях модели метаболизма гепатоцитов [20; 21; 22], кардиомиоцитов [23; 24], астроци-тов [25], клеток почек [26; 27], адипоцитов [28], эритроцитов [29], мононуклеаров крови [30; 31], мезенхимальных стволовых клеток [29], тромбоцитов [33], миоцитов [34], спермацитов [35], энтероцитов [36], эндотелиальных клеток [37], раковых клеток [38; 39; 40; 41], нейронов мозга [42].
Несмотря на довольно упрощенное представление о биологической системе стехиоме-трических модели метаболизма клетки находят широкое применение в биомедицинских исследованиях механизмов патогенеза заболеваний, поиске новых мишеней и биомаркёров лекарственного действия.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interest. The authors have no conflict of interests to declare.
ЛИТЕРАТУРА
1. Bordbar A., Monk J. M., King Z. A., Palsson B. 0. Constraint-based models predict metabolic and associated cellular functions. Nature Reviews Genetics. 2014;15(2):107-20. doi:10.1038/nrg3643.
2. Rolfsson O., Paglia G., Magnusdottir M., Palsson B. 0., Thiele I. Inferring the metabolism of human orphan metabolites from their metabolic network context affirms human gluconokinase activity. The Biochemical Journal. 2013;449(2):427-35. doi: 10.1042/BJ20120980.
3. Tepper N., Shlomi T. Efficient Modeling of MS/ MS Data for Metabolic Flux Analysis. Public Library of
Science ONE. 2015;10(70):e0130213. doi: 10.1371/ journal.pone.0130213.
4. Ohtsuki S., Schaefer O., Kawakami H. et al. Simultaneous Absolute Protein Quantification of Transporters, Cytochromes P450, and UDP-Glucuronosyltransferases as a Novel Approach for the Characterization of Individual Human Liver: Comparison with mRNA Levels and Activities. Drug Metabolism and Disposition: the Biological Fate of Chemicals. 2012;40(1):83-92. doi:10.1124/dmd.111.042259.
5. Horvatovich P., Franke L., Bischoff R. Proteomic Studies Related to Genetic Determinants of Variability in Protein Concentrations. Journal of proteome research. 2014;13(1):5-14. doi: 10.1021/pr400765y.
6. Winter G., Kromer J. O. Fluxomics - connecting 'omics analysis and phenotypes. Environmental Microbiology. 2013;15(7): 1901-1916. doi:10.1111/1462-2920.12064.
7. Rienksma R. A., Suarez-Diez M., Spina L., Schaap P. J., Martins dos Santos V. A. P. Systems-level modeling of mycobacterial metabolism for the identification of new (multi-) drug targets. Seminars in Immunology. 2014;26(6):610-22. doi: 10.1016/j.smim.2014.09.013.
8. Schilling C. H., Letscher D., Palsson B. 0. Theory for the Systemic Definition of Metabolic Pathways and their use in Interpreting Metabolic Function from a Pathway-Oriented Perspective. Journal of Theoretical Biology. 2000;203(3):229-248. doi: 10.1006/jtbi.2000.1073.
9. Arabzadeh M., Zamani M. S., Sedighi M., Marashi S.-A. A Graph-Based Approach to Analyze Flux-Balanced Pathways in Metabolic Networks. Biosystems. 2018;165:40-51. doi: 10.1016/j.biosystems.2017.12.001.
10. Xi Y., Wang F. Extreme pathway analysis reveals the organizing rules of metabolic regulation. Public Library of Science ONE. 2019;14(2):1-29. doi: 10.1371/journal. pone.0210539.
11. Massucci F.A., Font-Clos F., De MartinoA., Castillo I. A Novel Methodology to Estimate Metabolic Flux Distributions in Constraint-Based Models. Metabolites. 2013;3(3):838-852. doi: 10.3390/metabo3030838.
12. Erdrich P., Steuer R., Klamt S. An algorithm for the reduction of genome-scale metabolic network models to meaningful core models. BMC Systems Biology. 2015;9(1):48. doi: 10.1186/s12918-015-0191-x.
13. Thiele I., Swainston N., Fleming R. M. T. et al. A community-driven global reconstruction of human metabolism. Nature biotechnology. 2013;31(5):419-25. doi: 10.1038/nbt.2488.
14. Swainston N., Smallbone K., Hefzi H. Recon 2.2: from reconstruction to model of human metabolism. Metabolomics. 2016;12(7):109. doi:10.1007/s11306-016-1051-4.
15. Brunk E., Sahoo S., Zielinski D. et al. Recon3D: A Resource Enabling A Three-Dimensional View of Gene Variation in Human Metabolism. Nature Biotechnology. 2018; 36(3):272-281. doi:10.1038/nbt.4072.
16. Noronha A., Danielsdöttir A. D., Gawron P. et al. ReconMap: an interactive visualization of human metabolism. Bioinformatics. 2017;33(4):605-607. doi: 10.1093/bioinformatics/btw667.
17. Huckal M., Bergmann F. T., Hoops S. et al. The Systems Biology Markup Language (SBML): Language Specification for Level 3 Version 1 Core. Journal of Integrative Bioinformatics. 2015;12(2):266. doi:10.1515/ jib-2015-266.
18. Orman M. A., Mattick J., Androulakis I. P., Berthiaume F. et al. Stoichiometry Based Steady-State Hepatic Flux Analysis: Computational and Experimental Aspects. Metabolites. 2012;2(1):268-91. doi: 10.3390/ metabo2010268.
19. O'Brien E. J., Monk J. M., Palsson B. 0. Using Genome-Scale Models to Predict Biological Capabilities. Cell. 2015;161(5):971-987. doi:10.1016/j.cell.2015.05.019.
20. Mardinoglu1 A., Agren R., Kampf C., Asplund A., Uhlen M., Nielsen J. Genome-scale metabolic modelling of hepatocytes reveals serine deficiency in patients with non-alcoholic fatty liver disease. Nature Communications. 2014;5:3083. doi: 10.1038/ncomms4083.
21. Gille C., Bölling C., Hoppe A. et al. HepatoNet1: a comprehensive metabolic reconstruction of the human hepatocyte for the analysis of liver physiology. Molecular Systems Biology. 2010;6:411. doi:10.1038/msb.2010.62.
22. Rawls K. D., Blais E. M., Dougherty B.V. et al. Genome-Scale Characterization of Toxicity-Induced Metabolic Alterations in Primary Hepatocyte. Toxicological Sciences. 2019;172(2):279-291. doi:10.1093/toxsci/ kfz197.
23. Karlstädt A., Fliegner D., Kararigas G. et al. CardioNet: A human metabolic network suited for the study of cardiomyocyte metabolism. BMC Systems Biology. 2012;6:114. doi:10.1186/1752-0509-6-114.
24. Zhao Y., Huang J. Reconstruction and analysis of human heart-specific metabolic network based on transcriptome and proteome data. Biochemical and Biophysical Research Communications. 201;415(3):450-4. doi:10.1016/j.bbrc.2011.10.090.
25. Martin-Jimenez,C. A., Salazar-Barreto D., Barreto G. E. et al. Genome-Scale Reconstruction of the Human Astrocyte Metabolic Network. Frontiers in Aging Neuroscience. 2017;9:23 doi:10.3389/fnagi.2017.00023.
26. Zhang A., Dai S., Huang J. Reconstruction and Analysis of Human Kidney-Specific Metabolic Network Based on Omics Data. BioMed Research International. 2013;2013:187509. doi: 10.1155/2013/187509.
27. Chang R. L., Xie L., Xie L., Bourne P. E., Palsson B. 0. Drug Off-Target Effects Predicted Using Structural Analysis in the Context of a Metabolic Network Model. Public Library of Science Computational Biology. 2010;6(9):e1000938. doi: 10.1371/journal.pcbi.1000938.
28. Mardinoglu A., Agren R., Kampf C., Asplund A. et al. Integration of clinical data with a genome-scale metabolic model of the human adipocyte. Molecular Systems Biology. 2013;9:649. doi:10.1038/msb.2013.5.
29. Bordbar A., Jamshidi A., Palsson B. 0. iAB-RBC-283: A proteomically derived knowledgebase of erythrocyte metabolism that can be used to simulate its physiological and patho-physiological states. BMC Systems Biology. 2011;5:110. doi:10.1186/1752-0509-5-110.
30. Han F., Li G., Dai S., Huang J. Genome-wide metabolic model to improve understanding of CD4(+) T cell metabolism, immunometabolism and application in drug design. Molecular BioSystems. 2016;12(2):431-43. doi:10.1039/c5mb00480b.
31. Sen P., Kemppainen E., Oresic M. Perspectives on Systems Modeling of Human Peripheral Blood Mononuclear Cells. Frontiers in Molecular Biosciences. 2018;4:96. doi: 10.3389/fmolb.2017.00096.
32. Fouladiha H., Marashi S.-A., Shokrgozar M. A. Reconstruction and validation of a constraint-based metabolic network model for bone marrow-derived mesenchymal stem cells. Cell Proliferation. 2015;48(4):475-85. doi:10.1111/cpr.12197.
33. Thomas A., Rahmanian S., Bordbar A. et al. Network reconstruction of platelet metabolism identifies metabolic signature for aspirin resistance. Scientific Reports. 2014;4:3925. doi:10.1038/srep03925.
34. Varemo L., Scheele C., Broholm C. et al. Proteome- and Transcriptome-Driven Reconstruction of the Human Myocyte Metabolic Network and Its Use for Identification of Markers for Diabetes. Cell Reports. 2015;11(6):921-933. doi: 10.1016/j.celrep.2015.04.010.
35. Asghari A., Marashi S.-A., Ansari-Pour N. A sperm-specific proteome-scale metabolic network model identifies non-glycolytic genes for energy deficiency in asthenozoospermia. Systems Biology in Reproductive Medicine. 2017;63(2):100-112. doi:10.1080/19396368.20 16.1263367.
36. Sahoo S., Thiele I. Predicting the impact of diet and enzymopathies on human small intestinal epithelial cells. Human Molecular Genetics. 2013;22(13):2705-22. doi: 10.1093/hmg/ddt119.
37. Patella F., Schug Z. T., Persi E.et al. Proteomics-Based Metabolic Modeling Reveals That Fatty Acid Oxidation (FAO) Controls Endothelial Cell (EC) Permeability. Molecular & Cellular Proteomics. 2015;14(3):621-34. doi:10.1074/mcp.M114.045575.
38. Megchelenbrink W., Katzir R., Lu X. et al. Synthetic dosage lethality in the human metabolic network is highly predictive of tumor growth and cancer patient survival. Proceedings of the National Academy of Sciences of the United States of America. 2015;112(39):12217-22. doi: 10.1073/pnas.1508573112.
39. Ghaffari P., Mardinoglu A., Asplund A. et al. Identifying anti-growth factors for human cancer cell lines through genome-scale metabolic modeling. Scientific Reports. 2015;5: 8183. doi: 10.1038/srep08183.
40. Nam H., Campodonico M., Bordbar A. et al. A Systems Approach to Predict Oncometabolites via Context-Specific Genome-Scale Metabolic Networks. Public Library
of Science Computational Biology. 2014;10(9):e1003837. doi: 10.1371/journal.pcbi.1003837.
41. Motamedian E., Ghavami G., Sardari S. Investigation on metabolism of cisplatin resistant ovarian cancer using a genome scale metabolic model and microarray data. Iranian Journal of Basic Medical Sciences. 2015;18(3):267-76.
42. Supandi F., van Beek J. Computational prediction of changes in brain metabolic fluxes during Parkinson's disease from mRNA expression. Public Library of Science ONE. 2018;13(9):e0203687. doi: 10.1371/journal. pone.0203687.
43. Jouhten P., Wiebe M., Penttila M. Dynamic flux balance analysis of the metabolism of Saccharomyces cerevisiae during the shift from fully respirative or respirofermentative metabolic states to anaerobiosis. The FEBS Journal. 2012;279(18):3338-54. doi: 10.1111/j.1742-4658.2012.08649.x.
REFERENCES
1. Bordbar A., Monk J. M., King Z. A., Palsson B. 0. Constraint-based models predict metabolic and associated cellular functions. Nature Reviews Genetics. 2014;15(2):107-20. doi: 10.1038/nrg3643.
2. Rolfsson O., Paglia G., Magnusdottir M., Palsson B. 0., Thiele I. Inferring the metabolism of human orphan metabolites from their metabolic network context affirms human gluconokinase activity. The Biochemical Journal. 2013;449(2):427-35. doi: 10.1042/BJ20120980.
3. Tepper N., Shlomi T. Efficient Modeling of MS/ MS Data for Metabolic Flux Analysis. Public Library of Science ONE. 2015;10(70):e0130213. doi: 10.1371/ journal.pone.0130213.
4. Ohtsuki S., Schaefer O., Kawakami H. et al. Simultaneous Absolute Protein Quantification of Transporters, Cytochromes P450, and UDP-Glucuronosyltransferases as a Novel Approach for the Characterization of Individual Human Liver: Comparison with mRNA Levels and Activities. Drug Metabolism and Disposition: the Biological Fate of Chemicals. 2012;40(1):83-92. doi: 10.1124/dmd.111.042259.
5. Horvatovich P., Franke L., Bischoff R. Proteomic Studies Related to Genetic Determinants of Variability in Protein Concentrations. Journal of proteome research. 2014;13(1):5-14. doi: 10.1021/pr400765y.
6. Winter G., Kromer J. O. Fluxomics - connecting 'omics analysis and phenotypes. Environmental Microbiology. 2013;15(7):1901-1916. doi: 10.1111/14622920.12064.
7. Rienksma R. A., Suarez-Diez M., Spina L., Schaap P. J., Martins dos Santos V. A. P. Systems-level modeling of mycobacterial metabolism for the identification of new (multi-) drug targets. Seminars in Immunology. 2014;26(6):610-22. doi: 10.1016/j.smim.2014.09.013.
8. Schilling C. H., Letscher D., Palsson B. 0. Theory for the Systemic Definition of Metabolic Pathways and their use in Interpreting Metabolic Function from a Pathway-
Oriented Perspective. Journal of Theoretical Biology. 2000;203(3):229-248. doi: 10.1006/jtbi.2000.1073.
9. Arabzadeh M., Zamani M. S., Sedighi M., Marashi S.-A. A Graph-Based Approach to Analyze Flux-Balanced Pathways in Metabolic Networks. Biosystems. 2018;165:40-51. doi: 10.1016/j.biosystems.2017.12.001.
10. Xi Y., Wang F. Extreme pathway analysis reveals the organizing rules of metabolic regulation. Public Library of Science ONE. 2019;14(2):1-29. doi: 10.1371/journal. pone.0210539.
11. Massucci F.A., Font-Clos F., De MartinoA., Castillo I. A Novel Methodology to Estimate Metabolic Flux Distributions in Constraint-Based Models. Metabolites. 2013;3(3):838-852. doi: 10.3390/metabo3030838.
12. Erdrich P., Steuer R., Klamt S. An algorithm for the reduction of genome-scale metabolic network models to meaningful core models. BMC Systems Biology. 2015;9(1):48. doi: 10.1186/s12918-015-0191-x.
13. Thiele I., Swainston N., Fleming R. M. T. et al. A community-driven global reconstruction of human metabolism. Nature biotechnology. 2013;31(5):419-25. doi: 10.1038/nbt.2488.
14. Swainston N., Smallbone K., Hefzi H. Recon 2.2: from reconstruction to model of human metabolism. Metabolomics. 2016;12(7):109. doi:10.1007/s11306-016-1051-4.
15. Brunk E., Sahoo S., Zielinski D. et al. Recon3D: A Resource Enabling A Three-Dimensional View of Gene Variation in Human Metabolism. Nature Biotechnology. 2018; 36(3):272-281. doi: 10.1038/nbt.4072.
16. Noronha A., Danielsdöttir A. D., Gawron P. et al. ReconMap: an interactive visualization of human metabolism. Bioinformatics. 2017;33(4):605-607. doi: 10.1093/bioinformatics/btw667.
17. Huckal M., Bergmann F. T., Hoops S. et al. The Systems Biology Markup Language (SBML): Language Specification for Level 3 Version 1 Core. Journal of Integrative Bioinformatics. 2015;12(2):266. doi: 10.1515/ jib-2015-266.
18. Orman M. A., Mattick J., Androulakis I. P., Berthiaume F. et al. Stoichiometry Based Steady-State Hepatic Flux Analysis: Computational and Experimental Aspects. Metabolites. 2012;2(1):268-91. doi: 10.3390/ metabo2010268.
19. O'Brien E. J., Monk J. M., Palsson B. 0. Using Genome-Scale Models to Predict Biological Capabilities. Cell. 2015;161(5):971-987. doi: 10.1016/j.cell.2015.05.019.
20. Mardinoglu1 A., Agren R., Kampf C., Asplund A., Uhlen M., Nielsen J. Genome-scale metabolic modelling of hepatocytes reveals serine deficiency in patients with non-alcoholic fatty liver disease. Nature Communications. 2014;5:3083. doi: 10.1038/ncomms4083.
21. Gille C., Bölling C., Hoppe A. et al. HepatoNet1: a comprehensive metabolic reconstruction of the human hepatocyte for the analysis of liver physiology. Molecular Systems Biology. 2010;6:411. doi: 10.1038/msb.2010.62.
22. Rawls K. D., Blais E. M., Dougherty B.V. et al. Genome-Scale Characterization of Toxicity-Induced Metabolic Alterations in Primary Hepatocyte. Toxicological Sciences. 2019;172(2):279-291. doi: 10.1093/toxsci/ kfz197.
23. Karlstädt A., Fliegner D., Kararigas G. et al. CardioNet: A human metabolic network suited for the study of cardiomyocyte metabolism. BMC Systems Biology. 2012;6:114. doi: 10.1186/1752-0509-6-114.
24. Zhao Y., Huang J. Reconstruction and analysis of human heart-specific metabolic network based on transcriptome and proteome data. Biochemical and Biophysical Research Communications. 201;415(3):450-4. doi: 10.1016/j.bbrc.2011.10.090.
25. Martin-Jiménez,C. A., Salazar-Barreto D., Barreto G. E. et al. Genome-Scale Reconstruction of the Human Astrocyte Metabolic Network. Frontiers in Aging Neuroscience. 2017;9:23 doi: 10.3389/fnagi.2017.00023.
26. Zhang A., Dai S., Huang J. Reconstruction and Analysis of Human Kidney-Specific Metabolic Network Based on Omics Data. BioMed Research International. 2013;2013:187509. doi: 10.1155/2013/187509.
27. Chang R. L., Xie L., Xie L., Bourne P. E., Palsson B. 0. Drug Off-Target Effects Predicted Using Structural Analysis in the Context of a Metabolic Network Model. Public Library of Science Computational Biology. 2010;6(9):e1000938. doi: 10.1371/journal.pcbi.1000938.
28. Mardinoglu A., Agren R., Kampf C., Asplund A. et al. Integration of clinical data with a genome-scale metabolic model of the human adipocyte. Molecular Systems Biology. 2013;9:649. doi: 10.1038/msb.2013.5.
29. Bordbar A., Jamshidi A., Palsson B. 0. iAB-RBC-283: A proteomically derived knowledgebase of erythrocyte metabolism that can be used to simulate its physiological and patho-physiological states. BMC Systems Biology. 2011;5:110. doi: 10.1186/1752-0509-5110.
30. Han F., Li G., Dai S., Huang J. Genome- wide metabolic model to improve understanding of CD4(+) T cell metabolism, immunometabolism and application in drug design. Molecular BioSystems. 2016;12(2):431-43. doi: 10.1039/c5mb00480b.
31. Sen P., Kemppainen E., Oresic M. Perspectives on Systems Modeling of Human Peripheral Blood Mononuclear Cells. Frontiers in Molecular Biosciences. 2018;4:96. doi: 10.3389/fmolb.2017.00096.
32. Fouladiha H., Marashi S.-A., Shokrgozar M. A. Reconstruction and validation of a constraint-based metabolic network model for bone marrow-derived mesenchymal stem cells. Cell Proliferation. 2015;48(4):475-85. doi: 10.1111/cpr.12197.
33. Thomas A., Rahmanian S., Bordbar A. et al. Network reconstruction of platelet metabolism identifies metabolic signature for aspirin resistance. Scientific Reports. 2014;4:3925. doi: 10.1038/srep03925.
34. Varemo L., Scheele C., Broholm C. et al. Proteome- and Transcriptome-Driven Reconstruction
of the Human Myocyte Metabolic Network and Its Use for Identification of Markers for Diabetes. Cell Reports. 2015;11(6):921-933. doi: 10.1016/j.celrep.2015.04.010.
35. Asghari A., Marashi S.-A., Ansari-Pour N. A sperm-specific proteome-scale metabolic network model identifies non-glycolytic genes for energy deficiency in asthenozoospermia. Systems Biology in Reproductive Medicine. 2017;63(2):100-112. doi: 10.1080/19396368.2016.1263367.
36. Sahoo S., Thiele I. Predicting the impact of diet and enzymopathies on human small intestinal epithelial cells. Human Molecular Genetics. 2013;22(13):2705-22. doi: 10.1093/hmg/ddt119.
37. Patella F., Schug Z. T., Persi E.et al. Proteomics-Based Metabolic Modeling Reveals That Fatty Acid Oxidation (FAO) Controls Endothelial Cell (EC) Permeability. Molecular & Cellular Proteomics. 2015;14(3):621-34. doi: 10.1074/mcp.M114.045575.
38. Megchelenbrink W., Katzir R., Lu X. et al. Synthetic dosage lethality in the human metabolic network is highly predictive of tumor growth and cancer patient survival. Proceedings of the National Academy of Sciences of the United States of America. 2015;112(39):12217-22. doi: 10.1073/pnas.1508573112.
39. Ghaffari P., Mardinoglu A., Asplund A. et al. Identifying anti-growth factors for human cancer cell lines through genome-scale metabolic modeling. Scientific Reports. 2015;5: 8183. doi: 10.1038/srep08183.
40. Nam H., Campodonico M., Bordbar A. et al. A Systems Approach to Predict Oncometabolites via Context-Specific Genome-Scale Metabolic Networks. Public Library of Science Computational Biology. 2014;10(9):e1003837. doi: 10.1371/journal.pcbi.1003837.
41. Motamedian E., Ghavami G., Sardari S. Investigation on metabolism of cisplatin resistant ovarian cancer using a genome scale metabolic model and microarray data. Iranian Journal of Basic Medical Sciences. 2015;18(3):267-76.
42. Supandi F., van Beek J. Computational prediction of changes in brain metabolic fluxes during Parkinson's disease from mRNA expression. Public Library of Science ONE. 2018;13(9):e0203687. doi: 10.1371/journal. pone.0203687.
43. Jouhten P., Wiebe M., Penttil a M. Dynamic flux balance analysis of the metabolism of Saccharomyces cerevisiae during the shift from fully respirative or respirofermentative metabolic states to anaerobiosis. The FEBS Journal. 2012;279(18):3338-54. doi: 10.1111/j.1742-4658.2012.08649.x.
