Məlumat

İnsan eritrositləri üçün metabolik şəbəkəni haradan tapa bilərəm?

İnsan eritrositləri üçün metabolik şəbəkəni haradan tapa bilərəm?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

SBML formatında insan eritrositinin (qırmızı qan hüceyrəsi) metabolik şəbəkəsini haradan tapa bilərəm? Qırmızı qan hüceyrələrinin metabolik şəbəkəsi adətən ədəbiyyatda metabolik şəbəkələrin analizinin riyazi üsullarını nümayiş etdirmək üçün istifadə edilən bir modeldir [aşağıdakı istinadlara baxın].

Bu ümumi istifadəyə baxmayaraq, mən bu şəbəkələr üçün geniş istifadə olunan SBML formatında insan eritrositinin metabolik şəbəkəsini tapa bilmədim (məsələn, BiGG verilənlər bazasında, http://bigg.ucsd.edu/ ) çünki COBRA paketi ilə istifadə etmək asandır (http://opencobra.sourceforge.net/).

Beləliklə, hər kəs mənə insanın qırmızı qan hüceyrəsinin metabolik şəbəkəsinin SBML modelini haradan tapa biləcəyimi deyə bilər?

Qırmızı qan hüceyrələrinin metabolik şəbəkəsinin istifadə edildiyi istinadlar:

  • Wiback, S. J., Famili, I., Greenberg, H. J., & Palsson, B. Ø. (2004). Monte Karlo nümunəsi sabit vəziyyət axını sahəsinin ölçüsünü və formasını müəyyən etmək üçün istifadə edilə bilər. Nəzəri Biologiya Jurnalı, 228, 437-447. doi:10.1016/j.jtbi.2004.02.006

  • Braunstein, A., Mulet, R., & Pagnani, A. (2008). Metabolik şəbəkələrin məhlul sahəsinin ölçüsünün qiymətləndirilməsi. BMC Bioinformatika, 9, 240. doi:10.1186/1471-2105-9-240

  • Jamshidi, N., Edwards, J. S., Fahland, T., Church, G. M., & Palsson, B. Ø. (2001). İnsan qırmızı qan hüceyrələrinin metabolik şəbəkəsinin dinamik simulyasiyası. Bioinformatika, 17(3), 286-287.

  • Kauffman, K. J., Pajeroski, J. D., Jamshidi, N., Palsson, B. Ø., & Edwards, J. S. (2002). İnsan qırmızı qan hüceyrəsindəki metabolik əlaqənin və dinamikanın təsviri və təhlili. Biophysical Journal, 83(2), 646-662. doi: 10.1016/S0006-3495(02)75198-9


Cəmşidi və başqalarının istifadə etdiyi model. BioModels verilənlər bazasında qeydiyyat nömrəsi ilə tapıla bilər. MODEL1103210001 http://www.ebi.ac.uk/compneur-srv/biomodels-main/MODEL1103210001

Daha yeni bir model də təsvir edilmişdir Bordbar və b. iAB-RBC-283: Eritrosit mübadiləsinin fizioloji və patofizioloji vəziyyətlərini simulyasiya etmək üçün istifadə edilə bilən proteomik yolla əldə edilmiş məlumat bazası. BMC Systems Biology 2011, 5:110 SBML formatında olan model faylı Əlavə Fayllar bölməsindən (http://www.biomedcentral.com/1752-0509/5/110/additional) və ya BioModels (http://www.ebi.ac.uk/) bölməsindən endirilə bilər. compneur-srv/biomodels-main/MODEL1106080000).


İnsan metabolik şəbəkəsinin modelləri: metabolomika və genomikanı uzlaşdırmaq məqsədi daşıyır

Metabolik sindrom, maddələr mübadiləsinin anadangəlmə xətaları və metabolik vəziyyətlərdə dərmanların səbəb olduğu dəyişikliklər, metabolitlərin konsentrasiyasında zahirən çaşdırıcı görünən dəyişikliklərə səbəb olur, bunlar tez-tez əsas biokimyəvi lezyonu ehtiva edənlərdən uzaq olan toxumalarda və hüceyrələrdə baş verir. Geriyə işləmək və əsas lezyonu dəqiq təyin etmək və bəlkə də bütün insan metabolik şəbəkəsində müalicə etmək üçün xəstədən kifayət qədər biokimyəvi məlumat toplamaq necə mümkündür? Potensial analizlər ultra yüksək təzyiqli maye xromatoqrafiyası, kütləvi spektrometriya, nüvə maqnit rezonans spektroskopiyası və s. kimi müasir üsullardan faydalanmışdır. Daha böyük bir problem narkotik və gen mühəndisliyindən istifadə edərək mümkün müasir müalicələrin nəticələrinin proqnozlaşdırılmasıdır. Bu, amin turşusu ardıcıllığını təyin edən genlər tərəfindən kodlaşdırılan fermentlərə, tənzimləyicilərə və struktur elementlərə diqqət yetirməklə, maddələr mübadiləsinə tamamilə fərqli bir prizmadan baxmaq anlayışını ortaya qoyur və beləliklə, tənzimləyici və ya katalitik olsun, müxtəlif qarşılıqlı təsirləri kodlaşdırır. Metabolizmin əsas baxışı mübahisələndirilir, buna görə də biz burada ənənəvi kəmiyyət kimyasentrik metabolizmin zahirən "parametrsiz" genomik təsvirlə uzlaşdırılmasını və əksinə müzakirə edirik.


Fon

Yüksək ötürmə qabiliyyətinə malik məlumatların yaradılmasının inkişafı “omic” elmlərin yeni dövrünü açdı. Bütün hüceyrə ölçmələri genom ardıcıllığını (genomika) aydınlaşdıra, həmçinin mRNT (transkriptomiya), zülalları (proteomika) və kiçik metabolitləri (metabolomika) müəyyən bir şəraitdə aşkar edə bilər. Bu üsullar hüceyrə fəaliyyətinin müəyyən edilməsində geniş əhatəni təmin etsə də, bu günə qədər çox az inteqrasiya olunmuş funksional analiz aparılmışdır.

Genom miqyaslı şəbəkə rekonstruksiyaları sistem biologiyasında hesablama analizi üçün ümumi məxrəc, eləcə də eksperimental məlumatların təhlili üçün inteqrativ platformadır [1, 2]. Yenidənqurmaların bir neçə tətbiqi var, o cümlədən: 1) yüksək ötürmə qabiliyyətinə malik məlumatların kontekstləşdirilməsi, 2) fərziyyəyə əsaslanan kəşfin istiqamətləndirilməsi və 3) şəbəkə mülkiyyətinin kəşfi [1]. Şəbəkənin yenidən qurulması müəyyən bir hüceyrədə və ya orqanizmdə məlum olan bütün biokimyəvi çevrilmələrin aydınlaşdırılmasını və onların biokimyəvi cəhətdən ardıcıl formatda formal olaraq təşkil edilməsini nəzərdə tutur [3]. Genom ardıcıllığı prokaryotların və eukaryotların çoxsaylı metabolik şəbəkələrinin genom miqyaslı yenidən qurulmasına imkan verdi [4-6]. Əslində, Recon 1 adlanan insan metabolizminin genom miqyaslı yenidən qurulması tamamlandı. Recon 1 hüceyrə və ya toxuma spesifik olmayan insanlarda biokimyəvi transformasiyaların qlobal insan bilik bazasıdır [7]. Bu yaxınlarda Recon 1 insan beyni [8], qaraciyər [9, 10], böyrək [11] və alveolyar makrofaq [12] daxil olmaqla yüksək məhsuldarlıq məlumatlarının köməyi ilə xüsusi hüceyrə və toxumaları öyrənmək üçün uyğunlaşdırılmışdır.

Recon 1-dən bir çox hüceyrə və toxuma-spesifik modellərin yenidən qurulmasına baxmayaraq, hüceyrənin əsasən sadə olduğu güman edildiyi üçün insan eritrositinə daha az diqqət yetirilmişdir. Tarixən qırmızı hüceyrə metabolik modelləri sadə qlikolitik modellərlə başlamışdır [13, 14]. On beş il ərzində orijinal riyazi model pentoza fosfat yolunu, Rapoport-Lüberinq şuntunu və adenin nukleotidlərinin xilasetmə yollarını daxil etmək üçün yeniləndi [15-18]. Daha yeni metabolik modellər əlavə tənzimləyici [19] və metabolik komponentləri (məsələn, glutatyon [20]) nəzərə alaraq qurulmuşdur. Bununla belə, son on ildə qırmızı hüceyrənin hərtərəfli proteomik əhatəsini əldə etmək cəhdləri əvvəllər gözləniləndən daha zəngin maddələr mübadiləsini nümayiş etdirdi [21-24]. Eritrosit mübadiləsinin gözlənilməz mürəkkəbliyinin modelləşdirilməsi qırmızı hüceyrəni və onun digər insan hüceyrələri və toxumaları ilə qarşılıqlı əlaqəsini daha da başa düşmək üçün çox vacibdir.

Beləliklə, ən böyük (biokimyəvi əhatə dairəsi baxımından) inkişaf etdirmək üçün mövcud proteomikalardan istifadə edirik. silisiumda bu günə qədər insan qırmızı hüceyrəsinin metabolizminin modeli. Hərtərəfli proteomik məlumatlar qırmızı hüceyrə zülalları haqqında ümumi məlumat versə də, biz inanırıq ki, bu, eritrosit metabolizmasının tam funksional qiymətləndirilməsini təmin etmir. Beləliklə, biz son modeli əl ilə qurmaq üçün 60+ nəzərdən keçirilmiş məqalə və kitablar şəklində 50+ illik eritrosit eksperimental tədqiqatlarını topladıq. Fizioloji funksionallığı obyektiv sınaqdan keçirmək üçün biz son modeli ciddi simulyasiyadan keçirdik.


Metabolik şəbəkə dinamikasının vaxt seriyası metabolomikası məlumatları vasitəsilə vizuallaşdırılması

Yeni texnologiyalar çoxlu sayda -omik məlumatların, xüsusən də metabolomik məlumatların yaranmasına səbəb olmuşdur. Bu məlumatların miqyası yeni hesablama vizuallaşdırma metodologiyalarının işlənib hazırlanmasını tələb edən biliklərin təfsiri və çıxarılması üçün yeni problemlər yaradır. Burada, metabolik şəbəkə xəritələri kontekstində vaxt kursu metabolomikasının məlumatlarının vizuallaşdırılması üçün yeni bir üsul təqdim edirik. Biz transfuziya təbabətində istifadə üçün soyuq anbarda olan insan trombositi və eritrositini iki hüceyrə sistemi üçün əvvəllər dərc edilmiş məlumatları tədqiq etməklə bu metodun faydalılığını nümayiş etdiririk.

Nəticələr hər iki hüceyrə növünün metabolik vəziyyəti haqqında yeni anlayışlar əldə etməyə imkan verən iki animasiyalı videodan ibarətdir. Saxlama zamanı trombosit metabolomunun nümunə tədqiqatında, yeni vizuallaşdırma texnikası hipoksantin ilə əks olunan nikotinamid yığılmasını aydınlaşdırır və buna görə də oxşar yol istifadəsini əks etdirə bilər. Bu vizual analiz, saxlama dövrünün ilk bir neçə günü ərzində purin mübadiləsində xilasetmə reaksiyalarının niyə daha aşağı aktivlik nümayiş etdirdiyinin mümkün izahını verir. İkinci nümunə tədqiqatı müxtəlif temperaturlarda saxlama zamanı müxtəlif vaxtlarda xüsusi eritrosit metabolit hovuzlarında kəskin dəyişiklikləri göstərir.

Nəticə olaraq, bu məqalədə təqdim olunan bu yeni vizuallaşdırma texnikası geniş miqyaslı şəbəkə kəşfiyyatı və fərziyyələrin yaradılması üçün yaxşı uyğun yanaşma təşkil edir. Şəbəkə səviyyəsində vizuallaşdırmanı təşviq etmək və fiziologiyanı başa düşmək üçün bu üsul data və metabolik xəritə ilə istənilən sistemə tətbiq oluna bilər. Daha geniş mənada, ümid edirik ki, bizim yanaşmamız digər uzununa -omiks məlumat növlərinin yeni vizuallaşdırılması üçün planlar təqdim edəcək.


Metabolik şəbəkə dinamikasının vaxt seriyası metabolomikası məlumatları vasitəsilə vizuallaşdırılması

Yeni texnologiyalar çoxlu sayda -omik məlumatların, xüsusən də metabolomik məlumatların yaranmasına səbəb olmuşdur. Bu məlumatların miqyası yeni hesablama vizuallaşdırma metodologiyalarının işlənib hazırlanmasını tələb edən biliklərin təfsiri və çıxarılması üçün yeni problemlər yaradır. Burada, metabolik şəbəkə xəritələri kontekstində vaxt kursu metabolomikasının məlumatlarının vizuallaşdırılması üçün yeni bir üsul təqdim edirik. Biz transfuziya təbabətində istifadə üçün soyuq anbarda olan insan trombositi və eritrositini iki hüceyrə sistemi üçün əvvəllər dərc edilmiş məlumatları tədqiq etməklə bu metodun faydalılığını nümayiş etdiririk.

Nəticələr hər iki hüceyrə növünün metabolik vəziyyəti haqqında yeni anlayışlar əldə etməyə imkan verən iki animasiyalı videodan ibarətdir. Saxlama zamanı trombosit metabolomunun nümunə tədqiqatında, yeni vizuallaşdırma texnikası hipoksantin ilə əks olunan nikotinamid yığılmasını aydınlaşdırır və buna görə də oxşar yol istifadəsini əks etdirə bilər. Bu vizual analiz, saxlama dövrünün ilk bir neçə günü ərzində purin mübadiləsində xilasetmə reaksiyalarının niyə daha aşağı aktivlik nümayiş etdirdiyinin mümkün izahını verir. İkinci nümunə tədqiqatı müxtəlif temperaturlarda saxlama zamanı müxtəlif vaxtlarda xüsusi eritrosit metabolit hovuzlarında kəskin dəyişiklikləri göstərir.

Nəticə olaraq, bu məqalədə təqdim olunan bu yeni vizuallaşdırma texnikası geniş miqyaslı şəbəkə kəşfiyyatı üçün uyğun bir yanaşma təşkil edir və fərziyyələrin yaradılmasını təkmilləşdirir. Şəbəkə səviyyəsində vizuallaşdırmanı təşviq etmək və fiziologiyanı başa düşmək üçün bu üsul data və metabolik xəritə ilə istənilən sistemə tətbiq oluna bilər. Daha geniş mənada, ümid edirik ki, bizim yanaşmamız digər uzununa -omiks məlumat növlərinin yeni vizuallaşdırılması üçün planlar təqdim edəcək.


İnsan Eritrositlərinin Metabolik Modeli: Elektron Hüceyrə Simulyasiya Mühitinin Praktik Tətbiqi

İnsan qırmızı qan hüceyrəsi (RBC) uzun müddət mürəkkəb bioloji şəbəkələrin modelləşdirilməsi, müxtəlif dinamik hadisələrin aydınlaşdırılması və metabolik yolların əsas topologiyasını başa düşmək üçün istifadə edilmişdir. Burada, E-Hüceyrə Simulyasiya Mühitindən istifadə edərək RBC metabolik modeli üzərində son işimizi təqdim edirik. Model hər bir metabolitin müvəqqəti hipoksik reaksiyasını proqnozlaşdırmaq üçün kifayət qədər təfərrüatlıdır və eyni zamanda, metabolizmin modulyasiyasını və hemoglobinin oksigen daşıma qabiliyyətini uğurla birləşdirir. Model, tək hüceyrə sistemi kimi RBC-nin saxlanması mexanizmlərini və daha yüksək səviyyəli sistemin komponentləri kimi RBC-lərin işləməsini əhatə edir. RBC maddələr mübadiləsinin modelləşdirilməsi indi molekulyar səviyyədə real proqnozların tam yetkin mərhələsinə yaxınlaşır və qırmızı qan hüceyrələrinin uzunmüddətli soyuq saxlanması kimi biotexnoloji tətbiqlərdə şərtləri proqnozlaşdırmaq üçün faydalı olacaqdır.

1. Giriş

Sistem səviyyəsində davranışlar tək sistemlər kimi fəaliyyət göstərə bilən, lakin digər komponentlərin dinamik vəziyyətinə də təsir göstərə bilən fərdi komponentlər arasında sinergik qarşılıqlı təsir nəticəsində baş verir. Qeyri-xətti davranışlar nümayiş etdirən bioloji sistemlərdə komponentlərin necə qarşılıqlı əlaqədə olduğunu anlamaq üçün təkcə sistemin şəbəkə strukturunu deyil, həm də sistemin bütün müvafiq komponentlərini kəmiyyətcə inteqrasiya etmək lazımdır. Sistem biologiyası bu problemləri həll etmək üçün hesablama və eksperimental analizlərin birləşməsindən istifadə edərək ortaya çıxdı [1, 2].

Kinetik və dinamik modelləşdirmə sistem biologiyasında ən faydalı yanaşmalardan biridir [3]. E-Hüceyrə layihəsi 1996-cı ildə, sistem biologiyası və -omika texnologiyası erasının əvvəlində, bütün hüceyrə miqyaslı riyazi modelləri inkişaf etdirmək məqsədi ilə başlamışdır [4, 5]. Bu yaxınlarda bir sıra bio-simulyasiya üçün xüsusi platformalar buraxılsa da [6], E-Cell-in tam obyekt yönümlü yanaşması unikaldır və çoxölçülü/çoxalqoritmli simulyasiyalara imkan verir [7, 8].

Dinamik riyazi model əldə edildikdə, bioloji sistemin əsas dizayn prinsiplərini aydınlaşdırmaq üçün çoxsaylı təhlillər aparıla bilər [9, 10]. Bu cür modellər tədqiqatçılara təcrübi cəhətdən çətin sistemləri, məsələn, orqanizmlərdə homeostazın saxlanmasını yoxlamağa imkan verir. in vivo təqlid edilə bilər silisiumda, böyük təxminlərlə, lakin yox in vitro. Əlavə olaraq, sistem şəbəkələrinin bütün komponentlərinin pozulmasına cavab olaraq ferment aktivliyinin hərtərəfli həssaslıq təhlili kimi eksperimental olaraq bahalı təhlillər modelləşdirilə bilər. Bundan əlavə, hədəf sistemin nəzərdə tutulan mühitdə dinamik davranışını təmsil edə bilən uğurlu model sistemin xarici fizioloji stimula və ya sistemdəki hər bir komponentin modifikasiyasına necə reaksiya verdiyini proqnozlaşdırmaq üçün istifadə edilə bilər ki, bu da inkişaf üçün son dərəcə faydalı olardı. biotexnoloji tətbiqlər.

İnsan qırmızı qan hüceyrələrində (RBC) metabolik şəbəkə son üç-dörd onillikdə riyazi modelləşdirmənin mövzusu olmuşdur. Aşağıda müzakirə edildiyi kimi, müxtəlif səviyyəli abstraksiya ilə RBC metabolizminin bir sıra təfərrüatlı modelləri hazırlanmışdır və bu modelləri təhlil edən bir çox tədqiqat metabolik yolların tənzimləyici xüsusiyyətlərini daha dərindən başa düşməyə imkan vermişdir və həm riyazi təhlilin, həm də daha sonra bir çox digər hüceyrə növlərinə tətbiq oluna bilən metabolik mühəndislik strategiyaları.

E-Hüceyrə Simulyasiyası Mühitindən istifadə edən RBC metabolizmi modelimiz, hemoglobinin allosterik keçidlərinə təsir edən amillər və plazma membranında hüceyrədaxili zülalların yığılması ilə bağlı son tapıntılar da daxil olmaqla, maddələr mübadiləsi ilə qırmızı qan hüceyrələrinin fiziologiyasının funksional aspektləri arasındakı qarşılıqlı əlaqəyə diqqət yetirir. Modelimiz, əvvəllər metabolom analizi [11] ilə ölçülən hipoksiyaya müvəqqəti reaksiyanı uğurla təkrarladı. Model daha sonra saxlama şəraitini optimallaşdırmaq məqsədi ilə uzunmüddətli soyuq anbarda qırmızı qan hüceyrələrinin metabolik vəziyyətini proqnozlaşdırmaq üçün istifadə edilmişdir [12].

2. Elektron Hüceyrə Sistemi Hüceyrə Simulyasiya Mühiti kimi

Bioloji sistemlərin modelləşdirilməsi reaksiyaların miqdarını, ölçüsünü və sürətini, eləcə də bir çox başqa amilləri nəzərə alaraq sistemin müvafiq abstraksiyasını tələb edir. Bu prosesə davamlı proseslərin diskret mərhələlərə bölünməsi və ya davamlı proseslər kimi qəbul edilərsə, prosesin modelləşdirilməsi üçün deterministik və ya stoxastik qaydalardan istifadə edilməsi ilə bağlı qərarların qəbul edilməsi daxildir. Elektron Hüceyrə Sistemi bu hesablamaların istifadəsi üçün ayrıca və/yaxud kombinasiyada çoxalqoritmli/çox zaman miqyaslı simulyasiyaların modelləşdirilməsi üçün simulyasiya platformasını təmin edir [7].

E-hüceyrə modelləri üç əsas obyekt sinfinə malikdir: “dəyişən”, ya molar konsentrasiya vahidləri, ya da dəyər vahidləri seçimi ilə, “proses”, dəyişənlər üzərində əməliyyatlar yazmaq üçün və məntiqi və/və ya fiziki bölmələri müəyyən etmək üçün “sistem”. /dəyişənləri və prosesləri ehtiva edən həcm olmadan. Bu obyekt yönümlü yanaşma intuitiv təsvirə imkan verir və E-Hüceyrə modelində hər bir kimyəvi proses və reaksiya prosesi arasında təkbətək uyğunluq səbəbindən modelləşdirmədə səhvlərin qarşısını alır. Eyni zamanda, reaksiya modulu (“E-Hüceyrə Sistemində proses”) yaradıldıqdan və müəyyən edildikdən sonra, modul təkcə eyni modeldə deyil, başqa modellərdə də asanlıqla təkrar istifadə edilə bilər. Eynilə, hesablama alqoritminin özü modul kimi dəyişdirilə və ya genişləndirilə bilər və model faylının bir sətrini, məsələn, deterministikdən stoxastik modelə yenidən yazmaqla asanlıqla dəyişdirilə bilər.

hesablama sürətini maksimuma çatdırmaq üçün və ön uçlar Python dilindən istifadə edərək asanlıqla skript edilə bilər və genişləndirilə bilər. Python skriptlərindən istifadə edərək, istifadəçilər simulyasiya seansları üçün qaydaları, eləcə də simulyasiya şərtlərini müəyyən seansda özləri proqramlaşdıra bilərlər, məsələn, ilkin parametr parametrləri, vaxtdan və ya konsentrasiyadan asılı pozulmalar və ya simulyasiya nəticələrinin çıxış forması. ODE model əsaslı riyazi analizin bəzi geniş istifadə olunan üsulları artıq E-Hüceyrə Simulyasiya Mühitində təqdim edilmişdir. Bunlara həssaslıq analizi, bifurkasiya analizi, Metabolik Nəzarət Analizi (MCA) və parametrlərin optimallaşdırılması üçün real genetik alqoritmlər daxildir.

Bütün RBC metabolizmi kimi geniş miqyaslı yollar vəziyyətində, dəqiqliyi təmin etmək üçün obyekt yönümlü modelləşdirmə lazımdır. Bundan əlavə, onun genişlənməsi də modelin parametrik tənzimlənməsi üçün çox faydalıdır.

Bununla belə, modelləşdirmənin nümayişi üçün istifadəçi dostu Qrafik İstifadəçi İnterfeysinin (GUI) olmaması səbəbindən, silisiumda Təcrübə və simulyasiya nəticələrinə görə E-Hüceyrə Sistemini istifadə etmək xüsusilə bioloqlar üçün çətin olmuşdur. Bu yaxınlarda qeyri-ekspert istifadəçilərə E-Cell modelini redaktə etmək, işlətmək və təhlil etmək imkanı vermək üçün Windows üçün GUI əsaslı simulyasiya alətləri dəsti olan E-Cell IDE (Integrated Development Environment) hazırlanmışdır (Şəkil 1). Yol redaktoru istifadəçilərə yeni yollar yaratmağa və ya mövcud yol xəritələrini fərdiləşdirməyə və birbaşa GUI alət dəstindən istifadə edərək dəyərləri/konsentrasiyaları, reaksiyaları və parametrləri təyin etməyə imkan verir. Bu sistem həm də SBML (Systems Biology Markup Language) formatında [13] modelləri oxuya və yaza bilər ki, bu da modelləri digər hüceyrə simulyatorları ilə uyğunlaşdırmaq üçün ən çox yayılmış işarələmə dilidir, məsələn, Copasi [14], DBSolve [15] , Virtual Cell [16], Systems Biology Workbench (SBW [17]) və XPPAUT (http://www.math.pitt.edu/

bard/xpp/xpp.html). E-Cell IDE, müvafiq olaraq, hər bir qovşağın və ya kənarın ölçüsünü və enini dəyişdirərək yol xəritəsində simulyasiya dinamikasının vizual təsvirini təmin edir. GUI alətləri istifadəçiyə real ədədin genetik alqoritmi və metabolik nəzarət analizindən istifadə edərək, parametrlərin qiymətləndirilməsi kimi klassik riyazi analizlər aparmağa imkan verir. İstifadəçilər həmçinin bir çox simulyasiyaların və ya parametrik hesablamaların avtomatlaşdırılmasına ehtiyac duyulan vəziyyətlər kimi daha mürəkkəb və ya irimiqyaslı əməliyyatlar üçün CUI (Command-line User Interface) əsaslı simulyasiyalar və təhlillər həyata keçirə bilərlər.


Ekrandakı E-Cell GUI-nin (E-Cell IDE) görünüşü. E-Cell IDE-də istifadəçi dostu yol redaktoru (solda) və GUI-əsaslı riyazi analiz alətləri dəsti (sağ yuxarı) var. Simulyasiya edilmiş dinamika dəyişənlərin/proseslərin zaman tarixçələrinin izləyicisində (aşağı sağda), eləcə də yol xəritəsində (solda) vizuallaşdırılır.

Yeni nəsil E-Hüceyrə Sisteminin (E-Hüceyrə Version 4) inkişafı, molekulyar səviyyədə bioloji hadisələri simulyasiya etmək məqsədi ilə başlamışdır ki, biz molekulyar dalğalanma, lokalizasiya və sıxlıq kimi "hüceyrə məkanı" məsələlərini qiymətləndirə bilək. cari versiya (E-Cell Version 3) ilə tam uyğunluq və birləşmə qabiliyyətini qoruyarkən. E-Hüceyrə Simulyasiya Mühitinin ətraflı təsviri, cari vəziyyəti və gələcək baxışı son işlərdə [7] və layihənin internet səhifəsində [8] verilmişdir.

3. İnsan RBC Metabolizması: Dinamik Simulyasiyanın Uzun Tarixi

İnsan qırmızı qan hüceyrələri mitoxondrilərini itirir və ATP istehsal etmək üçün tamamilə qlikolizdən asılıdır. Qlükoza daşıyıcısı GLUT-1, qırmızı qan hüceyrələrində ifadə edilir, hüceyrədənkənar qlükoza üçün yüksək yaxınlığa malikdir və qlükoza fizioloji konsentrasiyası altında doymuş qalır. Eritrositlərdə qlikolizin ilkin mərhələsini kataliz edən heksokinaza (HK) da hüceyrədaxili qlükoza üçün aşağı Km-ə (yüksək yaxınlıq) malikdir. Beləliklə, qlikolizin başlama sürəti plazma qlükoza konsentrasiyası aşağı olduqda belə təmin edilir. ATP hüceyrə şişməsinin qarşısını almaq üçün ion nasosları tərəfindən tələb olunur və bir çox digər enderqonik fermentativ proseslərdə də istifadə olunur. ATP, qlikolizdə sürəti məhdudlaşdıran iki ilkin mərhələ üçün zəruri substratdır (HK, PFK), lakin artıq ATP PFK-nın inhibəsi ilə qlikolizi aşağı sala bilər. Hüceyrəyə daxil olan qlükozanın çox hissəsi qlikoliz yolu ilə laktata çevrilir (bizim modelimizdə normoksik stabil vəziyyət şəraitində 87,5%), qalan hissəsi isə pentoza-fosfat yollarına daxil olur (modelimizdə 12,5%). Bu marşrut azaldılmış nikotinamid adenin dinukleotid fosfatını (NADPH) təmin edir ki, bu da glutatyonun oksidləşdirici formasından aktiv reduksiya formasına çevrilməsi yolu ilə birbaşa və dolayı yolla hüceyrənin oksidləşməsinin qarşısını alır.

Qırmızı qan hüceyrələrinin ən xarakterik yollarından biri 1,3-difosfogliseratdan (1,3-BPG) qlikolizin ayrılması olan 2,3-difosfogliseratın (2,3-BPG) yüksək konsentrasiyasını yaradan Rapoport-Lüberinq dövrüdür. ) fosfogliserat kinazın (PGK) kataliz etdiyi prosesi keçərək artıq ATP istehsalının qarşısını alır. 2,3-BPG-nin artması oksigenin hemoglobindən toxumalara sərbəst buraxılmasını asanlaşdırır. Bu şəkildə, qaz molekullarının (oksigen, karbon dioksid və s.) hemoglobin vasitəsilə bağlanması və sərbəst buraxılması heç bir enerji tələb etməsə də, ATP-nin adekvat səviyyələrini saxlamaqla oksigen daşıma qabiliyyətini saxlamaq üçün vacib olan qlikolitik axının tənzimlənməsi. və 2,3-BPG.

Tək RBC-nin plazma membranı ilə əhatə olunmuş qapalı sistem olduğunu düşünmək olar. İnsan qırmızı qan hüceyrələri 120 günə qədər dövr edir [18] və beləliklə, hüceyrədə metabolizm fizioloji vəziyyətlərdə möhkəm olmalıdır. Bu sadəlik və möhkəmlik, həmçinin metabolik fermentlərlə bağlı toplanmış biliklərin bolluğu RBC metabolizmasını riyazi modelləşdirmə və metabolik/bioloji yolların sistem səviyyəsində təhlili üçün uyğun mövzu halına gətirdi. İnsan qırmızı qan hüceyrələrinin metabolik modellərinin qurulmasının uzun bir tarixi var, burada RBC metabolizması modelin diqqət mərkəzindən asılı olaraq müxtəlif səviyyəli detallara malik eyni vaxtda adi diferensial tənliklərlə təsvir olunur. Bu modellər çox fərqli sistem səviyyəli xassələrə malikdir (bir neçə RBC qlikoliz modelinin müqayisəli təhlili üçün bax [19]).

İnsan qırmızı qan hüceyrələrinin metabolizmasının modelləşdirilməsində ilk problem xətti qlikolitik modelin qurulması idi (Rapoport və Heinrich [20]), bu model xətti nəzəriyyənin bir neçə eksperimental şəraitdə sabit vəziyyətin təsviri üçün kifayət edib-etmədiyini yoxlamaq və daha yaxşı başa düşmək üçün nəzərdə tutulmuşdu. krossover quruluşu. Model həm də “axını idarə etmə teoremi”ndə çərçivənin kəşfinə töhfə verdi [21]. Ataullaxanov və b. glikolitik axının ATP məzmunundan asılılığını proqnozlaşdırmaq üçün ATP və ADP-nin parametr kimi qəbul edildiyi pentoza fosfat yolunu daxil etmək üçün glikolitik modeli genişləndirdi [22].

Adenin nukleotidlərinin sintezi və deqradasiyası reaksiyalarını əhatə edən qlikolitik modelin genişləndirilməsi Schauer və başqaları tərəfindən verilmişdir və o zaman funksional rolu yaxşı başa düşülməmiş adenilat mübadiləsinin stabilizasiyasını yaxşılaşdırmağa xidmət edə biləcəyini təklif etmişdir. enerji yükü [23].

Brumen və Heinrich ilk dəfə enerji mübadiləsi modellərini həcm tənzimləmə modelləri ilə birləşdirməyə cəhd etmişlər [24] və qırmızı qan hüceyrələrinin metabolik osmotik modelini təqdim etmişlər [25]. Adenilat hovuzunu sintez edən reaksiyalar, osmorequlyasiya, elektron neytrallıq və ionların daşınması sonradan daxil edildi və qırmızı qan hüceyrələrinin həcmindəki dəyişikliklərin qlikolizlə əlaqəli olduğunu sübut etdi.

Holzhutter və başqaları. piruvat kinaz çatışmazlığı ilə əlaqəli patologiyanın təhlili üçün qlikoliz, pentoza fosfat yolu və 2,3-BPG şuntunu ehtiva edən riyazi modelindən istifadə etdilər [26]. Onlar modeldə bir neçə fermentin fəaliyyətinin kəskin şəkildə aşağı salınmasının təsirlərini göstərmiş və onların nəticələrini bu fermentlərdə çatışmazlıqları olan xəstələrin eksperimental məlumatları ilə müqayisə etmişlər.

Joshi və Palsson, qırmızı qan hüceyrələrinin metabolizminin hərtərəfli riyazi modeli vasitəsilə fermentlər və metabolitlər haqqında geniş biokimyəvi məlumatların inteqrasiyası və şərhi üçün bir çərçivə təmin etmək üçün bir model qurdular [27, 28]. Model RBC-nin üç müxtəlif bir-birindən asılı xüsusiyyətlərini araşdırır: qırmızı hüceyrə membranının xüsusiyyətləri, qırmızı qan hüceyrələrinin və plazmanın kimyəvi tərkib hissələrinin transmembran axınının kinetikası və osmotik vəziyyətlərin termodinamik formalaşdırılması. Model ferment fəaliyyətinin pH-dan asılılığını və həcmin tənzimlənməsi mexanizmlərini, yəni elektron neytrallıq və osmotik tarazlıqları, hüceyrənin ətraf mühitlə qarşılıqlı əlaqəsini, həmçinin hüceyrə metabolizmini nəzərə almaq üçün genişləndirilmişdir [29]. Onlar metabolik hovuzları aşkar etmək üçün yuxarıdan aşağıya analiz kimi metabolik analiz üçün yaranan riyazi çərçivələri təklif etmək üçün hərtərəfli modelindən istifadə etdilər [30-32].

Mulquiney və Kuchel, NMR analizlərindən əldə edilən ferment kinetikası əsasında Rapoport-Luberinq (2,3-BPG) şuntunun, həmçinin qlikoliz və pentoza fosfat yolu üçün dəqiq bir model hazırladılar [33, 34]. Onların modelinə həmçinin maqnezium tarazlığının və metabolitlərin oksihemoqlobinə (oxyHb) bağlanmasının ətraflı təsviri daxildir [35].

Nəşr edilən ilk E-Hüceyrə RBC modeli irsi G6PD çatışmazlığı ilə əlaqəli patologiyanın təhlilini təqdim etdi [36]. Bu model sonradan Joshi və Palsson modelini daxil etməklə, həmçinin GSH sintez yolunu və GSSG nəqliyyat sistemini daxil etməklə genişləndirilmiş və normal olaraq qeyri-aktiv yolların ferment çatışmazlığı kimi anormal şəraitdə mühüm rol oynaya biləcəyini təklif etmişdir.

E-Cell-dən istifadə edərək, Mulquiney və Kuchel modelini genişləndirərək RBC-lərdə iki metHb azaldılması yolunun modelini də qurduq [37]. Model metHb azalmasının NADPH-dan asılı və NADH-dən asılı yolları arasında keçid mexanizmini qiymətləndirdi. Birinci yol məhdud reduksiya axını ilə hemoglobinin oksidləşməsinə yüksək reaksiya dərəcəsinə malikdir, ikincisi isə mərkəzi enerji mübadiləsindən NADH və NADPH-nin tədarükü ilə əlaqəli yüksək tutumlu axını ilə aşağı reaksiya dərəcəsinə malikdir.

Bu yaxınlarda biz mövcud modellərlə birləşmiş təkcə fermentativ və ya ion bağlama reaksiyalarını deyil, həm də oksigenin qismən təzyiqinə cavab olaraq hemoglobində allosterik keçidləri və plazma membranı zülallarının qlikolitik fermentlərə və hemoglobinə bağlanmasını ehtiva edən bir model nəşr etdik ([11). ], aşağıda təsvir edilmişdir).

Eyni fərziyyələrə əsaslanaraq, Hald et al. dövran zamanı oksigen və karbon qazının qismən təzyiqlərindəki dəyişikliklər nəticəsində yaranan qırmızı qan hüceyrələrinin metabolizmasının dəyişməsinə diqqət yetirmiş və göstərmişdir ki, bu qazlardakı dəyişikliklər qlikolitik axının salınımları ilə nəticələnir və nəticədə mərkəzi metabolitlərin səviyyələrində həddindən artıq artım olur [38].

4. E-Hüceyrə sistemindən istifadə edən insan qırmızı qan hüceyrələrinin metabolik modeli

4.1. Modelin tikintisi
4.1.1. Metabolik reaksiyalar

E-Hüceyrə sistemi ilə qurulmuş metabolik model Şəkil 2-də sxematik şəkildə göstərilmişdir ki, bura ferment reaksiyaları, daşıyıcı funksiyalar, bağlanma qarşılıqlı təsirləri və hemoglobinin allosterik keçidlərinin müəyyən edilməsi prosesi daxildir. Bütün tənliklərin ətraflı təsviri üçün əvvəlki hesabatlarımızdan [11, 12] dəstəkləyici materiala baxın.


E-Hüceyrə RBC modelindən istifadə edərək qurulmuş Metabolik yol xəritəsi. E-Cell RBC modelində maddələr mübadiləsinin tam reaksiya şəbəkəsi. MgX/oxyHbX/deoxyHbX/band3X müvafiq olaraq "X" və Mg 2+, oksihemoqlobin, deoksihemoqlobin və ya 3-cü zolağın yaratdığı kompleksi bildirir. Bu şəkildə istifadə olunan qısaldılmış sözlər: GLC, qlükoza G6P, qlükoza-6-fosfat F6P, fruktoza-6-fosfat F1,6-BP, fruktoza-1,6-bifosfat DHAP, dihidroksiaseton fosfat GA3P, qliseraldehidosfat, -BPG, 1,3-bifosfogliserat 2,3-BPG, 2,3-bifosfogliserat 3PG, 3-fosfogliserat 2PG, 2-fosfogliserat PEP, fosfoenolpiruvat PYR, piruvat LAC, gLP6P-6Pollukon, piruvat GLP6P-6Pollukon, -fosfat RU5P, ribuloza-5-fosfat X5P, ksiluloza-5-fosfat E4P, eritroz-4-fosfat S7P, sedoheptuloza-7-fosfat R5P, riboza-5-fosfat PRPP, 5-fosforibosfat A1DE-A1MP , inosin monofosfat R1P, riboz-1-fosfat INO, inosin ADO, adenozin HX, hipoksantin AMP, adenozin monofosfat ADP, adenozin difosfat ATP, adenozin trifosfat NADP, nikotinamid adeninfosfat NADP, nikotinamid adenin difosfat NAD, nikotinamid adenin difosfat N , dinudenid nidekofosfat N ) dinukleotid NADH, nikotinamid adenin dinukleotid (azaldılmış) Ki, kalium ium ion Nai, Natrium ion Pi, qeyri-üzvi fosfat L_GC, L-glutamil sistein GSH, glutatyon (azaldılmış) GSSG, glutatyon (oksidləşmiş).

Bu riyazi modeldə işlənmiş metabolik şəbəkə metabolik yolların əksəriyyətini əhatə edir: qlikoliz, pentoza monofosfat şunt, purin xilasetmə yolu, glutatyon metabolizması və Na + və K + sızması ilə birləşən Na + -K + -ATPase fəaliyyəti. . Piruvat, laktat, adenin, adenozin, hipoksantin və inozin üçün membran daşıyıcıları modelləşdirilmiş və bütün hüceyrədənkənar metabolitlərin, eləcə də hüceyrədaxili qlükoza konsentrasiyaları fizioloji konsentrasiyalarda sabitlənmişdir. Metabolik reaksiyalar üçün sürət tənlikləri əvvəllər dərc olunmuş eksperimental məlumatlardan əldə edilir və əsasən Mulquiney modelinə [23, 33] və qismən də əvvəlki digər riyazi modellərə [27, 36] əsaslanır. Michaelis-Menten və ya birinci dərəcəli kinetika ilə təsvir edilən purin mübadiləsi və purin daşınması proseslərindəki bəzi reaksiyalar istisna olmaqla, fermentlərin katalizləşdiyi reaksiyaların hər biri üçün Kinq-Altman metodundan istifadə etməklə ferment dərəcəsi tənliklərinin əksəriyyəti əldə edilmişdir. Mulquiney modelindən sonra aşağıdakı reaksiyalar hüceyrədaxili pH-ın müstəqil parametr kimi qəbul edildiyi pH-dan asılı kinetik kimi modelləşdirilir: qlikolizdə əsas fermentativ reaksiyalar, məsələn, heksokinaz (HK), fosfofruktokinaz (PFK), qliseraldehid fosfat dehidrogenaz (GAPDH), piruvat kinaz (PK), laktat dehidrogenaz (LDH), 2,3-BPG şunt reaksiyaları (2,3-BPG şant) və metabolitlərin Mg 2+ və hemoglobinə bağlanması. Hüceyrədə qlutatyonun ümumi oksidləşməsi və yuxarıda qeyd olunan əsas yollarda Na + /K + -ATPase və kinazlar istisna olmaqla, ATP-nin defosforilasiyası birinci dərəcəli reaksiyalara qədər sadələşdirilir.

4.1.2. Hemoqlobinə keçid

Qırmızı qan hüceyrələrinin toxumalara oksigeni çatdırmaq qabiliyyəti, əsasən, hemoglobin strukturunun iki əsas vəziyyəti, gərgin vəziyyət "T" (və ya "deoksi") və rahat vəziyyət "R" (və ya "oksi") arasındakı tarazlıq ilə əlaqələndirilir. ”), strukturlar arasında keçid sadə iki dövlət mexanizmi olmasa da. Oksigenin hemoglobinə bağlanma qabiliyyəti 2,3-BPG və ATP kimi hüceyrədaxili komponentlər tərəfindən allosterik olaraq tənzimlənir. An increase in 2,3-BPG stabilizes the T-state of Hb, thereby facilitating O2 dissociation from the Hb. Since T-state hemoglobin has a higher affinity for 2,3-BPG and ATP than the R-state, stabilization of hemoglobin in the T-state by increasing the amount of 2,3-BPG binding reduces the amount of free 2,3-BPG and ATP, leading to a further acceleration of metabolism. Under these circumstances, consideration of the hemoglobin transition may exert considerable effects on RBC metabolism, especially on glycolysis, and vice versa.

The equation for the kinetics of oxygen saturation of hemoglobin, derived by Dash and Bassingthwaighte [39], was used to calculate the ratio of oxy-(R-) hemoglobin to total hemoglobin. The saturation kinetics is described by the Hill equation, with dependencies on the levels of pO2, pCO2, intracellular pH, concentration of 2,3-BPG, and temperature. In our model, pO2, pCO2, pH, and temperature are independent variables. Once the ratio between oxy-(R-) and deoxy-(T-) hemoglobin (oxygen saturation of hemoglobin,

) is determined under given conditions at a certain step in the simulation, the velocity of a reversible conversion of free T-state hemoglobin to free R-state hemoglobin in the step is derived as

are the sum of all complexed forms and the free form of each state of hemoglobin, and k denotes the scaling constant, which is set to 1200 to be equal to those in other binding reactions. In our model, it is assumed that this transition occurs only between free form R/T-hemoglobins, even though and in the equation above are the “total hemoglobin” of each state. In our model, the

value, which is the partial pressure of oxygen at half-saturation of hemoglobin, is calculated to be 25-26 mmHg under virtual cell-free conditions with 5 mM 2,3-BPG. However, if the concentrations of the free forms of T-state and R-state hemoglobin are substituted for and , the is calculated to be approximately 50 mmHg, which is significantly different from the physiological value.

4.1.3. Binding between Band 3 and Glycolytic Enzymes or Hemoglobin

Band 3 is the major anion transporter in RBCs and plays a role in chloride/bicarbonate exchange, as well as an important structural role as a plasma membrane protein that contributes to stabilization of the membrane surface by forming multiprotein complexes [40]. Band 3 has multiple cytoplasmic domains, including an N-terminal cytoplasmic domain, which binds to the glycolytic enzymes PFK, ALD and GAPDH. PK and LDH are also localized to the plasma membrane when intact RBCs were fixed in their oxygenated states, but there has been no evidence of direct association with band 3 [41]. The N-terminal cytoplasmic domain of band 3 also binds to Hb, with a greater affinity for T-state hemoglobin than R-state [42]. Recent observations have shown the enzymatic activities of PFK, ALD, and GAPDH are completely blocked by binding to band 3, whereas their activities are recovered upon dissociation from band 3. No changes in PK and LDH activities have been detected [43] and the membrane docking sites of PK and LDH have yet to be identified [44]. We were the first to incorporate the binding of band 3 to glycolytic enzymes/hemoglobins into the mathematical model of major RBC metabolism [11]. The binding affinity of the metabolite-hemoglobin complex to band 3 is assumed to be the same as that of the free form of hemoglobin (e.g., deoxyHb and deoxyHb-2,3BPG). We simply used the published association constants evaluated in vitro.

4.2. Application of the Model I: Analysis of the RBC Response to Hypoxia

ATP is required in the initial steps of glycolysis by HK and PFK to trigger glycolytic ATP synthesis, and a fraction of the intracellular ATP is released to the extracellular space under hypoxia to elicit hypoxia-induced vasodilation, although the amount of ATP released is small, compared to intracellular levels [45]. At the same time, RBCs are known to accelerate glucose consumption in response to exposure to hypoxia, which results from acceleration of glycolysis, as judged by the increase in 2,3-BPG [46]. This change leads to further T-state Hb stabilization and increases the supply of oxygen to hypoxic tissues. Taking into account these features, researchers have hypothesized that RBCs have appropriate mechanisms for responding quickly to hypoxia to upregulate de novo ATP synthesis and glycolytic flux, leading to the increase in 2,3-BPG. Historically, the hypoxic acceleration of glycolysis in RBCs was thought to be induced by alterations in pH or the metabolic compensation of ATP [47, 48]. However, recent evidence from studies with intact RBCs has shown that T-state hemoglobin triggers an increase in the activities of glycolytic enzymes that interact with band 3 and plays a central role in acceleration of glucose consumption to increase the synthesis of ATP and 2,3-BPG [49]. Our model was used to elucidate the mechanistic features of the coordination and dynamics of sequential glycolytic reactions and the outcomes, in terms of alterations in levels of intracellular metabolites upon hypoxia, in particular as a result of band 3 interactions. To mimic hypoxic conditions, the pO2 of the model, which was initially set to 100 mmHg, was reduced to 30 mmHg, a value consistent with capillary microvessels in vivo [50].

A comparison between three models in predicting temporal alterations of glycolysis during a 3-min virtual hypoxia is illustrated in Figure 3(a). Model A includes Band 3 interactions with hemoglobin and glycolytic enzymes (corresponding to the BIII(+) model described in [11]). Model B uses the same initial and normoxic steady-state conditions as model A, but omits interactions between Band 3 and hemoglobin/enzymes (corresponding to the BIII( − ) model in the reference [11]). By comparing model A with model B, we can estimate the pure effect of hypoxia-induced glycolytic activation exerted by the accumulation of T-state hemoglobin. In Model C, all of the glycolytic enzymes exist in dissociated forms, even in the initial (

) state. Thus, the initial and steady-state conditions of model C are different from those of model A and model B. As shown in Figure 3(a), the overall activities of the glycolytic enzymes in model A are significantly accelerated relative to the other models. As expected, the activities of PFK, ALD, and GAPDH spiked immediately as a result of their release from band 3 upon hemoglobin binding, while these enzyme activities did not change significantly in model B. These differences in enzyme activities between the two models created a distinct metabolome profile: the glycolytic intermediates in model A displayed a pattern opposite to those in model B. In model A, G6P and F6P decreased by 50% and F1,6BP, DHAP, 3PG, and PEP increased by 40% versus the corresponding baseline levels (Figure 3(a)). The time-dependent alteration in levels of glycolytic intermediates predicted by model A is entirely consistent with results obtained from metabolome analyses using capillary electrophoresis mass spectrometry (CE-MS). These trends in time-variation in glycolytic fluxes/metabolite concentrations have also been reproduced in model C, where no band 3 interactions are considered. However, the alterations seen in model C exhibit much less variation than the experimental results. In both models (model A and model C), the activation of HK is caused by a decrease in the free form of 2,3-BPG, which is a strong inhibitor of HK however, HK activity in model A exhibited greater activation. This difference appeared to result from a decrease in G6P and an increase in ATP, leading to a reduction in HK product inhibition. The distinct hypoxia-induced increase in glycolytic flux arising from hemoglobin transition and the consequent changes in band 3-interactions have been verified by several separate experiments. Messana et al. showed that the hypoxia-induced increase in glucose consumption disappeared in RBCs treated with 4,

-diiso-thiocyanostilbene-2, -disulfonate (DIDS), which acts as an anion exchange inhibitor targeting band 3 [51]. We demonstrated that CO pretreatment of RBCs to stabilize hemoglobin in the R-state attenuated the hypoxia-induced acceleration in the conversion of 13 C-glucose into 13 C-lactate [11]. Furthermore, a recent study by Lewis et al. provided direct evidence for the role of band 3 in mediating metabolic shifts under more physiological conditions in intact RBCs, in which the metabolic fluxes were measured using (1)H-(13)C NMR and RBCs were treated with pervanadate, a reagent that blocks the interaction between band 3 and glycolytic enzymes [49].


(a)
(b)
(a)
(b) Temporal alterations in glycolysis in response to hypoxia. (a) Predicted alterations in glycolytic enzyme activities under hypoxia and comparison of time-courses of glycolytic intermediates between the simulations and metabolome measurements using CE-MS. The simulation results of model A (including Band 3 interactions, corresponding to the solid red line in Figure 2 of [11]), model B (using the same initial steady-state conditions as A but neglecting further Band 3 interactions, corresponding to the dotted blue line in Figure 2 of [11]), and model C (with all enzymes dissociated from Band 3) are represented by the solid black (model A), dotted black (model B), and solid gray (model C) lines, respectively. See the main text for discussion of the models. In the metabolome data collected by CE-MS, closed circles indicate ratios of hypoxic metabolite concentrations to normoxic control concentrations, which are represented with open circles. Values are the means

SE of four separate experiments. Asterisks:

Through the activation of glycolysis, the energy charge is greater in the band 3-implemented model than the other models. The basal energy charge under normoxic steady-state conditions was predicted to be 0.912, which is comparable to that reported in previous studies (ranging from 0.86 [52] to 0.935 [53]), and the value rose to 0.917 after three minutes in hypoxia. At the same time, the total amount of 2,3-BPG in model A was also predicted to be greater than the other two models, which is likely to contribute to a rapid increase in the formation of hemoglobin-2,3-BPG complexes that consequently lead to the release of residual hemoglobin-bound oxygen from the RBC. The calculated amount of oxygen released by increasing 2,3-BPG in three minutes of hypoxia was 6 μmol per L of RBC volume.

Another key finding of this simulation study is that PFK activation is a crucial step for the upregulation of both energy charge and 2,3-BPG generation, while activation of the other so-called rate-limiting enzymes, at the initial (e.g., HK) or final (e.g., PK) steps of the glycolytic pathway, fails to satisfy these requirements. HK activation resulted in a decrease in energy charge and an increase in 2,3-BPG, while PK activation increased energy charge without stimulating 2,3-BPG generation (Figure 3(b)).

Through these analyses, our model has demonstrated a pivotal role for band 3-intracellular protein interactions in enhancing activation of glycolysis in RBCs as part of a metabolic response to hypoxia, and in the consequent increase in both cell energetics and oxygen-carrying capacity. Taken together with the recent findings that the oxygenation-dependent assembly of glycolytic enzymes on the membrane is conserved in mammalian erythrocytes even in the absence of the intracellular band 3 binding site [44], the hypoxia induced glycolytic activation may be necessary for RBC viability over the long term and/or for temporally appropriate oxygen supply to the tissues.

4.3. Application of the Model II: Prediction of Metabolism of RBCs in Long-Term Storage

Whereas the kinetic metabolic models of human RBCs have led the simulation studies in the systems biology era, there has been no practical application of the RBC metabolic models for biotechnological use, at least to our knowledge. We intend to use our RBC model as a virtual experiment for optimization of RBC storage conditions. In the field of emergency medicine, it is critical to store RBCs in such a manner that their viability and capacity for oxygen delivery are retained after transfusion. These characteristics are strongly correlated with the intracellular metabolic status. Long-term cold storage reduced intracellular ATP and 2,3-BPG, which causes a reduction in deformability, oxygen-carrying capacity, and reduces energy sources for intracellular processes. In Japan, a mannitol-adenine-phosphate (MAP) solution is commonly used for storing RBCs (RC-MAP). In this solution, approximately 50% of ATP is retained after 42 days in storage, but 2,3-BPG is almost completely depleted after 2 weeks [54]. However, the large metabolic network of the RBC that underlies the depletion of these two metabolic indicators has not been considered.

To develop an “RC-MAP model” that can represent the long-term dynamics of cold MAP-stored RBC metabolism, concentrations of glucose and adenine of the basal model were set to the values in MAP-solution, and the extracellular sodium ion and inorganic phosphate concentrations were changed by calculating the content of sodium phosphate, sodium chloride and sodium citrate in the solution. The intracellular pH of RBCs in RC-MAP is lowered due to the large addition of citrate and gradually decreases further over time in storage due to the accumulation of lactate [55]. Thus, the initial pH and pH variation during cold storage were set according to the reported time-course pH data in the literature [54], where the decrease in intracellular pH is fitted by first-order kinetics. As the cold temperature stabilizes hemoglobin in the R-state, all hemoglobin was designated R-state in the RC-MAP model.

In the process of parameter estimation, we focused on those enzymatic activities that may be altered by physical changes in the storage conditions relative to the circulating conditions, the cold temperature and the low pH. All chemical reactions, including enzymatic reactions, chemical-binding reactions, and active transport processes, should be significantly reduced but not completely stopped at

C. In particular, the Na + /K + -ATPase pump is very sensitive to lowered temperature [56]. Moreover, there are many reports that enzymes involved in purine metabolism, including adenosine deaminase, adenosine monophosphate phosphohydrolase (AMPase), inosine monophosphatase, and adenosine monophosphate deaminase are optimized or activated at relatively low pH, such as in the RC-MAP storage conditions, but adenosine kinase and hypoxanthine-guanine phosphoryl-transferase are not. From these knowlodge, we grouped all reaction activities into three groups: Na + /K + pump activity, purine metabolism enzyme activities, and all remaining enzymatic or binding activities. The three groups of reaction activities are then treated as “adjustable parameters” for the parameter estimation.

As a result of the GA (Genetic Algorithm) analysis, the three adjustable parameters were determined and their estimated values were supported by previous knowledge, as follows. (1) Na + /K + pump activity was 0.6% of the basal values, since it decreases to 0.2–0.8% of the level at body temperature when the temperature is decreased to C in most mammalian erythrocytes [56]. (2) The activity of purine metabolism enzymes was 24% of the basal model, which is considerably higher than that of other enzymatic processes. Furthermore, the loss of intracellular adenine within three weeks was reproduced only by the model when this parameter was 20–30% [12]. (3) The activity level of the other reactions was estimated to be 3.5%, since, in general, enzyme activities at C are reduced to 1–5% of those at the normal body temperature [57]. The dynamics of the estimated RC-MAP model during cold storage was then compared with the experimentally measured glycolytic intermediates in MAP-stored RBCs using capillary electrophoresis time-of-flight mass spectrometry (CE-TOFMS), as previously described [12, 58] (Figure 4(b)).


(a)
(b)
(c)

TH designed and performed the experiments, and wrote the manuscript. HM provided the overall project guidance, critical review and gave advices on the experiment and validation. XZ and IG gave advices on the validation. All authors read and approved the manuscript.

Complementary groups and deleted protein-reaction relationships in revision of type c reaction. Sheet 1 in this file contains the 16 complementary groups. Sheet 2 contains the 43 deleted protein-reaction relationships in the revision of type c reaction.

The reaction location distribution in the pathways in EHMN. Rows in the matrix stand for the pathways and columns stand for the locations. A yellow square indicates that there is only one reaction in a pathway in the corresponding location, while a blue square means that all the reactions in a pathway are in the corresponding location. The gray scale reflects the percentage of reactions in a pathway in the location. Abbreviations: E, Extracellular N, Nucleus C, Cytosol ER, Endoplasmic reticulum GA, Golgi apparatus X, Peroxisomes L, Lysosomes M, Mitochondria.

Result of literature-based revision. Sheet 1 includes basic information of location revised reaction (ID, reversibility, equation, pathway), the reaction location before revision and that after revision. The reaction in beta-oxidation is marked in column 8 and the corresponding textbooks and literature are listed in column 9. Sheet 2 contains the deleted protein-reaction relationships. The protein-reaction relationships deleted in beta-oxidation revision are marked in column 5.

In silico metabolic capability analysis of the compartmentalized EHMN. The silisiumda inspection results of 68 metabolic processes are listed. The hyperlinks for visually checking the pathways using our web-based pathway analysis tool are included.


Giriş

Metabolism comprises a large number of biochemical reactions, which are mostly catalyzed by enzymes. Metabolism results in production of essential biochemical compounds and Gibbs free energy to maintain homeostasis of cellular functions. Over the past few decades, more than 2200 human enzymatic reactions ( 1 ) have been identified and studied to expand our knowledge of their mechanisms and functions. However, knowledge of each individual enzymatic reaction is not sufficient to obtain an overall picture of human metabolism. Therefore, comprehensive human metabolic models, which provide not only a list of reactions but also relationships between genes and proteins through reactions, are needed for holistic understanding of human metabolism through simulation and data integration.

Genome-scale metabolic models (GEMs) provide comprehensive overview of the genotype to phenotype relationship in living cells and thereby provide a scaffold for interpretation of high throughput data in the context of metabolism ( 2–4 ). Metabolism in humans is highly diversified in different cell types. To capture the specific operational mode of metabolism of each human tissue, it is necessary to reconstruct human tissue-specific GEMs (h-tGEMs). Recently, h-tGEMs have been shown to provide much new information about human metabolism when they are integrated with genomic, transcriptomic, proteomic and metabolomic data ( 5 ). At present, there are four generic human GEMs publicly available, Recon2 ( 6 ) which is updated version of Recon1 ( 7 ), the Edinburgh Human Metabolic Network ( 8 ), HumanCyc ( 9 ) and human metabolic reaction (HMR) ( 2 ), which has been updated to HMR2.0, the most comprehensive compilation of HMRs ( 10 ), as well as, several h-tGEM ( 2 , 11 , 12 ).

h-tGEMs have been widely used for data analysis, data integration and simulation to gain knowledge about cell type-specific mechanisms prior to whole organism understanding. Knowledge from model-based data analysis has provided new insight about human metabolism, especially in connection with medical research prior to discovery of new treatments or prevention strategies, e.g. to identify new therapeutic agents or novel diagnostic biomarkers ( 8 , 11 , 13–15 ).

Reconstruction of a h-tGEM is generally done by integration of multi-omic data, but organizing several data layers of complex data is a challenge. To deal with integration and organization of biological data for GEM reconstruction, there is a need for a database system that is developed for this particular purpose. In connection with reconstruction of cell type-specific models, we established an HMR database using MySQL ( 2 ). The HMR database comprises reactions, related compounds and annotation information. Reaction and compound information in the HMR database was first populated from existing models: the Edinburgh human metabolic network ( 8 ) and RECON1 ( 16 ) as well as external reaction databases: KEGG ( 17 ), HumanCyc ( 9 ), BRENDA ( 18 ), HMDB ( 19 ), ChEBI ( 20 ), LMSD ( 21 ) and PubChem ( 22 ). Annotation data were based on Ensembl ( 23 ) and UniProt ( 24 ). The next version of HMR (HMR 2.0) incorporated reaction information from RECON2 ( 6 ) and HepatoNet ( 25 ) that covers many more reactions in an Excel database ( 10 ). We soon realized that the extensive coverage of reactions in HMR 2.0 resulted in greater complexity of query commands, greater query processing time and greater complexity of data structures. Data models of both HMR and HMR 2.0 databases were specifically designed for use in conjunction with the (Integrative Network Inference for Tissues) INIT algorithm ( 2 ) and expression data from the human protein atlas ( 26 ). Furthermore, these databases did not have any user interfaces for easy and efficient query mechanism. Additionally, we also wanted to incorporate other reconstruction methods and more comprehensive network integration, such as evaluation of protein families in comparative genome-scale reconstruction ( 27 ) and regulatory information in probabilistic integrative modeling of genome-scale metabolic and regulatory networks ( 28 ). To address these limitations and provide enhanced capabilities, we designed and implemented Hreed (Human REaction Entities Database), a new database system ( 29 ). Hreed provides flexibility, consistency and crucial features for human metabolism data organization, based on a new database management system (DBMS) concept ( 29 ).

To efficiently manage and utilize the h-tGEMs and related information, the human metabolic atlas (HMA) website was built as an online resource to organize and provide comprehensive human metabolic information as models and a database to support further specific analysis or modeling as well as to communicate with the wider research community. There are three major services available on the HMA. The Repository provides management of human GEMs with a crucial feature that enables keeping track of available models. Currently the repository contains 98 human cell type-specific GEMs including models for normal and cancer cell types, 2 curated models and 5 human-related microbial models available to download in system biology markup language (SBML) format for metabolic simulation. To enable exploration of the provided models, a web-based metabolic map visualization system named Atlas, provides a way to explore human tissue-specific metabolic information overlaid on KEGG metabolic pathway maps with an interactive user interface. Finally, the HMA provides Hreed, a reaction database that provides high quality of structured information of metabolic reactions and related data. Future plans include support for cloud-based system and data curation, data expansion and application programming interface (API) for facilitating more advanced capabilities.


Metabolic network

A metabolic network is the complete set of metabolic and physical processes that determine the physiological and biochemical properties of a cell. As such, these networks comprise the chemical reactions of metabolism, the metabolic pathways, as well as the regulatory interactions that guide these reactions.

With the sequencing of complete genomes, it is now possible to reconstruct the network of biochemical reactions in many organisms, from bacteria to human. Several of these networks are available online: Kyoto Encyclopedia of Genes and Genomes (KEGG), [1] EcoCyc, [2] BioCyc [3] and metaTIGER. [4] Metabolic networks are powerful tools for studying and modelling metabolism.

Major metabolic pathways in metro-style map. Click any text (name of pathway or metabolites) to link to the corresponding article.
Single lines: pathways common to most lifeforms. Double lines: pathways not in humans (occurs in e.g. plants, fungi, prokaryotes). Orange nodes: carbohydrate metabolism. Violet nodes: photosynthesis. Red nodes: cellular respiration. Pink nodes: cell signaling. Blue nodes: amino acid metabolism. Grey nodes: vitamin and cofactor metabolism. Brown nodes: nucleotide and protein metabolism. Green nodes: lipid metabolism.

Metabolic networks can be used to detect comorbidity patterns in diseased patients. [5] Certain diseases, such as obesity and diabetes, can be present in the same individual concurrently, sometimes one disease being a significant risk factor for the other disease. [6] The disease phenotypes themselves are normally the consequence of the cell’s inability to breakdown or produce an essential substrate. However, an enzyme defect at one reaction may affect the fluxes of other subsequent reactions. These cascading effects couple the metabolic diseases associated with subsequent reactions resulting in comorbidity effects. Thus, metabolic disease networks can be used to determine if two disorders are connected due to their correlated reactions. [5]

  1. ^"GenomeNet". www.genome.ad.jp. Archived from the original on 2009-02-24 . Retrieved 2020-04-01 .
  2. ^
  3. "EcoCyc: Encyclopedia of E. coli Genes and Metabolic Pathways". www.ecocyc.org.
  4. ^
  5. "BioCyc Pathway/Genome Database Collection". biocyc.org.
  6. ^
  7. "metaTIGER - Home". www.bioinformatics.leeds.ac.uk. Archived from the original on 2012-03-04 . Retrieved 2010-06-09 .
  8. ^ ab
  9. Lee, D.- S. Park, J. Kay, K. A. Christakis, N. A. Oltvai, Z. N. Barabasi, A.- L. (2008). "The implications of human metabolic network topology for disease comorbidity". Milli Elmlər Akademiyasının Materialları. 105 (29): 9880–9885. doi:10.1073/pnas.0802208105. PMC2481357 . PMID18599447.
  10. ^
  11. Ross, R. Dagnone, D. Jones, P. J. Smith, H. Paddags, A. Hudson, R. Janssen, I. (2000). "Reduction in obesity and related comorbid conditions after diet-induced weight loss or exercise-induced weight loss in men. A randomized, controlled trial". Daxili Xəstəliklərin İlnamələri. 133 (2): 92–103. doi:10.7326/0003-4819-133-2-200007180-00008. PMID10896648. S2CID13415272.

This molecular biology article is a stub. You can help Wikipedia by expanding it.


Təşəkkürlər

We are grateful to Shiri Freilich and Ben Sandbank for helpful comments and suggestions. We wish to thank the reviewers for their constructive remarks that helped improve this manuscript considerably. T.S. is supported by an Eshkol Fellowship from the Israeli Ministry of Science. M.C. is a fellow of the Edmond J. Safra Program in Tel-Aviv University. M.J.H. was supported by National Institutes of Health grant no. GM071808. This research was supported by grants from the Israeli Science Foundation, the German-Israeli Foundation and the Tauber fund to E.R.


Videoya baxın: Qan. Plazma, eritrositlər,leykositlər və trombositlər (Iyun 2022).