Genetikai kölcsönhatások rendszerbiológiája
Papp Balázs www.brc.hu/sysbiol MTA Szegedi Biológiai Kutatóközpont Biokémiai Intézet Szintetikus és Rendszerbiológiai Egység
Mikrobiális rendszerbiológia főbb kérdései • Melyek a kórokozók sebezhető pontjai? • Mekkora a legkisebb működő genom? • Milyen mechanizmusokon alapulnak a mikrobák közötti ökológiai kölcsönhatások? • Hogyan tervezhetünk új, iparilag hasznos törzseket?
Rendszerbiológia: leképezés genotípus és fenotípus között Genotípus
Molekuláris hálózatok
Fenotípus
Anyagcserehálózati modellezés • Bemenő adatok: biokémiai reakciók listája, transzportfolyamatok, biomassza-alkotók • Ami számolható: optimális biomassza-termelés, génkiütés és környezetváltozás hatása
Anyagcserehálózati modellezés • Nem tartalmaz enzimkinetikai részleteket • Dinamikát nem képes kezelni • De több száz gén együttes működését írja le kevés adatra támaszkodva
rekonstruált hálózat (>1000 reakció)
in silico modell
Több tucat fajra elérhető, főleg mikrobákra
A modell predikciós ereje • Növekedési jellemzők kvantitatív predikciója (E. coli) 1
• Esszenciális gének azonosítása 80-90% pontossággal (élesztő, E. coli) 2,3 1
Edwards et al. (2001) Nature Biotech 19: 125. Kuepfer et al. (2005) Genome Res. 15: 1421. 3 Feist et al. (2007) Mol Sys Biol 3: 121. 2
Biotechnológiai alkalmazások Termelő törzsek in silico tervezése
Pl. Megnövelt etanoltermelés élesztőben1, szukcináttermelés E. coli-ban2
1 2
Bro et al. (2006) Metab Engineering 8: 102. Lee et al. (2008) Appl Microbiol Biotech 79: 11.
Genetikai kölcsönhatás: két mutáció hatása nem független Két mutáció együtt
Vad típus
1. mutáció
2. mutáció
szinergizmus
vártnál erősebb hatás
külön-külön gyenge hatás
antagonizmus vártnál gyengébb hatás
vad típus
1. mutáció
A
X
A
X
B
Y
B
Y
C
Z
C
Z
funkció
2. mutáció
A
X
B
Y
C
Z funkció
A
X
B
Y
C
Z
funkció
funkció
A genetikai kölcsönhatások rávilágítanak a gének közötti funkcionális kapcsolatokra
A feltárt genetikai kölcsönhatások száma rohamosan nő • Példa: eddig 125 000 génpár között írtak le genetikai kölcsönhatást az egysejtű sörélesztőben Ismert kölcsönhatások száma
140000 120000 100000 80000 60000 40000 20000 0 2006
2007
2008
2009
2010
2011
Év
BioGrid adatbázis
Kérdések • Mennyire írhatók le a genetikai kölcsönhatások jelenlegi biokémiai ismereteink alapján?
• Hogyan nyerhetünk ki új biológiai ismereteket génkölcsönhatási adatsorokból?
Célunk a kísérleti és elméleti megközelítések ötvözése Genetikai kölcsönhatások kísérletes feltérképezése az anyagcserehálózatban
Anyagcserehálózati modellezés
A modell predikcióinak tesztelése
Automatizált hipotézis-generálás a modell segítségével
Genetikai kölcsönhatások kísérletes feltérképezése Nagyléptékű, robotizált genetikai vizsgálatok a Boone-laborban (Toronto):
• Génkölcsönhatások kimérése az élesztő 200 000 génpárja között
Telepméret SGA lemez
1
wt Képfeldolgozás
Telepek felismerése
a
0.5
b
0.5
ab szinergisztikus
nincs kölcsönhatás
antagonisztikus
A genetikai kölcsönhatások többsége útvonalak között fordul elő ~3500 szinergisztikus és 1900 antagonisztikus kölcsönhatást találtunk
A
X
B
Y
C
Z
Szappanos et al. (2011) Nat Genet
Genetikai kölcsönhatások in silico térképezése • Élesztő anyagcserehálózati modellezése: a kísérletben használt táptalajt utánoztuk • Minden lehetséges egyes és kettős génkiütés fitneszhatását számoltuk
Le tudja-e írni a modell a génkölcsönhatási hálózatok nagyléptékű sajátságait?
A nagy fitneszhatást mutató gének sok génkölcsönhatást mutatnak
Costanzo et al. (2010) Science 327:425
Az anyagcseremodell visszaadja ezt a mintázatot
Spearman’s rho = -0.66, P < 10-26
Spearman’s rho = -0.89, P < 10-72 Szappanos et al. (2011) Nat Genet
Hipotézis: magas pleiotrópia miatt mutatnak egyes gének sok genetikai kölcsönhatást
A modell alapján a nagy fitneszhatású gének magas pleiotrópiát mutatnak Pleiotrópia: a gén hány biomassza-alkotó termelését befolyásolja
mutáns fitnesz
−
−
pleiotrópia
+
Spearman’s rho = -0.78, P < 10-7
Kölcsönhatások száma
Mennyire jósolja megbízhatóan a modell az egyedi génkölcsönhatásokat? • A modell által jósolt kölcsönhatások közel 50%-a helyes (ez 100-szor magasabb a véletlennél) • De a kísérletesen látott szinergisztikus kölcsönhatásoknak csak 3%-át magyarázza a modell!
• Erős valódi kölcsönhatásokat már jobban prediktálja (17%)
Szappanos et al. (2011) Nat Genet
Modell javítása a kísérletes és prediktált kölcsönhatások eltérései alapján
Genetikai kölcsönhatási adatsor
Már néhány változtatással is jelentősen javítható a modell • Genetikai algoritmuson alapuló eljárás keres olyan módosításokat, amelyek növelik a modell illeszkedését az adatokhoz
• < 10 módosítás is kb. duplájára növeli a modell által megtalált kölcsönhatások számát
Szappanos et al. (2011) Nat Genet
Példa egy javasolt módosításra Több genetikai kölcsönhatás is prediktálhatóvá válik, ha eltávolítunk a modellből egy NAD-termelésben részt vevő útvonalat
Predikció ellenőrzése I. Nem találtunk bioinformatikai bizonyítékot a kinolinát szintetáz és aszpartát oxidáz jelenlétére az élesztőgenomban
Predikció ellenőrzése II. Kísérleti megerősítés: bna1, bna2, bna4 és bna5 nikotinsav hiányában nem nő
Szappanos et al. (2011) Nat Genet
Következtetések • Egy egyszerű anyagcseremodell képes visszaadni a génkölcsönhatási hálózatok „csomópontjait” • De az anyagcserehálózat szerkezetének ismerete önmagában nem képes megmagyarázni a konkrét genetikai kölcsönhatások többségét
• A modell nagyléptékű genetikai adatsorok segítségével javítható, amely növelheti biotechnológiai alkalmazhatóságát (pl. genetikai manipulációk előrejelzése)
A modell-javítási eljárásunk hozzájárulhat a funkcionális genomikai kutatások automatizálásához
háttértudás
gépi tanulás kísérleti eredmények
végső hipotézis
kísérlet kiválasztása
robot kísérlet végrehajtása
Hogyan tovább? • Genetikai kölcsönhatások környezetfüggése
• Génkiütést követő transzkripciós átrendeződés: milyen génszabályozási folyamatok zajlanak a mutánsokban?
Köszönetnyilvánítás Papp and Pál labs (Szeged): Balázs Szappanos
Minnesota: Chad Myers
Károly Kovács Béla Szamecz
Cambridge:
Ferenc Honti Csaba Pál Toronto: Michael Costanzo
Anastasia Baryshnikova Brenda Andrews Charles Boone
Steve Oliver Düsseldorf: Gabriel Gelius-Dietrich Martin Lercher University of Szeged: Márk Jelasity
Kényszer alapú modellezés elve Tekintjük a rendszer összes lehetséges állapotát
Ismert fizikai és biológiai kényszerek beépítése
Az állapottér egyre szűkebb tartományában tudjuk elhelyezni a rendszert
Kényszerek kizárnak olyan állapotokat amelyekben nem lehet a rendszer (fluxus: biokémiai reakció sebessége)
Kényszerek hozzáadásával szűkíthetjük a megoldási teret, de általában nem tudjuk 1 pontra leszűkíteni
Optimalizációs eljárásokkal olyan pontot keresünk a térben, amely valamely szempontból optimális (pl. a leghatékonyabban termel ATP-t, vagy biomassza-összetevőket)
