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. 2 Kuepfer et al. (2005) Genome Res. 15: 1421. 3 Feist et al. (2007) Mol Sys Biol 3: 121.
Biotechnológiai alkalmazások Termelő törzsek in silico tervezése Pl. Megnövelt etanoltermelés élesztőben 1, szukcináttermelés E. coli-ban 2 1 Bro et al. (2006) Metab Engineering 8: 102. 2 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 2. mutáció A X B Y A X A X C Z B Y B Y funkció C Z C Z funkció funkció A B X Y C Z funkció
A genetikai kölcsönhatások rávilágítanak a gének közötti funkcionális kapcsolatokra
Ismert kölcsönhatások száma A feltárt genetikai kölcsönhatások száma rohamosan nő Példa: eddig 125 000 génpár között írtak le genetikai kölcsönhatást az egysejtű sörélesztőben 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
SGA lemez wt Telepméret 1 Képfeldolgozás a b 0.5 0.5 Telepek felismerése ab szinergisztikus nincs kölcsönhatás antagonisztikus
A genetikai kölcsönhatások többsége útvonalak között fordul elő ~3500 szinergisztikus és 1900 antagonisztikus kölcsönhatást találtunk A B C X Y 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 + Kölcsönhatások száma Spearman s rho = -0.78, P < 10-7
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 Károly Kovács Béla Szamecz Ferenc Honti Csaba Pál Toronto: Michael Costanzo Anastasia Baryshnikova Brenda Andrews Charles Boone Minnesota: Chad Myers Cambridge: 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)