Detailansicht
Prediction of cross-feeding interactions in microbial communities using metabolic modelling
Michael Predl
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Zentrum für Mikrobiologie und Umweltsystemwissenschaft
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doctor of Philosophy-Doktoratsstudium Naturwissenschaften (Lebenswiss.): Biologie
Betreuer*in
Thomas Rattei
DOI
10.25365/thesis.76089
URN
urn:nbn:at:at-ubw:1-31124.58423.303334-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Leben auf der Erde besteht aus Lebensgemeinschaften von interagierenden Organismen. Diese Interaktionen erweitern Funktionalität und Komplexität von Lebensgemeinschaften über die Summe der Mitglieder hinaus. Daher sind diese Interaktionen der Schlüssel, um das Verhalten von Lebensgemeinschaften zu verstehen und vorherzusagen, sowie diese Erkenntnisse in Medizin, Technik und ökologischer Gesetzgebung anzuwenden. Diese Arbeit beschäftigt sich mit einer bestimmten Art von Interaktion, den "cross-feeding" Interaktionen. Der Begriff beschreibt das Verhältnis zweier Organismen, bei dem ein Organismus einen bestimmten Metaboliten herstellt, welcher von einem anderen Organismus konsumiert wird. Um "cross-feeding" Interaktionen zu untersuchen oder nachzuweisen benötigt es teure und zeitaufwendige Experimente, und häufig müssen die zu testenden Kandidaten vorher bekannt sein. Metabolische Modellierung ist eine bioinformatische Methode zur Simulation von metabolischen Zuständen, der Ansammlung von Aktivitäten chemischer Reaktionen im metabolischen Netzwerk eines oder mehrerer Organismen. Als solches erlaubt metabolische Modellierung die explizite Simulierung von "cross-feeding" Interaktionen und dadurch potenziell die Vorhersage geeigneter Kandidaten für Experimente. Diese Arbeit untersucht Methoden um den Wissensdatenbank Aspekt von metabolischen Modellen für die Vorhersage von "cross-feeding" Interaktionen in mikrobiellen Gemeinschaften zu nutzen. Den Startpunkt bildet die Untersuchung der Produktion von sekundären Metaboliten eines einzelnen Organismus', Streptomyces venezuelae, und der Änderungen nach Ethanol-Stress. Dazu wurde ein metabolisches Netzwerk des Organismus rekonstruiert, inklusive einer Verbindung von Genen, zu Enzymen, zu Stoffwechselwegen. Diese Verbindung erlaubte es, die Änderung in Genexpression mittels "pathway enrichment analysis" zu untersuchen. Zusammen mit Metabolom-Daten konnten Veränderungen in der Produktion kommerziell relevanter Stoffe, wie das Antibiotikum Cholramphenicol, in Zusammenhang mit Ethanol-Schock gefunden werden. Eine nachfolgende Untersuchung wurde mit demselben experimentellen Aufbau die Deletionsmutanten von regulatorischen Genen untersucht, welche in den ersten Experimenten eine Verbinung zu Ethanol-Schock zeigten. Hier konnte eine massive Veränderung der Genexpression in den Mutanten im Vergleich zum Wildtyp beobachtet werden, sowie eine erhöhte Produktion einiger sekundärer Metabolite. Im nächsten Schritt wird metabolische Modellierung auf mehrere Organismen erweitert, wobei sich mehrere Lücken und Limitationen im Repertoire der Methoden gezeigt haben. Zwei Aspekte waren besonders einschränkend: die Erstellung von metabolischen Modellen von Lebensgemeinschaften, sowie deren graphische Darstellung. Um das erste Problem zu lösen, wurde ein Python package namens PyCoMo für metabolische Modellierung von Lebensgemeinschaften entwickelt. PyCoMo erstellt metabolische Modelle von Lebensgemeinschaften basierend auf metabolischen Modellen der Mitglieder. Die Struktur der Modelle erlaubt einen Wechsel zwischen zwei Modi der Linearisierung, mit fixer Wachstumsrate oder mit fixen Abundanzen der Mitglieder. Weiters ermöglicht PyCoMo eine effiziente Berechnung aller möglichen "cross-feeding" Interaktionen. Zusätzlich wurde ScyNet, eine Cytoscape App, entwickelt, welche das Problem der Visualisierung der komplexen metabolischen Netzwerke von Lebensgemeinschaften löst. Durch die Reduktion des metabolischen Netzwerks einer Lebensgemeinschaft auf ihre Mitglieder und deren ausgetauschte Metabolite können informative Grafiken erstellt werden. Diese Methoden wurden auf einen Datensatz von paarweisen Kulturen von Archaeen und Bakterien angewandt und mehrere potentielle "cross-feeding" Interaktionen vorhergesagt. Diese Arbeit stellt das Potential von metabolischer Modellierung für die Vorhersage die Untersuchung von "cross-feeding" Interaktionen vor, und schließt Lücken im Methoden-Repertoire. Durch weitere Verbesserungen und Validierung könnte metabolische Modellierung hochwertige Kandidaten für Metabolom-Experimente zur Untersuchung von "cross-feeding" Interaktionen liefern, sowie die Erstellung und Optimierung mikrobieller Lebensgemeinschaften leiten.
Abstract
(Englisch)
Life on earth takes place in communities of interacting organisms. These interactions add functionality and complexity on top of the members of a community. As such, they are key to understanding and predicting the behavior of communities, and ultimately applying these findings in medicine, engineering and environmental policies. This work focuses on a certain type of interaction, called cross-feeding interaction. The term describes a relationship of one organism producing a metabolite, which is then consumed by another. Experimental study of cross-feeding interactions is resource intensive and often relies on prior knowledge of candidates for metabolites mediating said interactions. Metabolic modelling is a bioinformatics technique for the simulation of metabolic states, which are combinations of reaction activities in a metabolic network of one or multiple organisms. As such, metabolic modelling could be used to explicitly model cross-feeding interactions and propose candidate metabolites for experimental investigation. This work explores ways to harness the knowledge-base aspect of metabolic modelling for inferring cross-feeding interactions in microbial communities. As a starting point, the secondary metabolite production of a single organism, Streptomyces venezuelae, and its change after ethanol stress were investigated. The metabolic network of the organism was reconstructed, including a map from genes to enzymes to metabolic pathways. This allowed investigating gene expression changes in pathway enrichment analysis. Together with metabolomics data, changes in production of commercially desirable compounds, such as the antibiotic chloramphenicol, could be shown in response to ethanol shock. In a follow up study, this experimental setup was repeated to analyze deletion mutants of regulatory genes that are related to ethanol shock, as identified in the first set of experiments. Massive gene expression changes could be shown in the deletion mutants compared to wild type, as well as over-expression of certain secondary metabolites. Moving on to modelling of multiple organisms, several gaps and limitations were identified in the metabolic modelling toolbox. Two areas in particular, the generation of community metabolic models and the visualization of interactions, were prohibitive. To solve this, a python package for community metabolic modelling was developed (PyCoMo). PyCoMo generates community metabolic models from metabolic models of its members, implements a model structure allowing to switch between two types of linearization, fixed growth and fixed abundance, and allows efficient calculation of all potential cross-feeding interactions. In addition, ScyNet, a Cytoscape app was developed, solving the problem of visualizing the complex metabolic networks of community metabolic models. By reducing the metabolic network to community members and exchanged metabolites, community metabolic models and their cross-feeding interactions can be informatively represented. These methods were applied to a set of pairwise communities of gut archaea-bacteria co-cultures and predicted several possible cross-feeding interactions. This work presents the potential of metabolic modelling for predicting and understanding cross-feeding interactions and closes gaps in the toolkit. With further improvements and validation, metabolic modelling could provide high quality candidates for metabolomics experiments to measure cross-feeding interactions and guide the engineering of microbial communities.
Schlagwörter
Schlagwörter
(Deutsch)
Bioinformatik Mikrobielle Gemeinschaft Metabolische Modellierung
Schlagwörter
(Englisch)
Bioinformatics Microbial community Metabolic modelling
Autor*innen
Michael Predl
Haupttitel (Englisch)
Prediction of cross-feeding interactions in microbial communities using metabolic modelling
Paralleltitel (Deutsch)
Vorhersage von cross-feeding Interaktionen in mikrobiellen Gemeinschaften durch metabolische Modellierung
Publikationsjahr
2024
Umfangsangabe
159 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Barbara Stecher-Letsch ,
Nadine Töpfer
Klassifikation
42 Biologie > 42.11 Biomathematik. Biokybernetik
AC Nummer
AC17217126
Utheses ID
71338
Studienkennzahl
UA | 794 | 685 | 437 |