Dokument: Environmental Adaptation of Bacteria: Insights from Genome-Scale Metabolic Networks

Titel:	Environmental Adaptation of Bacteria: Insights from Genome-Scale Metabolic Networks
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=43498
URN (NBN):	urn:nbn:de:hbz:061-20170920-105002-4
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Fritzemeier, Claus Jonathan [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 3,83 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 19.09.2017 / geändert 19.09.2017
Beitragende:	Prof. Dr. Lercher, Martin [Gutachter] Prof. Dr. Martin, William [Gutachter]
Stichwörter:	genome-scale, flux balance analysis, adaptation, evolution
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	Evolutionary biology is frequently challenged to explain how complex adaptations, e.g., the mammalian eye, can arise from the purely stochastic process of evolution. These complex adaptations, which require alterations in multiple genes or even sets of completely new genes, could only arise slowly if evolution was not guided by adaptations. Cellular metabolism is without doubt a complex trait. Even the smallest unicellular organisms are able to synthesize all necessary cell components from simple nutrients. Manuscript 1 introduces the novel software package sybil for constraint-based modelling with genome-scale metabolic models. Unlike most alternative software packages, sybil is very fast, flexible, and completely free to use. Additional packages can easily extend sybil and thereby add new algorithms to solve constraint-based problems. Manuscript 2 proposes the hypothesis of stepwise metabolic niche expansion: adaptations to changing nutritional environments accelerate the evolution of complex metabolic pathways by utilizing exaptations. Unlike previous work (Barve & Wagner, 2013), the new hypothesis can explain complex adaptations without neutral mutations. In a flux balance framework, a metabolic model of E. coli was allowed to adapt to new environments by acquiring minimal reaction sets from a universe of reactions, a process simulating lateral gene transfer (LGT). The hypothesis is based on the result that some of these beneficial reaction sets were found to be subsets of other beneficial reaction sets that are necessary for adaptation to other environments and thus can serve as exaptations. A phylogenetic ancestor reconstruction analysis confirmed that the genes of beneficial reaction sets that serve as exaptations are frequently acquired earlier than genes depending on the exaptation. Finally, an evolutionary laboratory experiment with E. coli brought another piece of evidence for this hypothesis. Manuscript 3 deals with the problem of erroneous energy-generating cycles in metabolic network reconstructions. Metabolic networks can contain reaction cycles able to produce an infinite amount of energy without any nutrition uptake. Although such cycles are clearly thermodynamically infeasible, they occur in over 85% of published metabolic networks that were not extensively manually curated, such as models included in the Model SEED (Henry et al., 2010) or MetaNetX (Ganter et al., 2013) databases. Manuscript 3 is the first work that names the problem, and presents a method to systematically identify and remove erroneous energy generating cycles from metabolic networks. The identification can efficiently be done with a modified flux balance analysis, but removal of energy generating cycles can easily disrupt the cell’s energy metabolism and thereby the biomass production. Thus a modified version of the GlobalFit (Hartleb et al., 2016) algorithm was used, which calculates minimal network changes that remove the erroneous energy-generating cycles while simultaneously preserving the biomass production. The work presented in Manuscript 4 uses pan-genome-scale metabolic modelling to investigate the adaptability of 71 unicellular organisms to new nutrient sources. The analysis revealed a strong correlation between genome size and the number of reactions necessary for these adaptations. While the organism with the most metabolic genes, Shigella flexneri, is able to adapt to new environments with on average three additional reactions, the organism analysed with the smallest, reduced genome, the endosymbiont Buchnera aphidicola, needs at least 27 additional reactions. These results confirm the findings of an abstract toolbox model (Maslov et al., 2009); the metabolic capabilities of an organism scale approximately quadratically with the number of metabolic genes. As proposed earlier (Barve & Wagner, 2013), adaptations to one environment often go along with “inadvertent” adaptations to other non-selected environments. By quantifying this trait, it was found that organisms with large metabolic networks profit more from adaptations than those with small networks, although the latter acquire more reactions. A reason for this surprising finding might be fewer branching points in the metabolic networks of specialists. All results are consistent with the dichotomy of generalists and specialists based on the number of initially growth promoting environments; thus our results might explain the hurdle for specialists to move out of their current ecological niche. References Barve, A. & Wagner, A. (2013). A latent capacity for evolutionary innovation through exaptation in metabolic systems. Nature, 500(7461), 203–6. Ganter, M., Bernard, T., Moretti, S., Stelling, J., & Pagni, M. (2013). MetaNetX.org: a website and repository for accessing, analysing and manipulating metabolic networks. Bioinformatics (Oxford, England), 29(6), 815–6. Hartleb, D., Jarre, F., & Lercher, M. J. (2016). Improved Metabolic Models for E. coli and Mycoplasma genitalium from GlobalFit, an Algorithm That Simultaneously Matches Growth and Non-Growth Data Sets. PLoS Computational Biology, 12(8), e1005036. Henry, C. S., DeJongh, M., Best, A. A., Frybarger, P. M., Linsay, B., & Stevens, R. L. (2010). High-throughput generation, optimization and analysis of genome-scale metabolic models. Nature biotechnology, 28(9), 977–82. Maslov, S., Krishna, S., Pang, T. Y., & Sneppen, K. (2009). Toolbox model of evolution of prokaryotic metabolic networks and their regulation. Proceedings of the National Academy of Sciences of the United States of America, 106(24), 9743–8. Die Evolutionsforschung wird oft dadurch gefordert, dass sie erklären muss wie komplexe evolutionäre Anpassungen, wie z.B. das Auge eines Säugetiers, allein durch die zufälligen Prozesse der Evolution entstehen können. Diese komplexen Anpassungen benötigen oft Veränderungen in mehreren Genen oder komplett neue Gene und könnten nur langsam entstehen, wenn die Evolution nicht durch Anpassungen geleitet würde. Der Metabolismus einer Zelle ist ohne Zweifel eine komplexe Anpassung. Schon kleinste Einzeller sind in der Lage alle nötigen Zellbestandteile aus einfachsten Nährstoffen selbst zu synthetisieren. Manuskript 1 stellt das neues Software Paket sybil für beschränkungsbasierte Modellierung mit metabolischen Modellen in Genomgröße vor. Im Gegensatz zu den meisten alternativen Software Paketen ist sybil sehr schnell, flexibel und komplett kostenlos nutzbar. Sybil kann einfach mit zusätzlichen Paketen erweitert werden und damit neue Algorithmen für beschränkungsbasierte Probleme integrieren. Manuskript 2 stellt die neue Hypothese der schrittweisen Expansion über metabolische Nischen auf: Anpassungen an wechselnde Nährstoffumgebungen beschleunigen die Evolution von komplexen metabolischen Reaktionspfaden durch Exaptationen. Im Gegensatz zu einer vorherigen Arbeit (Barve & Wagner, 2013), kann die neue Hypothese die komplexen Anpassungen ohne neutrale Mutationen erklären. Mit Hilfe der Flussbilanzanalyse wurde die Anpassung eines metabolischen Modells von E.coli durch lateralen Gentransfer (LGT) an neue Nährstoffumgebungen simuliert. Dabei wurde dem Netzwerk je Anpassung nur die minimal nötige Anzahl an Reaktionen aus einem Reaktionsuniversum hinzugefügt. Die Hypothese basiert darauf, dass Mengen nützlicher Reaktionen Teilmengen von Reaktionsmengen sind, die Anpassungen für eine andere Umgebung sind und damit als Exaptationen dienen können. Mit einer Analyse des phylogenetischen Stammbaums konnte bestätigt werden, dass Gene der Reaktionmengen, die als Exaptation dienen, häufig vorher ins Genom aufgenommen werden als Gene, die auf die Exaptation aufbauen. Schließlich brachte ein evolutionäres Laborexperiment mit E. coli einen weiteren Beweis für die Hypothese. In Manuskript 3 geht es um das Problem von irrtümlich Energie produzierenden Zyklen in metabolischen Netzwerk Rekonstruktionen. Metabolische Netzwerke können Reaktionszyklen enthalten, die Energie in unendlicher Menge produzieren können ohne dabei Nährstoffe aufzunehmen. Obwohl solche Zyklen offensichtlich thermodynamische Gesetze missachten, sind sie in über 85% der publizierten metabolischen Netzwerke zu finden, die nicht von Hand kuriert wurden. Solche Modelle sind in der Model SEED (Henry et al., 2010) oder MetaNetX (Ganter et al., 2013) Datenbank zu finden. Manuskript 3 ist die erste Veröffentlichung, die das Problem benennt und eine systematische Methode zur Identifikation und Beseitigung von falschen Energie produzierenden Zyklen in metabolischen Netzwerken präsentiert. Die Identifikation kann sehr effizient mit einer Flussbilanzanalyse gemacht werden, aber die Beseitigung der Energie produzierenden Zyklen kann sehr leicht den Energiestoffwechsel der Zelle zerstören und damit auch die Biomasse Produktion. Deshalb wurde eine modifizierte Version des GlobalFit (Hartleb et al., 2016) Algorithmus benutzt, der minimale Änderungen am Netzwerk berechnet um die irrtümlich Energie produzierenden Zyklen zu entfernen aber gleichzeitig die Biomasse Produktion erhält. Die Arbeit in Manuskript 4 nutzt ein metabolisches Modell in Pangenomgröße und untersucht die Anpassungsfähigkeit von 71 einzelligen Organismen an neue Nährstoffquellen. Dabei wurde eine starke Korrelation zwischen Genomgröße und der Anzahl für die Anpassung nötigen Reaktionen festgestellt. Während der Organismus mit den meisten metabolischen Genen, Shigella flexneri, sich an neue Umgebungen mit durchschnittlich drei zusätzlichen Reaktionen anpassen kann, braucht der von den untersuchten Organismen mit dem kleinsten Genom, der Endosymbiont Buchnera aphidicola, mindestens 27 zusätzliche Reaktionen. Diese Ergebnisse bestätigen die Forschungsergebnisse des abstrakten Werkzeugkisten Modells (toolbox model) (Maslov et al., 2009); die metabolischen Fähigkeiten eines Organismus skalieren ungefähr quadratisch mit der Anzahl seiner metabolischen Gene. Wie zuvor berichtet (Barve & Wagner, 2013), bringen Anpassungen an eine Umgebung oft „unbeabsichtigte“ Anpassungen an andere nicht selektierte Umgebungen mit sich. Die Quantifikation dieser Eigenschaft zeigte, dass Organismen mit großen metabolischen Netzwerken mehr von Anpassungen profitieren als Organismen mit kleinen Netzwerken, obwohl letztere mehr Reaktionen für Anpassungen benötigen. Ein Grund für dieses überraschende Ergebnis könnte die geringere Anzahl an Verzweigungen in metabolischen Netzwerken von Spezialisten sein. Alle Ergebnisse sind konsistent mit der Aufteilung in Generalisten und Spezialisten auf Basis der Anzahl von initial Wachstum begünstigenden Umgebungen. Deshalb könnten die Ergebnisse die Hürde erklären, die Spezialisten überwinden müssen um ihre aktuelle ökologische Nische zu verlassen. Literaturverzeichnis Barve, A. & Wagner, A. (2013, August). A latent capacity for evolutionary innovation through exaptation in metabolic systems. Nature, 500(7461), 203–6. Ganter, M., Bernard, T., Moretti, S., Stelling, J. & Pagni, M. (2013, März). MetaNetX.org: a website and repository for accessing, analysing and manipulating metabolic networks. Bioinformatics (Oxford, England), 29(6), 815–6. Hartleb, D., Jarre, F. & Lercher, M. J. (2016, August). Improved Metabolic Models for E. coli and Mycoplasma genitalium from GlobalFit, an Algorithm That Simultaneously Matches Growth and Non-Growth Data Sets. PLoS Computational Biology, 12(8), e1005036. Henry, C. S., DeJongh, M., Best, A. A., Frybarger, P. M., Linsay, B. & Stevens, R. L. (2010, September). High-throughput generation, optimization and analysis of genome-scale metabolic models. Nature biotechnology, 28(9), 977–82. Maslov, S., Krishna, S., Pang, T. Y. & Sneppen, K. (2009, Juni). Toolbox model of evolution of prokaryotic metabolic networks and their regulation. Proceedings of the National Academy of Sciences of the United States of America, 106(24), 9743–8.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik » Bioinformatik
Dokument erstellt am:	20.09.2017
Dateien geändert am:	20.09.2017
Promotionsantrag am:	01.06.2017
Datum der Promotion:	12.09.2017