DYNMICROBIOTECH: ПРОГРАММНЫЙ МОДУЛЬ ДЛЯ АВТОМАТИЧЕСКОЙ РЕКОНСТРУКЦИИ ФРЕЙМОВЫХ ДИНАМИЧЕСКИХ МОДЕЛЕЙ ГЕННЫХ СЕТЕЙ МИКРООРГАНИЗМОВ

Авторы: 
Лашин С. А., Казанцев Ф. В., Лахова Т. Н., Матушкин Ю. Г.
УДК: 
573.22,57.052
DOI: 
10.24412/2073-0667-2024-4-56-68
Аннотация: 

Современные генетические технологии используются в промышленной биотехнологии для конструирования микробиологических штаммов-продуцентов с целевыми характеристиками на основе тесной интеграции экспериментальных и информационно-компьютерных подходов. Все большая доступность геномных данных и методов их функциональной аннотации требует разработки новых методов системной биологии, в частности, методов реконструкции генных сетей и метаболических путей, контролирующих целевые процессы и характеристики микроорганизмов, на основе информации о секвенированных геномах, а также методов построения математических моделей этих сетей и путей. В данной работе представлен программный модуль DynMicrobiotech для автоматической реконструкции фреймовых математических моделей на основе метода обобщенного химико-кинетического моделирования. Входными данными для модуля являются аннотация и разметка генома, выходными – сгенерированная модель в виде системы обыкновенных дифференциальных уравнений, записанная в формате SBML.

Список литературы

  1. Goodwin S., McPherson J.D., McCombie W.R. Coming of age: ten years of next-generation sequencing technologies // Nat. Rev. Genet. 2016. T. 17. № 6. C. 333-351.
  2. Quail М. и др. A tale of three next generation sequencing platforms: comparison of Ion torrent, pacific biosciences and illumina MiSeq sequencers // BMC Genomics. 2012. T. 13. № 1. C. 341.
  3. Cowan AE., Mendes P., Blinov M.L. ModelBricks—modules for reproducible modeling improving model annotation and provenance // npj Syst. Biol. Appl. 2019. T. 5. № 1.
  4. Gilbert D. и др. Towards dynamic genome-scale models // Brief. Bioinform. 2019. T. 20. № 4. C. 1167-1180.
  5. Karr J. R. и ДР. A Whole-Cell Computational Model Predicts Phenotype from Genotype // Cell. 2012. T. 150. № 2. C. 389-401.
  6. Kim W.J., Kim H.U., Lee S.Y. Current state and applications of microbial genome-scale metabolic models // Curr. Opin. Syst. Biol. 2017. T. 2. C. 10-18.
  7. Akberdin I.R. и ДР. In Silico Cell: Challenges and Perspectives // Math. Biol. Bioinforma. 2013. T. 8. № 1.
  8. Demin O., Goryanin I. Kinetic Modelling in Systems Biology. , 2008.
  9. Hellerstein J.L. и др. Recent advances in biomedical simulations: a manifesto for model engineering // FlOOOResearch. 2019. T. 8. C. 261.
  10. OCONE A., MILLAR A.J., Sanguinetti G. Hybrid regulatory models: a statistically tractable approach to model regulatory network dynamics // Bioinformatics. 2013. T. 29. № 7. C. 910-916.
  11. Funahashi А. и др. CellDesigner 3.5: A Versatile Modeling Tool for Biochemical Networks // Proc. IEEE. 2008. T. 96. № 8. C. 1254-1265.
  12. King Z.A. и др. BiGG Models: A platform for integrating, standardizing and sharing genome­scale models // Nucleic Acids Res. 2016. T. 44. № DI. C. D515-D522.
  13. Lloyd C.M. и др. The CellML Model Repository // Bioinformatics. 2008. T. 24. № 18. C. 2122-2123.
  14. Malik-Sheriff R.S. и др. BioModels—15 years of sharing computational models in life science // Nucleic Acids Res. 2019.
  15. Henkel R., Wolkenhauer O., Waltemath D. Combining computational models, semantic annotations and simulation experiments in a graph database // Database. 2015. T. 2015. C. 1-16.
  16. Kirk P.D.W., Babtie A.C., Stumpf M.P.H. Systems biology (un)certainties // Science (80-. ). 2015. T. 350. № 6259. C. 386-388.
  17. Stanford N.J. и ДР. The evolution of standards and data management practices in systems biology // Mol. Syst. Biol. 2015. T. 11. № 12. C. 851-851.
  18. Beal J. и ДР. Communicating Structure and Function in Synthetic Biology Diagrams // ACS Synth. Biol. 2019. T. 8. № 8. C. 1818-1825.
  19. Bruggeman F.J., Westerhoff H.V. The nature of systems biology // Trends Microbiol. 2007. T. 15. № 1. C. 45-50.
  20. Likhoshvai V.A. и ДР. Generalized chemokinetic method for gene network simulation // Mol. Biol. 2001. T. 35. № 6. C. 919-925.
  21. Palsson B. The challenges of in silico biology Moving from a reductionist paradigm to one that views cells as systems will necessitate // 2000. T. 18. C. 1147-1150.
  22. Kurata H. и др. BioFNet: Biological functional network database for analysis and synthesis of biological systems // Brief. Bioinform. 2013. T. 15. № 5. C. 699-709.
  23. Ратнер B.A. Молекулярно-генетическая система управления // Природа. 2001. Т. 3. С. 16-22.
  24. Moodie S. и ДР. Systems Biology Graphical Notation: Process Description language Level 1 Version 1.3 //J- Integr. Bioinform. 2015. T. 12. № 2.
  25. Norsigian C.J. и др. BiGG Models 2020: multi-strain genome-scale models and expansion across the phylogenetic tree // Nucleic Acids Res. 2019. T. 48. № DI. C. D402-D406.
  26. Zhang F. и др. Systems biology markup language (SBML) level 3 package: multistate, multicomponent and multicompartment species, version 1, release 2 // J. Integr. Bioinform. 2020. T. 17. № 2 3. C. 0 74.
  27. ЛихошваЙ В. А. и ДР. Обобщенный химико-кинетический метод моделирования слож­ных биологических систем. Компьютерная модель онтогенеза бактериофага Lambda // Вычис­лительные технологии. 2000. Т. 5. № Специальный выпуск, посвященный 10-летней годовщине Лаборатории теоретической генетики Института цитологии и генетики СО РАН. С. 87-99.
  28. Казанцев Ф.В., ДР. Система автоматизированной генерации математических моделей генных сетей // Информационный вестник ВОГИС. 2009. Т. 13. № 1. С. 163-169.
  29. Акбердин И.Р. и др. «Электронная клетка»: проблемы и перспективы // Математиче­ская биология и биоинформатика. 2013. Т. 8. № 1. С. 287-307.
  30. ЖаботинскиЙ А.М. Концентрационные автоколебания., 1974. С. 1-179. М.: Наука.
  31. Hucka М. и ДР. The Systems Biology Markup Language (SBML): Language Specification for Level 3 Version 1 Core //J. Integr. Bioinforma. 2015. T. 12. № 2. C. 382-549.
  32. Lakhova T.N. и др. Algorithm for the Reconstruction of Mathematical Frame Models of Bacterial Transcription Regulation // Mathematics. 2022. T. 10. № 23. C. 4480.
  33. Kanehisa M. Enzyme Annotation and Metabolic Reconstruction Using KEGG., 2017. C. 135­145.
  34. McDonald A.G., Boyce S., Tipton K.F. ExplorEnz: the primary source of the IUBMB enzyme list // Nucleic Acids Res. 2009. T. 37. № Database. C. D593-D597.
  35. Wittig U. и др. SABIO-RK-database for biochemical reaction kinetics // Nucleic Acids Res. 2012. T. 40. № DI. C. D790 D796.
  36. Kazantsev F.V. и др. MAMMOTh: A new database for curated mathematical models of biomolecular systems //J. Bioinform. Comput. Biol. 2018. T. 16. № 01. C. 1740010 (16 pages).
  37. Otasek D. и др. Cytoscape Automation: empowering workflow-based network analysis // Genome Biol. 2019. T. 20. № 1. C. 185.
  38. Hoops S. и др. COPASI-a COmplex PAthway Simulator // Bioinformatics. 2006. T. 22. № 24. C. 3067 3074.
  39. Cock P.J.A. и др. Biopython: freely available Python tools for computational molecular biology and bioinformatics // Bioinformatics. 2009. T. 25. № 11. C. 1422-1423.
Ключевые слова: 
обобщенный химико-кинетический метод моделирования, дифференциальные уравнения, генные сети.
Номер журнала: 
4(65) 2024 г.
Год: 
2024
Адрес: 
Курчатовский геномный центр института цитологии и генетики СО РАН, 630090, Новосибирск, Россия Институт цитологии и генетики СО РАН, 630090, Новосибирск, Россия Новосибирский государственный университет, 630090, Новосибирск, Россия
Библиографическая ссылка: 
Лашин С. А., Казанцев Ф. В., Лахова Т. Н., Матушкин Ю. Г. DynMicrobiotech: программный модуль для автоматической реконструкции фреймовых динамических моделей генных сетей микроорганизмов //"Проблемы информатики", 2024, № 4, с.56-68. DOI: 10.24412/2073-0667-2024-4-56-68. - EDN: QVDKVH