بخشی از مقاله
چکیده
توسعه فناوري هاي پرظرفیت بیولوژیکی براي تولید داده هاي انبوه امیک در کنار پیشرفت هاي حاصل در بیولوژي محاسباتی امکان به کارگیري روش هاي الگوریتمی در تحلیل و بهینه سازي سیستم هاي زیستی را فراهم کرده است. در این مطالعه با بهره گیري از رویکرد هاي بیولوژي سیستمی، جعبه ابزار محاسباتی OptDEA براي بهینه سازي متابولیسم میکروبی توسعه داده می شود. الگوریتم حاصل براي بهینه سازي تولید میکروبی سوکسینیک اسید در E. coli به کار گرفته می شود. نتایج حاصل نشان می دهد الگوریتم می تواند پیامد هاي دستکاري مسیر هاي متابولیکی از طریق حذف ژن را پیشبینی کند. به علاوه الگوریتم حاصل می تواند اثرات هم- افزاي حذف هم زمان چند ژن - واکنش - بر اصلاح رفتار متابولیکی مورد نظر را که به لحاظ شهودي قابل شناسایی نیست پیشبینی نماید. با توجه به توانایی OptDEA در پیشبینی استراتژي هاي معتبر مهندسی متابولیک، این سیستم می تواند در هدایت آزمایش هاي بهبود سویه هاي صنعتی جهت طراحی موثر و سریع ارگانیسم هاي پربازده و پایدار به کار گرفته شود. به علاوه توانایی OptDEA در به کارگیري توابع هدف غیر خطی امکان بهینه سازي پارامتر هاي اقتصادي مهم فرایند هاي تخمیري نظیر بهره وري تولید را فراهم می کند.
واژگان کلیدي: الگوریتم تکاملی دیفرانسیلی- بهینه سازي متابولیکی
مقدمه
میکروارگانیسم ها به طور گسترده اي براي تولید آنتی بیوتیک ها، پروتئین هاي درمانی، سوخت، پلیمر هاي زیستی و سایر مواد بیو شیمیائی مورد استفاده قرار می گیرند. براي اینکه تولید اقتصادي محصولات با ارزش از سیستم هاي میکروبی میسر شود، معمولاًیناز به بهبود متابولیسم میکروارگانیسم تولید کننده محصول است زیرا مکروبی ها عموماً به گونهيا تکامل یافته اند که منابع در دسترس را براي رشد و تکثیر خود مصرف نمایند و نه تولید محصولات جانبی. اصلاح متابولیسم میکروبی به طور سنتی از طریق روشهاي کلاسیک بهبود سویه شامل جهش دهی تصادفی و غربال و یا روشهاي سر راست حذف مسیرهاي رقابتی صورت می گیرد. اثر بخشی محدود این روش ها نشان می دهد استراتژي هاي مبتنی بر نگرش جزئی به متابولیسم نمی تواند شبکه متابولیکی پابرجاي میکروارگانیسم ها را به سادگی وادار به فاصله گرفتن از حالت پایدار ناشی از فشار تکاملی نماید. در واقع میکروارگانیسم ها با بهره گیري از اطلاعات ذخیره شده در تاریخچه تکاملی خود قادر هستند با فعال کردن بعضی از ژنهاي خاموش حالت متابولیکی پیش از جهش دهی را طی چند نسل بازیابی نموده و اثر تغییرات متابولیکی تحمیل شده را خنثی کنند. نتیجه این مشاهدات لزوم دستیابی به یک نگاه کل گرا نسبت به متابولیسم سلولی جهت درك روابط علی ژنوتایپ-فنوتایپ را ناگزیر می نماید.
از آنجا که سیستم هاي زیستی، داراي درجه پیچیدگی بسیار بالا هستند بهترین راه حل براي دستیابی به نگرش جامع نسبت به متابولیسم سلولی باز سازي مدلهاي متابولیکی ژنوم -مقیاس - 1 - و تحلیل آنها بر اساس رویکرد هاي سیستمی است. مدل ژنوم مقیاس معادلات موازنه جرم و استوکیومتري را به همراه ساختار توپولوژیک شبکه متابولیکی یک گونه خاص میکروبی به کار می گیرد تا بزرگترین مجموعه توزیع شار قابل دستیابی براي سلول که در بر گیرنده تمامی فنوتایپهاي متابولیکی ممکن در شرایط پایدار است را پیشبینی نماید. از بدو پیدایش مدل هاي ژنوم مقیاس روش هاي محاسباتی مختلفی براي کندوکاو " فضاي حل" توزیع شار متابولیکی با هدف یافتن بهترین سناریوهاي بهینه سازي میکروبی ارائه شده است. براي نمونه یکی از اولین چهارچوب هاي محاسباتی بهینه سازي میکروبی به نام - 2 - OptKnock بر اساس منطق بهینه سازي دو سطحی می تواند مجموعه اي از ژنها - واکنشها - را جستجو کند که حذف آنها موجب افزایش شار محصولی خاص - سطح - 2 و به طور همزمان بیشینه شدن سرعت رشد ارگانیسم - سطح - 1 گردد.
در مطاله حاضر با الهام از منطق بیولوژیک بهینه سازي دو سطحی، ابزار محاسباتی جدیدي به نام OptDEA براي بازطراحی سیستمهاي میکروبی ارائه می شود. فرمول بندي به کار رفته در این ابزار در سطح داخلی که هدف آن بهینه سازي رشد میکروبی است از برنامه ریزي خطی و در سطح خارجی که هدف آن بهینه سازي شار تولید متابولیت مورد نظر است از الگوریتم تکاملی دیفرانسیلی استفاده می کند OptDEA . - 3 - بر روي مدل ژنوم مقیاس باکتري E. - 4 - coli اعمال شده و مجموعه اي از سناریو هاي حذف ژن جهت توسعه سویه هاي پایدار و پر بازده مولد سوکسینیک اسید شناسایی می شود. سناریو هاي شناسایی شده سپس با آزمایش هاي تجربی حذف ژن در E. coli که منجر به افزایش بازده سوکسینیک اسید در این ارگانیسم شده است مقایسه می گردد و اعتبار پیشبینی هاي OptDEA مورد ارزیابی قرار می گیرد.
روشها
آماده سازي مدل: مدل بکار رفته در مطالعه حاضر مدل متابولیکی E. coli موسوم به - 1 - iJR904 است که مشتمل بر 904 ژن و 1075 واکنش متابولیکی و در بر گیرنده اطلاعات تنظیمی ژنوم باکتري است. براي اعمال الگوریتم بهینه سازي، مدل متابولیکی ابتدا آماده سازي می شود تا واکنشهائی که بدلیل عدم اتصال شبکه اي با سایر واکنشهاي مدل هرگز شاري از آنها عبور نمی کند و هچنین واکنشهائی که حذف آنها موجب توقف رشد باکتري می شود از فضاي جستجوحذف گردند. این آماده سازي موجب کاهش قابل ملاحظه فضاي جستجوي الگوریتم می شود و در عین حال تعداد راه حل هاي بهینه غیر عملی را کاهش می دهد.
تبیین فنوتایپ متابولیکی به صورت کروموزم: هر واکنش شبکه متابولیکی مربوط به بیان دست کم یک ژن در ژنوم است. در الگوریتم تکاملی دیفرانسیلی هر ژن با یک متغیر دو-دویی 0 - و - 1 به نشان حضور یا عدم حضور تبیین می شود و از آنجا مجموعه اي از این متغیر ها یک کروموزوم را که نمایانگر یک موتان فاقد بعضی واکنش هاي متابولیکی است تشکیل می دهد - شکل . - 1 فنوتایپ هر کروموزوم از طریق تحلیل شار متابولیکی - - 4 - - FBA محاسبه می شود. آنگاه مساله به این صورت تعریف می شود که مجموعه اي از ژنها یافت شود که حذف آن از کروموزوم منجر به بیشینه شدن بازده محصول بیوتکنولوژیکی مورد نظر شود. جمعیت ابتدایی: در الگوریتم تکاملی دیفرانسیلی توسعه داده شده بردار جمعیت اولیه به طور تصادفی انتخاب شده و تمام فضاي پارامتر را پوشش می دهد.
امتیاز دهی تطبیق کروموزوم ها: به هر یک از کروموزوم ها یک امتیاز تطبیق نسبت داده می شود. امتیاز تطبیق هر یک از کروموزوم ها بر اساس مقدار تابع هدف مبتنی بر تحلیل موازنه شار - 4 - - FBA - محاسبه می شود. شکل .1 - الف - به هر ژن در ارگانیسم یک مقدار دو-دویی نسبت داده شده است که بیانگر حضور یا عدم حضور ژن در موتان است و هر ژن با دست کم یک واکنش در شبکه متابولیکی مرتبط است. - ب - هرگاه یک واکنش خاص در حالت غیر فعال است حدود بالاي و پایین شار متابولیکی متناظر صفر می شود و در پی آن شبکه متابولیکی اصلاح می گردد. جهش دهی و ادغام کروموزوم ها: در مطالعه ما جهش به این معنا است که یک ژن حذف شود. عملیات جهش دهی با ایجاد تغییر در ترکیب ژنی هر یک از کروموزم هاي بردار جمعیت صورت می گیرد. حاصل جهش دهی ایجاد جمعیتی از کرموزم ها است که از نظر ژنهاي فعال با کروموزم هاي قبلی متفاوت هستند. پس از آنکه امتیاز انطباق براي همه کروموزوم هاي جمعیت محاسبه شد بهترین کروموزوم ها براي ادغام انتخاب می شوند تا فرزندان جدیدي ایجاد کنند.
ایجاد جمعیت جدید و پایان محاسبات: جهش دهی و ادغام منجر به تشکیل جمعیت جدیدي می شود که خود می تواند در دور بعدي محاسبات دستخوش ارزیابی، جهش دهی و ادغام شود. با اجراي عمل انتخاب نسلی جدید حاوي کروموزم هاي جهش یافته یا کروموزم هاي باقی مانده از نسل قبلی تشکیل می شود که می توانند در دور جدید ارزیابی و محاسبه جهش دهی و ادغام وارد شوند. این چرخه تا یافتن کروموزم هایی حاوي ژنهایی که حذف آنها از ژنوم ارگانیسم منجر به فنوتایپ مطلوب می شود ادامه پیدا می کند.
نتایج و بحث
بر پایه منطق بیولوژیکی بهینه سازي دو سطحی، ابزار محاسباتی جدیدي به نام OptDEA براي یافتن سناریو هاي بهینه مهندسی متابولیک توسعه داده شد. براي ارزیابی توان OptDEA در پیشبینی استراتژي هاي عملی و موثر مهندسی متابولیک، الگوریتم بر روي مدل ژنوم مقیاس E. coli جهت بهینه سازي تولید سوکسینیک اسید مورد استفاده قرار گرفت. در حالیکه شار اولیه سوکسینیک اسید تولیدي توسط باکتري نزدیک به صفر بود اجراي OptDEA منجر به یافته شدن مجموعه اي از ژن ها شد که حذف آن ها از ژنوم وابستگی رشد بیشینه ارگانیسم به شار سوکسینیک اسید افزایش می دهد - جدول . - 1 نتایج اعمال الگوریتم نشان می دهد با افزایش تعداد ژن هاي حذف شده، بازده تولید سوکسینیک اسید افزایش می یابد. به علاوه OptDEA پیشبینی
