Model-driven evaluation of microbial physiology: insights from protein allocation

Abstract

The optimal allocation of proteins to cellular functions is crucial for cell survival and growth. However, the strategies employed by the cell are still elusive, as there are many supposedly conflicting objectives to be considered, such as minimizing the expenditure of resources, while at the same time affording to produce certain enzymes in excess, despite the lower demand for enzyme resources to maintain a certain amount of metabolic flux. Further, certain phenotypes, such as the overflow metabolism, are triggered by changes in resource distribution. In order to tackle these problems, the thesis focuses on the usage of protein-constrained metabolic models in combination with machine learning and integration with multi-omics data. Based on these approaches, here it is predicted the occurrence of overflow metabolism in the form of respiro-fermentative metabolism in the yeast Kluyveromyces marxianus. By integrating the metabolic model of K. marxianus with transcriptomics data, new insights on the genes, enzymes and metabolites involved in ethanol stress were obtained. Next, it is presented a new approach for studying enzyme usage redistribution, PARROT, which minimizes the distance between enzyme usage of an initial growth condition and a changing growth condition, based on the principle of minimal adjustment. The PARROT approach was able to predict enzyme usage in alternative growth conditions with higher accuracy than previous methods. While this approach is useful for studying resource redistribution, it is still not able to predict in vivo protein concentrations, given that the predicted usage is limited to a given metabolic flux and catalytic efficiency. To solve this problem, an approach that combines machine learning with metabolic modelling was developed, termed CAMEL. This approach could accurately predict in vivo concentrations, including for strains that were metabolically engineered. Finally, resource redistribution was evaluated on the context of enzyme promiscuity, from which a network of reactions termed “underground metabolism” can arise. To this end, the approach named CORAL was developed to integrate enzyme promiscuity constraints into metabolic models. It was found that these promiscuous enzymes are important for maintaining growth and providing robustness to disturbances in metabolism. The results obtained in this thesis are relevant to systems metabolic engineering endeavours, providing tools and knowledge to design microbial strains more suitable for industrial applications. Keywords: Systems biology; Metabolic engineering; Microbial physiology; Machine learning.A alocação ótima de proteínas para as funções celulares é essencial para a sobrevivência e crescimento da célula. No entanto, as estratégias empregadas pela célula ainda são pouco compreendidas, já que há objetivos conflitantes a serem considerados, como minimizar o gasto de recursos e, ao mesmo tempo, permitir a produção de determinadas enzimas em excesso, apesar da menor demanda por recursos enzimáticos para manter uma determinada quantidade de fluxo metabólico. Além disso, determinados fenótipos, como o metabolismo overflow, são desencadeados por mudanças na distribuição de proteínas. Para resolver esses problemas, esta tese se concentra no uso de modelos metabólicos com parâmetros enzimáticos em combinação com aprendizado de máquina e integração com dados multiômicos. Com base nessas abordagens, foi possível predizer a ocorrência do metabolismo overflow na forma de metabolismo respiro-fermentativo na levedura Kluyveromyces marxianus. Ao integrar o modelo metabólico da K. marxianus com dados de transcriptômica, foram obtidas novas informações sobre os genes, enzimas e metabólitos envolvidos no estresse causado por etanol. Em seguida, é apresentada uma nova abordagem para o estudo da redistribuição do uso de enzimas, PARROT, que minimiza a distância entre uma condição de crescimento inicial e uma condição de crescimento alternativa, com base no princípio do ajuste mínimo. A abordagem PARROT foi capaz de predizer o uso de enzimas em condições alternativas de crescimento com maior acurácia do que outros métodos. Embora essa abordagem seja útil para estudar a redistribuição de recursos, ela não é capaz de predizer as concentrações de proteínas in vivo, uma vez que o uso previsto é limitado a um determinado fluxo metabólico e uma dada eficiência catalítica. Para resolver esse problema, foi desenvolvida uma abordagem que combina aprendizado de máquina com modelagem metabólica, denominada CAMEL, que pode predizer com acurácia as concentrações in vivo de enzimas, inclusive para linhagens submetidas à engenharia metabólica. Por fim, a redistribuição de recursos foi avaliada no contexto da promiscuidade enzimática, a partir da qual pode se formar uma rede de reações denominada "metabolismo underground". Para tal, foi desenvolvida a abordagem denominada CORAL para integrar os parâmetros de promiscuidade enzimática a modelos metabólicos. Evidenciou-se que as enzimas promíscuas são importantes para manter o crescimento e proporcionar robustez a perturbações no metabolismo. Os resultados obtidos nesta tese também são relevantes para o avanço de estratégias de engenharia metabólica sistêmica, fornecendo ferramentas e conhecimento para construir linhagens microbianas mais apropriadas para aplicações industriais. Palavras-chave: Biologia de sistemas; Engenharia metabólica; Fisiologia microbiana; Aprendizado de máquina.