Metabolomics & Protein Interactomics

Υπολογιστική Μεταβολομική Ανάλυση & Ανάλυση Πρωτεϊνικών Δικτύων

Συμμετέχοντες φορείς: ΙΤΕ/ΙΕΧΜΗ (Συντονιστής Φορέας, EY: M. Κλάπα & Ν. Μοσχονάς), ΕΚ Βιοϊατρικών Επιστημών «Αλέξανδρος Φλέμινγκ» (ΕΥ: Martin Reczko), ΕΙΕ (EY: A. Χατζηϊωάννου) & Παν/μιο Πατρών (ΕΥ: Γ. Πατρινός)

Ο μεταβολισμός αποτελεί σημαντικό τμήμα της μοριακής φυσιολογίας. Επομένως, η διερεύνηση και ο προσδιορισμός της δομής και της ρύθμισης των μεταβολικών μονοπατιών είναι ιδιαίτερης σημασίας για την ολοκληρωμένη κατανόηση της κυτταρικής λειτουργίας και των μηχανισμών που χαρακτηρίζουν τις διαταραχές της. Στο πλαίσιο αυτό, η υψηλής ακρίβειας και αξιοπιστίας χαρτογράφηση της ενεργότητας μεταβολικών δικτύων σε διαφορετικές συνθήκες φυσιολογίας είναι μεταξύ των κύριων στόχων της συστημικής βιολογίας σε διάφορες βιολογικές/βιοτεχνολογικές και βιοϊατρικές εφαρμογές. Η μεταβολομική ανάλυση έχει αναδειχθεί πρόσφατα στην υψηλής απόδοσης ποσοτική ανάλυση/εκτίμηση του προτύπου (προφίλ) συγκέντρωσης των ελεύθερων μεταβολιτών μικρού μοριακού βάρους, που ενεργούν ως αντιδρώντα ή/και προϊόντα στις μεταβολικές αντιδράσεις. Επομένως, το μεταβολικό αυτό πρότυπο παρέχει ένα αποτύπωμα της μεταβολικής ενεργότητας μέσω της ταυτόχρονης ανάλυσης δεκάδων έως εκατοντάδων μορίων παθοφυσιολογικού και φαρμακολογικού ενδιαφέροντος. Διεθνώς, η εφαρμογή της μεταβολομικής βρίσκεται σε φάση προτυποποίησης και οι προκλήσεις που πρέπει να αντιμετωπιστούν για την ανάπτυξη και ευρύτερη αποδοχή μίας προτυποποιημένης διαδικασίας ξεπερνούν τις ικανότητες και την εμπειρογνωμοσύνη μιας ερευνητικής ομάδας. Συνδυάζοντας το σύνολο της εμπειρογνωμοσύνης, καθώς και εργαλεία από διάφορες ερευνητικές ομάδες, το ELIXIR-GR μπορεί να παρέχει το περιβάλλον και την υποδομή για συνεργατικές πράξεις που θα προάγουν την προτυποποίηση της μεταβολομικής ως βασική ομική ανάλυση σε πολλές εφαρμογές συμπεριλαμβανομένων των συνδυαστικών ομικών αναλύσεων από διάφορα επίπεδα αναφοράς της κυτταρικής λειτουργίας.

Ενώ οι μεταβολίτες έχουν κυρίως αναλυθεί ως αντιδρώντα ή προϊόντα των μεταβολικών δικτύων, οι περισσότεροι επιτελούν και ρυθμιστικό ρόλο όσον αφορά την ενεργότητα πρωτεϊνών, μετέχοντας σε πολλές βιολογικές διεργασίες και συμβάλλοντας στις παραμέτρους που ορίζουν το ενεργό πρωτεϊνικό δίκτυο σε συγκεκριμένες συνθήκες φυσιολογίας. Σε αυτό το πλαίσιο, ο προτυποποιημένος συνδυασμός μεταβολομικών και πρωτεϊνωματικών δεδομένων για την ολοκληρωμένη και συνδυαστική ανακατασκευή και ανάλυση των μεταβολικών και πρωτεϊνικών δικτύων των βιολογικών συστημάτων μπορεί να εξελίξει την μέχρι σήμερα θεώρησή μας για τους μηχανισμούς που διέπουν σημαντικές βιολογικές διεργασίες και παθοφυσιολογίες.

Οι εργασίες που θα υλοποιηθούν στην πιλοτική δράση είναι :

Εργασία 1: Ανάπτυξη προτυποιημένων καταθετηρίων μεταβολομικών δεδομένων από διάφορα βιολογικά συστήματα (ΕΥ: Μ. Κλάπα, ΙΤΕ/ΙΕΧΜΗ)

Για την ανάλυση μεταβολομικών δεδομένων από διάφορα βιολογικά προβλήματα και συστήματα και την συστηματική χρήση τους σε μετα-αναλύσεις που αφορούν μόνο τη διερεύνηση του μεταβολισμού ή τη συνδυαστική ανάλυση πολλαπλών μοριακών επιπέδων κυτταρικής λειτουργίας, χρειάζονται προτυποποιημένα καταθετήρια μεταβολομικών δεδομένων (βλ. πχ [1-4]). Το ΙΤΕ/ΙΕΧΜΗ έχει αναπτύξει ένα τέτοιο καταθετήριο μεταβολομικών δεδομένων με τη χρήση χρωματογραφίας αερίων–φασματομετρίας μάζας (που χρησιμοποιείται σήμερα στο πλαίσιο του λογισμικού μεταβολομικής ανάλυσης M-IOLITE; http://miolite2.iceht.forth.gr [2]) από πειράματα σε διάφορα συστήματα και βιολογικά προβλήματα (βλ. πχ. [5-11]), με βάση την προτυποποιημένη βιβλιοθήκη κορυφών του Εργαστηρίου Μεταβολικής Μηχανικής & Συστημικής Βιολογίας του ΙΤΕ/ΙΕΧΜΗ [2-3]. Μέσω του ELIXIR-GR θα διευρυνθεί αυτό το καταθετήριο και θα δημιουργηθεί φιλική διεπαφή χρήστη εξορύσσοντας δεδομένα και από τη βιβλιογραφία και από άλλους εταίρους (βλ. πιλοτική δράση της Θαλάσσιας Βιολογίας, που συντονίζεται από το ΕΛΚΕΘΕ). Επίσης, θα γίνει προσπάθεια να συνδεθεί το καταθετήριο με ευρύτερα σχετικά καταθετήρια που δημιουργούνται στην Ευρώπη και αλλού.

Εργασία 2: Προτυποποιημένoς συνδυασμός μεταβολομικών και πρωτεϊνωματικών δεδομένων (ΕΥ: Μ. Ι. Κλάπα (ΙΤΕ/ΙΕΧΜΗ) & Martin Reczko (Ινστ. Αλ. Φλέμινγκ)

Σε αυτή την εργασία προτείνεται η δημιουργία μίας διεπαφής χρήστη που θα επιτρέπει την συνδυαστική ανάλυση του καταθετηρίου μεταβολομικών δεδομένων κυρίως με πρωτεϊνωματικά και μεταγραφωμικά δεδομένα που παράγονται από εταίρους του ELIXIR-GR (πχ. Ινστ. Αλ. Φλέμινγκ) και τη βιβλιογραφία. Αυτή η διεπαφή χρήστη προτείνεται να συνδεθεί με διάφορα εργαλεία μετα-ανάλυσης και ανάλυσης δικτύων των εταίρων του ELIXIR-GR και με εργαλεία ανάλυσης μεταβολικών δικτύων που έχουν καθιερωθεί στη κοινότητα της βιοπληροφορικής.

Εργασία 3: Συνδυαστική ανακατασκευή και ανάλυση μεταβολικών και πρωτεϊνικών δικτύων (ΕΥ: Μ. Ι. Κλάπα, Ν. Μοσχονάς (ΙΤΕ/ΙΕΧΜΗ), Martin Reczko (Αλ. Φλέμινγκ), Α. Χατζηϊωάννου (ΕΙΕ)

Σε αυτή την εργασία, προτείνεται η συνδυαστική ανακατασκευή του μεταβολικού και πρωτεϊνικού δικτύου ενός τροποποιημένου με αντίστροφη γενετική μοντέλου κυτταρικής σειράς ανθρώπου, του εγκεφάλου και της καρδιάς μυός, λαμβάνοντας υπόψη και ρυθμιστικούς μηχανισμούς που συνδέουν μεταβολίτες με πρωτεϊνες. Για το σκοπό αυτό θα χρησιμοποιηθεί: (α) η μετα-βάση πρωτεϊνικών αλληλεπιδράσεων ανθρώπου PICKLE (www.pickle.gr) που έχει αναπτυχθεί στο Παν/μιο Πατρών και το ΙΤΕ/ΙΕΧΜΗ [12-13], η οποία θα επεκταθεί και στο πρωτεϊνικό δίκτυο του μυός, (β) πληροφορία από τη σχετική βιβλιογραφία, και (γ) τα συνδυαστικά καταθετήρια μεταγραφωμικών και πρωτεϊνωματικών δεδομένων (από την Εργασία 2). Τα δίκτυα που θα αναπτυχθούν θα χρησιμοποιηθούν για να μελετήσουν τη φυσιολογία (α) του κυτταρικού μοντέλου αναφορικά με συγκεκριμένες γενετικές τροποποιήσεις, (β) ιστών διαγονιδιακών ζωϊκών μοντέλων σε συνάρτηση με το κυτταρικό μοντέλο και (γ) ζωϊκών μοντέλων σε συνθήκες χημικά επαγόμενων μεταβολικών διαταραχών. Θα αναπτυχθούν υπερμοντέλα κυτταρικών διεργασιών (μεταβολισμός και σηματοδότηση) αναδυόμενα από κύκλους ανάλυσης δεδομένων, με εργαλεία στατιστικού εμπλουτισμού εφαρμοζόμενα στη βιοχημική βάση δεδομένων του ΕΒΙ Reactome [14] και στη βάση KEGG [15], με αξιοποίηση του διαδικτυακού εξυπηρετητή του εργαλείου KENeV.

Εργασία 4: Προσδιορισμός & Επικύρωση Φαρμακευτικών Στόχων μέσω Συστημικής Πολυ-επίπεδης Ανάλυσης (ΕΥ: Γ. Πατρινός, Παν/μιο Πατρών)

Σε αυτή την εργασία προτείνουμε τον προσδιορισμό ή/και επικύρωση φαρμακευτικών στόχων μέσω συνδυαστικής ανάλυσης δεδομένων που έχουν προκύψει από πρωτεϊνωματική νέας γενιάς και μεταβολομική. Τα αποτελέσματα θα χρησιμοποιηθούν για να μοντελοποιηθούν εκτεταμένα μονοπάτια ή λειτουργικά δίκτυα πρωτεϊνών και μεταβολιτών που λειτουργούν παράλληλα. Αντί για την ανάλυση ενός τύπου ομικού προφίλ, προτείνουμε τη συνδυαστική (transomic) ανάλυση που θα δώσει καλύτερη εικόνα των υπό εξέταση φαινοτύπων, καταδεικνύοντας τη συμπληρωματικότητα μεταξύ των μοριακών επιπέδων κυτταρικής λειτουργίας. Θα μελετηθούν δύο επίπεδα: το (φαρμακο)-μεταβόλωμα (επίπεδο 1) κα το (φαρμακο)-πρωτεϊνωμα (επίπεδο 2). Τα επίπεδα 1 και 2 θα συνδυαστούν με μεθόδους πληροφορικής. Προτείνουμε τη χρήση εργαλείων χημειο-πληροφορικής και ανάλυσης δικτύων, που επιτρέπει να μελετηθούν συνδυαστικά δίκτυα πρωτεϊνών και πρωτεϊνών-ξενοβιοτικών [16-20]. Τα αποτελέσματα θα διερευνηθούν περαιτέρω μέσω αναλύσεων κυτταροκαλλιεργειών 3D με LC-MS/MS ή NMR.

ΒΙΒΛΙΟΓΡΑΦΙΑ

  1. van Rijswijk M, Beirnaert C, Caron C, …, Klapa MI, …,Ν. Μoschonas, …, M. Reczko, …, Zanetti G, Steinbeck C. 2017. The future of metabolomics in ELIXIR [version 2; referees: 3 approved]. F1000Research 2017, 6(ELIXIR):1649.
  2. Maga-Nteve C., Klapa MI. 2016. Streamlining GC-MS metabolomic analysis using the M-IOLITE software suite. IFAC-PapersOnLine 49:286-288.
  3. H. Kanani, P. K. Chrysanthopoulos and M.I. Klapa. 2008. Standardizing GC-MS metabolomics. J. Chromatogr. B 871: 191-201 (in special issue “Hyphenated Techniques for Global Metabolite Profiling”)
  4. Papadimitropoulos M-E., Vasilopoulou C., Maga-Nteve Ch. & Klapa MI. 2018. Untargeted GC-MS metabolomics. Methods Mol. Biol., Vol. 1738, G Theodoridis et al. (Eds): Metabolic Profiling, SpringerNature
  5. Maga-Nteve C, Vasilopoulou CG, Constantinou C, Margarity M, Klapa MI. 2017. Sex-comparative study of mouse cerebellum physiology under adult-onset hypothyroidism: The significance of GC–MS metabolomic data normalization in meta-analysis. J Chromatography B 1041:158-166
  6. Tooulakou G, Giannopoulos A, Nikolopoulos D, Bresta P, Dotsika E, Orkoula MG, Kontoyannis CG, Fasseas C, Liakopoulos G, Klapa MI, Karabourniotis G. Alarm Photosynthesis: Calcium Oxalate Crystals as an Internal CO2 Source in Plants. Plant Physiol. 171: 2577-85.
  7. Vasilopoulou CG, Margarity M, Klapa MI. 2016. Metabolomic Analysis in Brain Research: Opportunities and Challenges. Front Physiol. 7:183.
  8. Gkourogianni A., Kosteria I., Telonis A., Margeli, A., Mantzou E., Konsta, M., Loutradis D., Mastorakos G., Papassotiriou, I., Klapa M.I., Kanaka-Gantenbein C., Chroussos G.P. 2014. Plasma Metabolomic Profiling Suggests Early Indications for Predisposition to Latent Insulin Resistance in Children Conceived by ICSI PLOS One 9: e94001
  9. S I. Vernardis, C.T. Goudar, M.I. Klapa. 2013. Metabolic profiling reveals that time related physiological changes in mammalian cell perfusion cultures are bioreactor scale independent. Metabolic Engineering 19:1-9
  10. K. Spagou, G.Theodoridis, I. Wilson, N. Raikos, P. Greaves, R.Edwards, B. Nolan & M.I. Klapa. 2011. A GC-MS metabolomic profiling study of plasma samples from mice on low- and high- fat diets. J Chromatogr B Analyt Technol Biomed Life Sci.879:1467-75 (in Special Issue “Derivatization Techniques in Analysis”)
  11. C. Constantinou, PK Chrysanthopoulos, M Margarity, MI Klapa. 2011. GC-MS metabolic analysis reveals significant alterations in cerebellar metabolic physiology in a mouse model of adult onset hypothyroidism. J. Proteome Res.
  12. Gioutlakis A, Klapa MI, Moschonas NK. 2017. PICKLE 2.0: A human protein-protein interaction meta-database employing data integration via genetic information ontology. PLoS ONE 12(10): e0186039.
  13. M.I. Klapa, K. Tsafou, E. Theodoridis, A. Tsakalides and N.K. Moschonas. 2013. Reconstruction of the experimentally supported human protein interactome: what can we learn? BMC Systems Biology 7:96
  14. Pilalis E, Koutsandreas T, Valavanis I, Athanasiadis E, Spyrou G, Chatziioannou A. KENeV: A web-application for the automated reconstruction and visualization of the enriched metabolic and signaling super-pathways deriving from genomic experiments. Computational and Structural Biotechnology Journal, 2015, 13, 248–255
  15. Moutselos K, Kanaris I, Chatziioannou A, Maglogiannis I, Kolisis FN: KEGGconverter: a tool for the in-silico modelling of metabolic networks of the KEGG Pathways database. BMC Bioinformatics 2009, 10:324
  16. Katsila T, Spyroulias GA, Patrinos GP, Matsoukas MT. Computational approaches in target identification and drug discovery. Computational and Structural Biotechnology Journal. 2016 Dec 31;14:177-84.
  17. Katsila T, Konstantinou E, Lavda I, Malakis H, Papantoni I, Skondra L, Patrinos GP. Pharmacometabolomics-aided Pharmacogenomics in Autoimmune Disease. EBioMedicine. 2016 Mar 31;5:40-5.
  18. Pirhaji L, Milani P, Leidl M, Curran T, Avila-Pacheco J, Clish CB, White FM, Saghatelian A, Fraenkel E. Revealing disease-associated pathways by network integration of untargeted metabolomics. Nature Methods. 2016 Sep 1;13(9):770-6.
  19. Tullis P. The man who can map the chemicals all over your body. Nature. 2016 Jun;534(7606):170-2.
  20. Williams EG, Wu Y, Jha P, Dubuis S, Blattmann P, Argmann CA, Houten SM, Amariuta T, Wolski W, Zamboni N, Aebersold R. Systems proteomics of liver mitochondria function. Science. 2016 Jun 10;352(6291): aad0189.