A Dynamic Constraint-Based Modelling Approach of Cell Metabolism

La modélisation métabolique mathématique est une approche systématique pour déterminer les principales causes d'un changement métabolique observé dans un biosystème, et estimer les implications d'une perturbation métabolique induite. En fournissant des informations mécanistiquement pertinentes au niveau des systèmes sur un réseau de bioréactions, la modélisation dynamique basée sur les contraintes (DCBM) s'est révélée prometteuse en ingénierie métabolique et pour la conception de bioprocédés. Aussi, nous avons d'abord dressé l'état de l'art en approches de modélisation du métabolisme de cellules eucaryotes, sous la forme d'une revue. Nous avons, par la suite, développé une approche DCBM qui utilise une boîte à outils mathématique d'optimisation convexe et de régression non linéaire pour estimer les distributions dynamiques des flux métaboliques intracellulaires dans deux biosystèmes : dans un premier temps les globules rouges stockés comme élément critique pour la médecine transfusionnelle, et dans un deuxième temps, des cellules de l'ovaire de hamster chinois (CHO), lignée cellulaire en tant que principal organisme hôte pour produire des produits biopharmaceutiques recombinant par culture cellulaire. Nous avons créé un réseau métabolique ad hoc comportant 77 réactions et 74 métabolites pour les globules rouges. Nous avons acquis une dynamique de flux à grain fin des processus intracellulaires. Ensuite, pour une analyse dynamique de l'équilibre des flux (DFBA), nous avons créé quatre fonctions objectives liées à l'accumulation de stress oxydatif dans les globules rouges stockés. Des prédictions de flux résolues dans le temps ont été obtenues dans les quatre situations tout en respectant les exigences d'égalité et d'inégalité requises. Enfin, pour calculer la distance euclidienne entre les vecteurs de flux optimaux dynamiques, nous avons utilisé une approche de programmation quadratique (QP). L'approche DCBM que nous avons créée ici, couplée au réseau métabolique que nous avons développé, s'est avérée adaptée à l'analyse informatique du comportement métabolique des globules rouges, et on s'attend à ce qu'elle soit bénéfique pour d'autres biosystèmes. De plus, en raison de la complexité inhérente des cellules eucaryotes, l'optimisation de la dynamique de croissance cellulaire et de la bio-production à partir de cultures de cellules de mammifères est une tâche complexe au niveau cellulaire. En conséquence, les approches expérimentales heuristiques en l'ingénierie métabolique des organismes hôtes sont fréquemment complétées par des modèles mathématiques de culture cellulaire afin d'améliorer l'efficacité des bioprocédés et d'identifier les causes des améliorations connues. En utilisant la stoechiométrie des bilans de masse du réseau, les modèles métaboliques structurés sont capables de représenter avec précision la complexité d'un réseau métabolique. Les modèles métaboliques basés sur les contraintes ont progressé au cours des vi deux dernières décennies, passant de leur utilisation pour fournir une description linéaire des systèmes métaboliques à l'état d'équilibre, à la modélisation de la dynamique des systèmes non linéaires dans une formulation de problème d'optimisation résolue dans le temps ou dynamique. Cependant, bon nombre de ces approches échouent lorsqu'elles sont testées dans un contexte autre que celui pour lequel elles ont été développées, en raison d'un grand nombre d'hypothèses formulées au cours du processus de développement du modèle, ainsi que de diverses normes de modélisation utilisées par différents groupes de recherche, tous visant à révéler la complexité inhérente des réseaux métaboliques. Nous avons suivi les normes établies par la communauté telles que dans la reconstruction de réseaux et leur analyse basées sur les contraintes (COBRA). La plateforme COBRA in silico a été utilisée pour proposer une technique de modélisation dynamique basée sur les contraintes (gDCBM) à l'échelle du génome, et a permis de fournir la dynamique résolue dans le temps d'un réseau métabolique structuré pour le métabolisme des cellules CHO. Nous avons amélioré le réseau métabolique à l'aide d'un modèle métabolique de référence à l'échelle du génome (GSMM) de CHO, à savoir iCHO DG44 v1, puis imposé des contraintes dynamiques sur ses flux de transport à l'aide de données métabolomiques générées en interne. Pour anticiper les changements physiologiques dans les variants clonaux de CHO, nous avons utilisé cette technique gDCBM. Le modèle peut prédire les flux intracellulaires de manière continue et résolue dans le temps (par heure de temps de culture) pendant la croissance et vers le changement métabolique de non-croissance, a été confirmé en prédisant les concentrations en métabolites extracellulaires, y compris les acides aminés, ainsi que leur dynamique dans le temps. En conséquence, nous pouvons générer des hypothèses d'intervention et étudier les effets d'altération in silico avant ou en plus des expériences de culture cellulaire, qui sont chronophages et coûteuses. Le modèle est également utilisé pour décrire les altérations métaboliques globales entre les lignées cellulaires parentales et productrices élevées dans une autre application. Nous avons démontré que l'approche de modélisation établie peut être utilisée pour étendre ou réduire le réseau métabolique de manière systématique.

Abstract

Mathematical metabolic modelling is a systematic approach to determining the major causes of a metabolic change seen in a biosystem and estimating the implications of an induced metabolic perturbation. By providing mechanistically relevant systems-level information about a network of bioreactions, dynamic constraint-based modelling (DCBM) has shown promise in metabolic engineering and bioprocess design. Also, we first drew up the state of the art in approaches to modelling the metabolism of eukaryotic cells, in the form of a review article. Thus, we have developed a DCBM approach that uses a mathematical toolkit of convex optimization and nonlinear regression to estimate dynamic intracellular metabolic flux distributions in two biosystems: Firstly, stored red blood cells (RBCs) as a critical element for transfusion medicine, and secondly, Chinese hamster ovary (CHO) cell line as the main host organism producing recombinant biopharmaceuticals in cell culture technology. We created an ad hoc metabolic network including 77 reactions and 74 metabolites for RBCs. We acquired fine-grained flow dynamics of intracellular processes. Then, for a dynamic Flux Balance Analysis (DFBA), we created four objective functions related to the accumulation of oxidative stress in stored RBCs. Time-resolved flux predictions were obtained in all four situations while adhering to the required equality and inequality requirements. Finally, to calculate the Euclidean distance between the dynamic optimum flux vectors, we used a quadratic programming (QP) approach. The DCBM approach we created here, coupled with the metabolic network we developed, proved to be suitable for the computational analysis of RBC metabolic behaviour, and it is expected to be beneficial for other biosystems. In addition, because of the inherent complexity of eukaryote cells, optimising cell growth dynamics and bioproduction from mammalian cell cultures is a complex task at the cellular level. As a result, heuristic experimental approaches in metabolic engineering of host organisms are frequently complemented with mathematical models of cell culture in order to improve the odds of enhancing bioprocess efficiency and identifying causes for known improvements. By utilising the network's mass balances' stoichiometry, structured metabolic models are able to accurately represent the complexity of a metabolic network. Constraint-based metabolic models have advanced over the last two decades from being utilised to provide a linear description of metabolic systems at steady states to modelling nonlinear system dynamics in a time-resolved or dynamic optimization problem formulation. Many of these approaches, however, fail when tested in a setting other than the one for which they were developed, owing to a large number of assumptions made during the model development process, as well as diverse modelling standards used by different research groups, all aimed at revealing the viii inherent complexity of metabolic networks. We have followed the community's established standards as in Constraint-based reconstruction and analysis (COBRA). The COBRA in silico platform has been used to propose a genome-scale dynamic constraint-based modelling (gDCBM) technique that allows delivering time-resolved dynamics of a structured metabolic network for CHO cell metabolism. We improved the metabolic network using a reference genome-scale metabolic model (GSMM) of CHO, i.e., iCHO DG44 v1, and then imposed dynamic constraints on its transport fluxes using metabolomics data generated in-house. To anticipate physiological changes in CHO clonal variants, we used this gDCBM technique. The model can predict intracellular fluxes in a continuous time-resolved (per hour of culture time) manner during the growth to non-growth metabolic switch, and it has been confirmed by predicting concentrations of extracellular metabolites, including amino acids, dynamics of change in time. As a result, we may generate intervention hypotheses and study the alteration effects in silico before or in addition to the time-consuming and expensive cell culture experiments. The model is also used to describe global metabolic alterations between parental and high producer cell lines in another application. We demonstrated that the established modelling approach may be used to extend or reduce the metabolic network in a systematic way.