МЕТОДИ СИСТЕМНОЇ БІОЛОГІЇ В ОЦІНЮВАННІ ГЛОБАЛЬНИХ ПЕРЕБУДОВ КЛІТИННОГО МЕТАБОЛІЗМУ ПРИ ХРОНІЧНИХ ЗАХВОРЮВАННЯХ ОБМІНУ РЕЧОВИН

O. P. Mintser; V. M. Zalisky

doi:10.11603/mie.1996-1960.2018.3.9464

Автор(и)

O. P. Mintser Національна медична академія післядипломної освіти імені П. Л. Шупика
V. M. Zalisky ДУ «Національний науковий центр «Інститут кардіології імені академіка М. Д. Стражеска» НАМН України»

DOI:

https://doi.org/10.11603/mie.1996-1960.2018.3.9464

Ключові слова:

системна біологія, системна медицина, метаболізм у клітині, мультидисциплінарні та трансдисциплінарні підходи, моделювання in silico

Анотація

Системна біологія дозволяє застосовувати математичні моделі для аналізу великих наборів даних і допомагає здійснювати моделювання динаміки складних біологічних систем. В аналітичному дослідженні обговорюються питання використання системного підходу для просування процесів розвитку персоналізованої медицини в лікуванні хвороб обміну речовин, інсулінорезистентності, ожиріння, неалкогольної жирової хвороби печінки, неалкогольного стеатогепатиту та злоякісних новоутворень. Розглянуто результати інтегрального аналізу великих наборів даних для ідентифікації нових біомаркерних молекул, що є основою персоналізованої терапії. Показано, що кількісний системний аналіз може дати нове уявлення про молекулярні механізми в клітині, сформувати нові концепції організації, координації і регулювання клітинних процесів. Украй необхідна конвергенція експериментального та in silico аналізу як окремих клітинних процесів, так і технологічних мереж. Підкреслюється, що системно-біологічний і системно-медичний аналізи вимагають широкого застосування мультидисциплінарних і трансдисциплінарних підходів, як це було продемонстровано на прикладі секвенування цілих геномів. Запропоновано використовувати багатоступеневу систему математичного моделювання в форматі in silico з оцінюванням вірогідності кожної з ключових подій, що забезпечують виконання каскаду біохімічних реакцій.

Посилання

Knyaginin, V. N., & Lipetskaya, M. S. (Eds.) (2017). Biomeditsina — 2040. Gorizonty nauki glazami uchenykh [Biomedicine — 2040. Horizons of science through the eyes of scientists]. St. Petersburg: fond «Tsentr strategicheskikh razrabotok «Severo-Zapad» (fund «Center for Strategic Research «North-West»). [In Russian].

Newgard, C. B., An, J., Bain, J. R., Stevens, R. D., Lien, L. F., Haqq, A. M., ... Svetkey, L. P. (2009). A branched-chain amino acid-related metabolic signature that differentiates obese and lean human and contributes to insulin resistance. Cell Metab., 9(4), 311-326. doi: 10.1016/j.cmet.2009.02.002.

Thiele, I., Swainston, N., Fleming, R. M., Hoppe, A, Sahoo, S, Aurich, M. K., ... Palsson, B. 0. (2013). A community-driven global reconstruction of human

metabolism. Nat. Biotechnol., 31(5), 419-425. doi: 10.1038/nbt.2488.

Suhre, K., Wallaschofski, H., Raffler J., Friedrich, N, Haring, R, Michael, K., ... Nauck, M. (2011). A genome-wide association study of metabolic traits in human urine. Nat. Genet., 43(6), 565-569. doi: 10.1038/ng.837.

Rhee, E. P., Ho, J. E., Chen, M. H., Shen, D, Cheng, S, Larson, M. G., ... Gerszten, R. E. (2013). A genome-wide association study of the human metabolome in acommunity-based cohort. Cell Metab., 18(1), 130-143. doi: 10.1016/j.cmet.2013.06.013.

Cuperlovic-Culf, M. (2018). Medicine learning method for analysis of metabolic date and metabolic pathway modeling. Metabolites, 8(1), E4. doi: 10.3390/ metabo8010004.

Angermueller, C., Parnamqa, T., Parts, L., & Stegle, O. (2016). Deep learning for computational biology. Mol. Syst. Biol., 12(7), 878. doi: 10.15252/msb.20156651.

Mardinoglu, A., Kampf, C., Asplund, A., Fagerberg, L, Hallstrom, B. M., Edlund, K, ... Nielsen, J. (2014). Defining the human adipose tissue proteome to reveal metabolic alterations in obesity. J. Proteome Res., 13(11), 5106-5115. doi: 10.1021/pr500586e.

Dimitrov, D. V. (2016). Medical internet of things and big data in healthcare. Healthc. Inform. Res., 22(3), 156-163. doi: 10.4258/hir.2016.22.3.156.

Rabinovich, S., Adler, L., Yizhak, K., Sarver, A, Silberman, A, Agron, S., . Erez, A. (2015). Diversion of aspartate in ASS1-deficient tumors' foster de novo pyrimidine synthesis. Nature, 527(7578), 379-383. doi: 10.1038/nature15529.

Gatto, F., Schulze, A., & Nielsen, J. (2016). Systematic analysis reveals than cancer mutations converge on deregulated metabolism of arachidonate and xenobiotics. Cell Rep., 16(3), 878-895. doi: 10.1016/j. celrep.2016.06.038.

Shlomi, T., Benyamini, T., Gottlieb, E., Sharan, R, & Ruppin, E. (2011). Genome-scale metabolic modeling elucidates the role of proliferative adaptations in causing the Warburg effect. PLoS Comput. Biol., 7(3), e1002018. doi: 10.1371/journal.pcbi.1002018.

Mardinoglu, A., Argen, R., Kampt, C., Asplund, A., Uhlen, M., & Nielsen, J. (2014). Genome-scale metabolic modeling of hepatocytes reveals serine deficiency in patients with non-alcoholic patty acid disease. Nat. Commun., 5, 3083. doi: 10.1038/ ncomms4083.

Duarte, N. C., Becker, S. A., Jamshidi, N., Thiele, I., Mo, M. L., Vo, T. D., ... Palsson, B. 0. (2007). Global reconstruction of the human metabolic network based on genomic and bibliomic data. Proc. Natl. Acad. Sci. USA, 104(6), 1777-1782. doi: 10.1073/pnas.0610772104.

Gorski, S., & Misteli, T. (2005). Systems biology in the cell nucleus. J. Cell Sci., 118(Pt 18), 4083-4092. doi: 10.1242/jcs.02596.

Wishart, S., Jewison, T., Guo, A. C., Wilson, M., Knox,

C., Liu, Y., ... Scalbert, A. (2013). HMDB 3.0 — The Human Metabolome Database in 2013. Nucleic Acids Res., 41, D801-807. doi: 10.1093/nar/gks1065.

Agren, R., Mardinoglu, A., Asplund, A., Kampf, C, Uhlen, M, & Nielsen, J. (2014). Identification of anticancer drugs for hepatocellular carcinoma through personalized genome-scale metabolic modally. Mol. Syst. Biol., 10, 721. doi: 10.1002/msb.145122.

Lee, S., Zhang, C., Kilicarslan, M., Piening, B. D., Bjornson, E., Hallström, B. M., ... Mardinoglu, A. (2016). Integrated network analysis reveals an association between plasma mannose levels and insulin resistance. Cell Metab., 24(1), 172-184. doi: 10.1016/j. cmet.2016.05.026.

Mardinoglu, A., Agren, R., Kampf, C., Asplund, A., Nookaew, I., Jacobson, P., ... Nielsen, J. (2013). Integration of clinical data with a genome-scale metabolic models of the human adipocytes. Mol. Syst. Biol., 9, 649. doi: 10.1038/msb.2013.5.

Mardinoglu, A., & Nielsen, J. (2015). New paradigms for metabolic modeling in human cell. Curr. Opin. Biotechnol., 34, 91-97. doi: 10.1016/j. copbio.2014.12.013.

Yizhak, K., Chaneton, B., Gottlieb, E., & Ruppin, E. (2015). Modeling cancer metabolism on a genome scale. Mol. Syst. Biol., 11(6), 817. doi: 10.15252/ msb.20145307.

Thiele, I., Fleming, R. M., Que, R., Bordbar, A., Diep,

D., & Palsson, B. O. (2012). Multiscale modeling of metabolism and macromolecular synthesis in E. coli and its applications to the evolution of colon usage. PLoS ONE, 7(9), e45635. doi: 10.1371/journal.pone.0045635.

O'Brien, E. J., Monk, J. M., & Palsson, B. O. (2015). Using genome-scale models to predict biological capabilities. Cell, 161(5), 971-987. doi: 10.1016/j. cell.2015.05.019.

Palsson, B. & Zengler, K. (2010). The challenges of integrating multiomic data sets. Nat. Chem. Biol., 6(11), 787-789.

Patil, K. R., & Nielsen, J. (2005). Uncovering transcriptional regulation of metabolism by metabolic network topology. Proc. Natl. Acad. Sci. USA, 102(8), 2685-2689. doi: 10.1073/pnas.0406811102.

Mardinoglu, A., Bjornson, E., Zhang, C., Klevstig, M., Söderlund, S., Stahlman, M., ... Boren, J. (2016). Personal model-assisted identification of NAD+ and glutathione metabolism as intervention target in NAFLD. Mol. Syst. Biol., 13(3), 91610. doi: 15252/ wsb.20167422.

Folger, O., Jerby, L., Frezza, C., Gottlieb, E., Ruppin, E., & Shlomi, T. (2011). Predicting selective drug targets in cancer through metabolic networks. Mol. Syst. Biol., 7, 501. doi: 10.1038/msb.2011.35.

Väremo, L., Sheele, C., Broholm, C., Mardinoglu, A., Kampf, C., Asplund, A., . Nielsen, J. (2015). Proteome-

and transcriptome-driven reconstruction of the human myocyte metabolic network and its use for identification of markers for diabetes, Cell. Rep., 11(6), 921-933. doi: 10.1016/j.celrep.2015.04.010.

Uhlen, M., Fagerberg, L., Hallstrom, B. M., Lindskog, C., Oksvold, P., Mardinoglu, A., ... Ponten, F. (2015). Proteomics. Tissue-based map of the human proteome. Science, 347(6220), 1260419. doi: 10.1126/ science.1260419.

Ma, H., Sorokin, A., Mazein, A., Selkov, A., Selkov, E., Demin, O., & Goiyanin, I. (2007). The Edinburgh human metabolic network reconstruction and its functional analysis. Mol. Syst. Biol., 3, 135. doi: 10.1038/ msb4100177.

Psychodios, N., Hau, D. D., Peng, J., Guo, A. C., Mandal, R., Bouatra, S., ... Wishart, D. S. (2011). The human serum metabolome. PLoS ONE, 6(2), e16957. doi: 10.1371/journal.pone.0016957.

Zhao, X., Han, Q., Liu, Y., Sun, C., Gang, X., & Wang, G. (2016). The relationship between branched-chain aminoacid related metabolism signature and insulin resistance: a systematic review. J. Diabetes Res., 2016, 794591. doi: 10.1155/2016/2794591.