Efecto de la fuente de carbono perturbaciones en la regulación transcripcional de flujos metabólicos en Saccharomyces cerevisiae

Los flujos metabólicos son funciones de los niveles de metabolitos, propiedades de la enzima (afinidades y las actividades específicas), y las concentraciones de enzimas. Estos últimos son controlados a transcripción, traducción y / o post-translacional, y, por tanto, a que se refiere como la regulación jerárquica [1, 2]. En el campo de la genómica funcional, ha habido varios estudios sobre si la regulación del flujo es a través de los niveles de expresión de genes metabólicos [3 - 5], y un enfoque común es comparar los niveles de flujo calculado por el análisis de flujo de equilibrio (FBA) o flujo metabólico análisis (AMF) con los niveles de mRNA [5 - 7]. Dado que muchas reacciones metabólicas en la red no se activa en el crecimiento óptimo de las condiciones que se determinen por FBA, este enfoque no permite evaluar si existe una correlación para todos los genes. Hay un problema similar con el uso de la AM, ya que este enfoque también proporciona información sólo de un conjunto limitado de los flujos [3]. Por otra parte, FBA en la aparición de los suplentes optima no se puede excluir causando más incertidumbre [8 - 10]. Además, los organismos con diferentes estados de flujo pueden coexistir en la misma cultura. Se previamente demostrado que estos enfoques no toman en cuenta la flexibilidad de las redes metabólicas y que la calidad resultante de la predicción es mejorado en gran medida por la incorporación de la flexibilidad [11]. Elemental flujo modos identificados por la enumeración de la solución de flujo espacio utilizando álgebra lineal [12] puede ser una manera de proporcionar la información que falta flexibilidad. De este modo, suma ponderada de los flujos a través de estos modos elementales para cada reacción, denominada control de los flujos de efectivo (CEF), dar lugar a la incorporación implícita de la funcionalidad y la regulación metabólica en las estructuras de red [11, 13, 14]. CEF cambios fueron previamente utilizados para la predicción de cambios en transcriptome fuente de carbono para los turnos E. coli [11] y S. cerevisiae [13] metabolismos. Aplicación a los eritrocitos enzymopathies También se ha demostrado [15].

En este trabajo, el modelo metabólico para S. cerevisiae utilizada en nuestro estudio anterior [13], fue mejorado y ampliado mediante la adición de reacciones responsable de la biosíntesis de aminoácidos vías. El modelo resultante del metabolismo contiene 77 metabolitos y 81 reacciones que se rigen por un total de 137 genes (de ficheros adicionales 1]. Elemental flujo modos de reacción de esta red se calcularon para el crecimiento de carbono en diferentes sustratos para determinar CEFS. El pliegue de cambios CEFS de reacciones en el modelo en respuesta a las perturbaciones derivadas de cambios de carbono se compararon con las veces los cambios en los niveles de expresión de genes que codifican las enzimas de las reacciones correspondientes. El número de flujos de obedecer una aceptable correlación se utilizó para evaluar si los flujos metabólicos son regulados en transcriptionally estudiado el perturbaciones. Los aquí presentados metodología se describe en la Figura 1.

El conjunto de la expresión génica experimental de datos de fuente de carbono perturbaciones utilizada en este estudio se resumen en la Tabla 1. Si varios genes corresponden a una única reacción, sus niveles de expresión se resume para cada condición antes de las veces el cambio se calculó, y en los siguientes usamos el término "un gen" para los dos un solo gen, sino también como una representación de varios genes que participan en una sola reacción. El modelo consiste metabólico central de las reacciones del metabolismo de carbono, tal como se describe en [13], y se ha mejorado mediante la adición de las reacciones involucradas en la síntesis de varios aminoácidos (Servicio de Archivo 1]. Biosíntesis de aminoácidos que sólo contribuyen a una pequeña fracción de la proteína en S. cerevisiae [16] fueron incorporadas directamente en la reacción de la biomasa (r _{81 bis)} en lugar de incluir las reacciones responsables de su formación en el modelo. El modelo podría metabólico, por lo tanto, se mantendrán a un tamaño manejable. Esta transformación del modelo es particularmente necesaria para evitar la explosión combinatoria del número de modos elementales de flujo con un incremento en el número de considerarse reacciones [17, 18]. El stoichiometric coeficientes de la reacción que conduzcan a la formación de la biomasa se calcularon sobre la base de la composición de biomasa dada por [16].

El número de EFMs calculado para cada fuente de carbono se da en el cuadro 2 para el modelo en ficheros adicionales 1, denominado M81 (en función del número de reacciones incluido), y de una versión modificada de este modelo, M57, que sólo incluye la central de carbono reacciones del metabolismo como en [13]. Cuando el número de EFMs de los dos modelos es en comparación, aproximadamente diez veces mayor se observa para M81 en comparación con el M57. Por lo tanto, puede concluirse que la inclusión de las reacciones de aminoácidos permite una mejor y menos restringido la representación de la red la flexibilidad. Los coeficientes de la biomasa mandantes también se calcularon sobre la base de otro celular composición macromolecular informó de [19] para S. cerevisiae (r _81b), y este cálculo dado lugar a notables diferencias en el número resultante de EFMs por la misma fuente de carbono (Tabla 2]. Sin embargo, las variaciones entre CEFS calculado para los dos conjunto diferente de EFMs eran pequeños y, por consiguiente, la composición de la biomasa no parece influir en el análisis sustancialmente. En nuestro análisis hemos utilizado la biomasa composición se describe en [16].

Con el fin de identificar EFMs activa durante el crecimiento en glucosa, información básica sobre el metabolismo de la levadura se utilizó. Por lo tanto, la siguiente estrategia se persigue: Para lote experimentos (Tabla 1], donde el metabolismo es Respiro-fermentativa, EFMs la producción de cualquiera de los subproductos de etanol, glicerol, acetato y succinato se mantienen desde este modo se asocia principalmente con la biomasa y la simultánea formación de producto , Mientras que los que producen la biomasa sólo se han descartado, la reducción del número de EFMs de 136925 a 127872. Por chemostat experimentos, en los que apenas haya metabolitos que se producen [3], sólo EFMs conduce a la biomasa, sin co-producción actual metabolito fueron considerados, esto dio lugar en 9600 EFMs en lugar de 136925. EFMs ATP sólo con la actividad de mantenimiento se mantuvieron en ambos casos. Este enfoque se utilizó para poner a prueba la capacidad de predicción de los modelos anteriores, donde todos los EFMs se había utilizado sin distinción de este tipo de comparación con los datos experimentales [11, 13], y la estrategia actual para incluir sólo EFMs activa en el modelo se encontró a permitir la mejora de las correlaciones entre los cambios de expresión génica y los cambios en CEFS (resultados no se muestra). Nuestro enfoque puede ser visto como una reducción en la flexibilidad posible en el funcionamiento de la red metabólica, pero usando nuestro enfoque nos indirectamente incorporado información sobre la regulación general de metabolismo respiratorio en S. cerevisiae, es decir, en condiciones con el metabolismo fermentativo respiración se explica en gran medida reprimida y en el metabolismo respiratorio apenas hay producción importante metabolito.

Para cada caso (Tabla 1], la eficiencia de operación de cada EFM fue cuantificado en términos de su flujo de la producción de biomasa (r _81b) y flujo de producción de ATP a su mantenimiento (r ₅₁₎ (véase la sección Métodos para más detalles). La puntuación resultante, llamada la eficiencia, se utilizó como un peso para los flujos que pasan a través de la correspondiente EFM. Como resultado, el control de flujo de efectivo de una reacción representa la suma ponderada de todos los flujos para esta reacción que puedan participar en todos los EFMs. Tanto la eficacia y la flexibilidad de la red es lo que se refleja en el CEF Resultado. La correlación entre los cambios a veces CEFS y en los niveles de mRNA fueron investigados como se ilustra en la Figura 1.

Cuadro 3 se resumen los resultados de la simulación de genes pertenecientes a la central del metabolismo de carbono (45 puntos en total) para cada uno de los casos enumerados en el cuadro 1. Los resultados incluyen la fracción de los genes en primera / tercera cuadrantes de las parcelas (cualitativo acuerdo), el coeficiente de correlación, la inclinación, y el número de genes omitido para llegar a R ² = 0,60. Un aceptable correlación (R ² = 0,60, ver métodos), con una pendiente cerca de la unidad fue posible por omitir en la mayoría de 6 puntos para todos los turnos de carbono estudiadas (Tabla 3, Figura 2]. Puntos que tuvo que ser omitidos corresponden a reacciones CEF cuyos valores no muestran correlación con el cambio en los niveles de expresión de los genes que codifican las enzimas catalizar estas reacciones. Es muy probable que estos flujos están regulados en la post-transcripcional y / o el nivel metabólico. El acuerdo cualitativo entre CEF y los cambios de mRNA sobre regulación y baja regulación (en los puntos primero y tercero cuadrantes) está por encima de 76% para todos los casos. Estos resultados (Cuadro 3] indican que los flujos a través del metabolismo central de carbono reacciones son principalmente transcriptionally regulado en cambio los experimentos de carbono. Sin embargo, no hubo correlación en el cambio de oxígeno experimento (Cuadro 3, Figura 3], de los cuales 19 puntos de datos tuvo que ser desechada para alcanzar el umbral de correlación (R ² = 0,60). Parcelas de mRNA ratios versus CEF coeficientes para todos los casos estudiados se muestra en la Figura 2. Nuestros resultados también revelaron que los genes del metabolismo central son predominantemente upregulated en respuesta a un cambio de fermentativa fuente de carbono a una fuente de carbono que consiste en C-2 o C-3 compuestos como la mayoría de los puntos se encuentran en el primer cuadrante en la figura 2.

La correlación entre los coeficientes de mRNA de los genes y sus correspondientes ratios CEF fueron investigados por los genes pertenecientes al centro de metabolismo de carbono y el metabolismo de aminoácidos por separado utilizando el modelo M81.

Nuestros resultados indican que el cambio en los flujos en el metabolismo central de carbono se debe en gran medida controlada en el nivel transcripcional de perturbaciones fuente de carbono (Tabla 3]. Sin embargo, los mismos genes se encuentran débilmente correlacionada con el CEFS en el caso de cambio de oxígeno, lo que indica que la respuesta de los mismos genes de diferentes perturbaciones no es necesariamente en forma similar por un mecanismo de control.

Para cada fuente de carbono perturbación, un pequeño conjunto de genes cuyas relaciones son de mRNA débilmente correlacionado con el CEF ratios se omitieron, por ejemplo, los genes 3, pfk12, fbp1 y pyc12, que muestran una correlación débil como una respuesta a un cambio en diauxic lote culturas [ 20] (Tabla 3, Figura 2]. Dos de estos genes (fbp1, pfk12) son responsables de la expresión de enzimas que intervienen en la conversión entre la fructosa-6-fosfato y fructosa-difosfato en invertir las direcciones. Fbp1 se sabe que se activa durante el crecimiento en etanol pfk12 que se activa durante el crecimiento en glucosa. Aunque su alza oa la baja coincide con la regulación CEF bien con las predicciones, no hay correlación cuantitativa. En otras palabras, las respuestas relativamente insensible al nivel de la expresión génica puede indicar una amplificación de la transmisión de la señal después de que el nivel transcripcional. Sin embargo, la investigación de otro conjunto de datos [21] para el mismo Respiro-fermentativa cambio muestra una mejor correlación de estos genes y sus correspondientes valores CEF tal y como se muestra en la Figura 2 bis de la plaza puntos. Por lo tanto, estos genes también pueden ser falsos negativos debidos a la ausencia de repeticiones en el conjunto de datos.

Para la glucosa o etanol cambio en la cultura chemostat, la vía glycolysis genes (pfk12, pyc12, ald45, pda12-pdb1, FBA1 / tpi1/tdh1) se omite el análisis de llegar a un R ² 0,60, indicando que estos genes se someten a otros tipos de regulación (Tabla 3]. Esta conclusión se apoya en un estudio reciente, lo que demuestra que glicolítico genes están regulados a nivel de la proteómica en respuesta a la misma perturbación [22]. Nuestros resultados indican una buena correlación entre la magnitud de un cambio en el CEFS y los niveles de transcripción de los genes, con la excepción de estos seis puntos. En este sentido, conseguir una mejor correlación que la comparación efectuada utilizando la base AMF de los flujos [3], donde 19 de un total de 43 genes no pudieron ser incluidos en el análisis de correlación cuantitativa desde la AMF correspondiente a base de cambio se pliegue o bien cero o infinito, y la pliegue de 21 cambios de los puntos restantes mostraron una correlación por encima del umbral (R ² = 0,60), con una pendiente varios pliegues superior a la unidad (3.5). Esto indica que el uso de CEF enfoque que refleja las diferentes capacidades metabólicas de los microorganismos para el crecimiento en una determinada fuente de carbono (tal como se refleja en la EFMs) se traduce en una mejor representación de la jerarquía de control, es decir, el control a nivel transcripcional, a los flujos metabólicos , En comparación con centrándose en un único flujo de distribución previsto por la AM. Esto también es válido para el cambio en diauxic lote culturas, donde nuestro enfoque CEF da un 82% cualitativos acuerdo (Cuadro 3], que es superior a la FBA enfoque que sólo da el 61% cualitativos acuerdo [6], que se basa en el número de hasta reglamentado y regulado por los puntos que están de acuerdo entre experimental y los resultados de la simulación.

Para la glucosa / acetato de cambio en chemostat culturas, 3 de los 6 omitido genes pertenecen al Ciclo de las pentosas (rki1, sol34, zwf1). Los otros tres son de diferentes vías, lsc12 ciclo de TCA, FBA1 y adh145 de glicolítico vía. A diferencia de chemostat culturas, la falta de regulación transcripcional a través de flujos de reacciones rige por dos genes diferentes, a saber idp23 y mae1, está implicado en el caso de lotes culturas de glucosa-acetato de cambio (Cuadro 3]. Sin embargo, están estrechamente relacionadas, ya que ambos conjuntos están directamente involucrados en el metabolismo de NADPH. Análisis de un nuevo conjunto de datos [23] con escasos puntos de datos (27) por lote culturas dio lugar a una muy alta correlación sin ningún tipo de omisión (R ² = 0,78, 0,92 y = x) (figura no se muestra).

Para los genes del metabolismo central de carbono predicciones de M81 fue mejor que la de M57, lo que significa que una mayor incorporación de las posibles rutas que abarcan las rutas de aminoácidos refleja la flexibilidad de las redes metabólicas mejor (resultados no se muestra).

Por respiratorias chemostat bases de datos, es difícil establecer una correlación entre los ratios de expresión los niveles de aminoácidos de los genes y sus correspondientes ratios CEF desde valores numéricos de ambas experimental mRNA y el modelo CEF coeficientes de estos genes son muy cercanas a la unidad. Por lo tanto, estos genes no se han pronunciado efecto en el resultado global de correlación y la pendiente.

Por Respiro-fermentativa lote bases de datos, por término medio, diez puntos de datos tuvo que ser retirado de la gráfica a obtener previamente la correlación de R ² 0,60. Es decir, hubo una falta de correlación entre los ratios de expresión los niveles de aminoácidos vía de los genes y sus correspondientes ratios CEF. El observó la falta de correlación de aminoácidos genes también se encontró para E. coli [11]. No hubo correlación positiva entre el 5 genes disponibles en el modelo que pertenecen a el metabolismo de aminoácidos, en consonancia con lo que encontramos aquí. Sin embargo, cabe señalar que, como hemos visto en fuente de carbono perturbaciones sólo hubo pequeños cambios en los flujos hacia los aminoácidos, y por lo tanto, estos resultados pueden no ser adecuados para diseccionar si hay control transcripcional de los flujos hacia la biosíntesis de aminoácidos. Además, la falta de correlación en el lote culturas puede explicarse por el uso de medios enriquecidos en estas fermentaciones. Debido a la disponibilidad de aminoácidos en el medio, los aminoácidos pueden no haber sido sintetizados en la célula, y esto puede ser otra causa de los pobres correlación encuentran aquí. Un análisis más detallado de la biosíntesis de aminoácidos, por lo tanto, requiere de vías especialmente diseñado experimentos.

En otro estudio donde se comparó la significación estadística de los cambios en ambos transcriptome y metabolome perfiles de S. cerevisiae bajo diferentes condiciones de crecimiento [24], llegamos a la conclusión de que casi todos los genes que regulan el metabolismo de los aminoácidos son metabólicamente regulada con o sin regulación transcripcional. Aunque no podemos afirmar que nuestro actual estudio apoya esta conclusión debido a las razones mencionadas anteriormente, todavía parece que hay menos regulación transcripcional de flujos metabólicos en la biosíntesis de aminoácidos en comparación con el metabolismo central de carbono. Por lo tanto, hemos centrado nuestro debate sobre el metabolismo central de carbono.

Los flujos del metabolismo central de carbono se encuentran principalmente transcriptionally regulada en respuesta a la fuente de carbono perturbaciones estudiado aquí (Cuadro 3]. Con el fin de investigar el efecto de la cepa tipo en la regulación de flujos, los conjuntos de datos experimentales para la glucosa-acetato de cambios en lote culturas [25] fue utilizado. Ese estudio examinó la identificación de los cambios en la transcriptome como una respuesta al mismo tipo de perturbación para dos diferentes cepas de levadura (W303 y SK1). El resultado se presenta en el cuadro 3 es para la cepa W303, e indica que los flujos del metabolismo de carbono central de esta cepa está sujeta a regulación transcripcional, con sólo 3 genes anómalos están. El análisis de la otra cepa (SK1) ha puesto de manifiesto la exigencia de que la omisión de 7 genes adicionales a fin de alcanzar el umbral de coeficiente de correlación (R ² = 0,60). Este resultado sugiere que la regulación puede comportamiento dependen en gran medida de el genotipo de la cepa a sí mismo como sugirió en otras partes [24, 26 - 29].

La cepa W303 es sugirió que se muestran más fermentativa comportamiento de la SK1 cepa en un medio que contiene glucosa [25]. Los niveles de expresión de genes implicados en el metabolismo respiratorio fueron más altos para la SK1 cepa que para la cepa W303. Esta información fue utilizada para poner a prueba nuestro enfoque distintivo de activos que operan en EFMs respiratorias y repiro-fermentativa crecimiento. CEF análisis y comparación de CEF y coeficientes de mRNA SK1 se realizaron teniendo en cuenta todos los EFMs glucosa para el crecimiento en lugar de tomar sólo los co-producción de biomasa con cualquier de los productos, en el supuesto de que sólo los que producen la biomasa también debe ser activa en esta muestra una cepa más respiratorias comportamiento. Esto dio lugar a una obligación de omisión, de 8 genes de la cepa SK1, en lugar de 10. Por otro lado, el uso de todos los EFMs de la cepa W303 provocado un aumento en el número de omisiones necesario a 5. Esto demuestra que la incorporación de información sobre la fenotípicas / fermentativa comportamiento de la cepa en el análisis puede mejorar la predicción de los flujos que son transcriptionally regulado.

Con el fin de seguir investigando la sensibilidad de nuestro enfoque, se analizaron datos de un estudio sobre la influencia de la respuesta transcripcional a la glucosa-lactato de cambio [30]. Ese estudio analiza la transcriptome durante una glucosa-lactato cambio en la fuente de carbono con un YPD y un medio sintético. Los resultados en el cuadro 3 son para el medio YPD y se efectuó un análisis similar para los datos completos sobre el medio sintético. El número de los flujos omitido para completar el medio sintético resultó ser 8, lo que indica que hay un efecto de mediano componentes en el reglamento particular tipo de flujos. Por lo tanto, nos encontramos con que nuestro método es poco sensible a las condiciones reales. Sin embargo, todavía este análisis apoya nuestra conclusión de que existe una correlación bastante fuerte entre CEFS transcripcional y respuestas a los cambios en las fuentes de carbono.

En el presente estudio, una metodología que se presentó a investigar la transmisión jerárquica de transcriptome cambios a nivel de flujo utilizando un control eficaz de los flujos. El alto grado de correlación entre la transcriptome y la fluxome obtenidos por el CEF enfoque pone de manifiesto que la principal razón para la falta de correlación informado hasta la fecha se debió a descuidar la flexibilidad de la red en funcionamiento. El análisis detallado utilizando CEFS calculado sobre la base de la EFMs activo en un determinado tipo de crecimiento que mostraron los flujos en el metabolismo central de carbono son en su mayoría regulados en el nivel transcripcional en respuesta a los cambios en la fuente de carbono. Reglamento del metabolismo de aminoácidos parece estar principalmente en el nivel metabólico, sin embargo, una conclusión definitiva no se puede extraer desde el perturbaciones analizadas no estaban directamente relacionadas con este metabolismo. Esto nos lleva a la hipótesis de que si se aplica una perturbación tiene un efecto directo sobre una ruta metabólica, entonces la respuesta genética de que la vía a nivel del mRNA se propaga en el fluxome, demostrada por el metabolismo central de carbono en este estudio.

EFMs se calcularon utilizando FluxAnalyzer 5,3 [31]. CEF cálculos se han realizado en virtud de un entorno MATLAB 7,0, y se basan en la eficiencia de EFMs calculado en términos de los objetivos elegidos celulares: producción de biomasa y la propia ATP para el mantenimiento. Eficiencia de un EFM se determinará dividiendo el flujo correspondiente a los celulares objetivo de la suma de todos los flujos a través de reacciones de ese modo. J es el índice de EFMs, y i es el índice de los flujos.

ε j , C E L L O B J = r C E L L O B J j Σ i | r i j | MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaaiiGacqWF1oqzdaWgaaWcbaGaemOAaOMaeiilaWIaem4qamKaemyrauKaemitaWKaemitaWKaem4ta8KaemOqaiKaemOsaOeabeaakiabg2da9maalaaabaGaemOCai3aa0baaSqaaiabdoeadjabdweafjabdYeamjabdYeamjabd + eapjabdkeacjabdQeakbqaaiabdQgaQbaaaOqaamaaqafabaWaaqWaaeaacqWGYbGCdaqhaaWcbaGaemyAaKgabaGaemOAaOgaaaGccaGLhWUaayjcSdaaleaacqWGPbqAaeqaniabggHiLdaaaaaa @ @ 4F4A

Por lo tanto, EFMs que sean equivalentes en términos de objetivos celulares se distinguen por el supuesto de que el más corto EFMs eran más eficientes como se refleja en el denominador de la formulación [11, 17]. Este enfoque coincide con la reciente sugirió la reducción al mínimo de flujo objetivo [32], lo que implica que el flujo de distribución óptima es la que tiene el mínimo total de flujo.

Control de flujo de efectivo (v _i) de una determinada reacción ( r i j MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqWGYbGCdaqhaaWcbaGaemyAaKgabaGaemOAaOgaaaaa @ @ 30FE ) Fue determinada por la ponderación que el flujo a través de todos los EFMs con las eficiencias de los correspondientes modos de transporte.

v i = Σ C E L L O B J 1 r C E L L O B J Max ⁡ Σ j ε j , C E L L O B J | r i j | Σ j ε j , C E L L O B J MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = vr0 = vr0dc8meaabaqaciaacaGaaeqabaqabeGadaaakeaacqWG2bGDdaWgaaWcbaGaemyAaKgabeaakiabg2da9maaqafabaWaaSaaaeaacqaIXaqmaeaacqWGYbGCdaqhaaWcbaGaem4qamKaemyrauKaemitaWKaemitaWKaem4ta8KaemOqaiKaemOsaOeabaGagiyBa0MaeiyyaeMaeiiEaGhaaaaaaeaacqWGdbWqcqWGfbqrcqWGmbatcqWGmbatcqWGpbWtcqWGcbGqcqWGkbGsaeqaniabggHiLdGcdaWcaaqaamaaqafabaacciGae8xTdu2aaSbaaSqaaiabdQgaQjabcYcaSiabdoeadjabdweafjabdYeamjabdYeamjabd + eapjabdkeacjabdQeakbqabaGcdaabdaqaaiabdkhaYnaaDaaaleaacqWGPbqAaeaacqWGQbGAaaaakiaawEa7caGLiWoaaSqaaiabdQgaQbqab0GaeyyeIuoaaOqaamaaqafabaGae8xTdu2aaSbaaSqaaiabdQgaQjabcYcaSiabdoeadjabdweafjabdYeamjabdYeamjabd + eapjabdkeacjabdQeakbqabaaabaGaemOAaOgabeqdcqGHris5aaaaaaa @ @ 6F27

Aquí hemos utilizado la proporción de CEFS de reacciones en dos diferentes condiciones que son equivalentes a los coeficientes de expresión de los genes responsables del metabolismo de las enzimas de las reacciones en S. cerevisiae.

La metodología se ilustra en la Figura 1. Logaritmos de la CEF del mRNA y los coeficientes de reacciones / genes entre dos condiciones se trazan unos contra otros. Un algoritmo genético enfoque se utilizó para identificar los puntos de datos que causó la mayor desviación de una pre-seleccionadas y correlación lineal (R ²⁾ de 0,60 así como garantizar que la pendiente era de entre 0.80-1.25, y estos puntos se omitieron de la parcela. El script escrito en MATLAB primero identifica máximo valor del coeficiente de regresión (R ²⁾ para permitir una serie de omisiones simultánea. Y, entonces, el número de omisiones necesarias para lograr de corte (0,60) se determina. El coeficiente de correlación valor de 0,60 fue seleccionado como el umbral de un grado aceptable de correlación, ya que corresponde a un coeficiente de correlación de Pearson en torno a 0,80, lo que se considera el límite inferior para una buena correlación [33 - 35]. Por otra parte, la correlación entre el mRNA logarítmica de dos coeficientes diferentes cepas de tipo salvaje [25] en respuesta a la misma de carbono cambio fue de alrededor de 0,70 con la pendiente está notablemente diferente de la unidad. Esta variabilidad inherente en el comportamiento de células dependiendo de su genotipo no se puede reflejarse en el metabolismo estequiometría desde stoichiometric modelos no son específicos de cepa, lo que también justifica el valor umbral seleccionado.

El número de omisiones punto de datos necesaria para mantener el coeficiente de regresión, R ^2, por encima de 0,60 se supone que uno de los criterios para determinar el tipo de regulación impuesta por los flujos de carbono de un cambio. Si son muchos los puntos que se omiten para alcanzar el umbral, esto significa que: a) los flujos no están regulados transcriptionally, pero se regula en la traducción o post-translacional nivel (es decir, jerárquica otros mecanismos de control activo) o b) existe un predominio del metabolismo la regulación correspondiente a cambios sustanciales en los niveles de metabolitos, o c) hay una combinación de estos dos tipos de regulación. Además, un segundo criterio cualitativo, que se basa en el número de puntos en la primera (sobre regulación) y tercero (baja regulación) cuadrantes de coordinar el trazado del eje, también se utilizó, como empleados de otros [6].

Por otra parte, un análisis estadístico de las demás para las regresiones pueden ser empleados por el cálculo de los intervalos de confianza en los residuos a un nivel de confianza (por ejemplo, 0,05), y, por tanto, la identificación de valores anómalos como los puntos cuya residual intervalos de confianza no contienen cero. En este estudio, hemos preferido utilizar un único valor umbral para todos los casos analizados. Pensamos que ello es razonable ya que las correlaciones para todos los casos fue altamente significativa (p-valor por debajo del ~ 10 ^-8), aun cuando no se omitieron los puntos de los datos. Por otra parte, el seleccionado de corte (R ² = 0,60) asegura que los datos retenidos después de omitir los puntos para llegar a la línea de corte está libre de valores anómalos en todos los casos (datos no presentados). En otras palabras, el elegido de corte está por encima de todos los R ² valores determinados por nuestro análisis estadístico de las demás. Una desventaja con el análisis estadístico es que no nos permiten limitar la pendiente (entre 0,80 y 1,25), además de restringir el coeficiente de correlación. Desde el análisis estadístico de las demás conduce a la omisión de un menor número de puntos que en el análisis original, apoya nuestras conclusiones.

TÇ, BK, KÖÜ y JN diseñado la investigación. TÇ computacional trabajo realizado. El manuscrito fue escrito por TÇ, BK, ZİÖ, KÖÜ y JN. Todos los autores leído y aprobado la versión final.