Flux Balance Analysis with applica3ons to cancer studies. Daniel Remondini DIFA - Biophysics Lab - UNIBO

Transcript

1 Flux Balance Analysis with applica3ons to cancer studies Daniel Remondini DIFA - Biophysics Lab - UNIBO

2 Biophysics Group Prof. G. Castellani (PA) DoH. D. Remondini (RU) DoH. G. Levi (RU) DoH.ssa I. Zironi (TA) DoH. E. Giampieri (PostDoc) DoH.ssa G. MenicheN (PhD) DoH.ssa C. Sala (PhD) DoH.ssa A. Virelli

3 Exper0se Lab (3me- lapse microscopy, electrophysiology) Biophysics (mathema3cal models of biosystems) Systems Biology (Network- based approaches) Data Analysis (machine learning & HPC for omics)

4 Metabolic networks Rete di reazioni biochimiche all interno di un organismo/ organo/tessuto/cellula Network diretto (reagenti -> prodotti) N metaboliti R reazioni

5 Databases Molte reti metaboliche sono (in parte) note e utilizzabili per modelli a larga scala Es.: BIGG database bigg.ucsd.edu

6 Flux Balance Analysis FBA Circuiti biochimici di grandi dimensioni (N~ ) possono essere studiati quantitativamente con la FBA: non caratterizzo i singoli metaboliti ma i loro FLUSSI (perdo alcune informazioni rispetto allo studio del sistema completo)

7 Reactions -> fluxes Non considero tutta la cinetica chimica, ma solo i flussi v di reagenti e prodotti A + B C x = ( A,B,C,...,1) A = k A B + k C = v + v x = S ( ) v x, k il sistema di ODE (nonlineare nelle x) diventa lineare nelle v(x,k)

8 NOTE - nei flussi sono contenute le costanti cinetiche k, che possono quindi essere non note (come spesso accade ). - una volta definiti i composti (nonlineari nelle x) ottengo un sistema lineare nelle v, risolubile con metodi analitici trattabili

9 TUTTE le proprietà del sistema metabolico sono contenute nella matrice S - network bipartito (reazioni composti) - network diretto (reazioni irreversibili) Es: human = 2700x3400 network S

10 Soluzione FBA: step 1 IPOTESI: siccome le cinetiche chimiche cellulari sono molto più veloci dei processi di trascrizione/traduzione/sintesi considero la cellula in uno stato stazionario dal punto di vista biochimico: -> Bilanciamento dei flussi (tutti positivi) S v = 0 0 v v MAX

11 Vincoli su Soluzione FBA: step 2 S v = 0 0 v v MAX Soluzione non univoca: iperpiano convesso Ottengo una soluzione univoca imponendo ulteriori vincoli: Massimizzazione di un flusso metabolico g( v ) = β v

12 FBA = linear programming max(g( v ) = β v ) S v = 0 nullspace 0 v v MAX La soluzione dipende: - dalla topologia di S (network metabolico) - dal vettore di pesi β (combinazione di prodotti metabolici, anche uno solo es. ATP)

13 FBA solution Interpretazione grafica della soluzione: scelgo il vettore di flussi v OPT che tra quelli permessi da Sv=0 massimizza la funzione di costo g(v) che ho scelto g( v ) = β v

14 Ruolo di β - vettore di {0,1} per selezionare quali metaboliti studiare (determina il problema da risolvere, in base agli obiettivi dello studio) Esempi: - end-product di specifici pathways - ATP - Biomassa (cell-type specific)

15 Perturbazioni cellulari Una perturbazione del sistema cellulare (es. gene knockout, alterazione nell input/ output di metaboliti) modifica la matrice S- > S, portando il sistema in un nuovo stato stazionario v S v = 0 S' v '= 0 -> posso quindi caratterizzare la variazione di v in funzione della perturbazione

16 Applications - metabolite production maximization g(v X ) (bacterial engineering) - epistasis and synthetic lethality - multidrug interaction (in silico experiments) for specific purposes (pathway/product minimization/inhibition with maximal selectivity and minimal side effects)

17 Example: mul0drug combina0on in cancer vs normal cells OBJECTIVE: evaluate the effect of drug combina3ons on the target ( generic cancer cell, S C ) and the effect on normal cells (with a different metabolic network S N ) nonlinear interac3ons inside metabolic circuits, possibility of synergis(c effects

18 FBA and drug effect The effect of a drug is included in the metabolic network as a switch that turns off specific reac3on fluxes (silencing of the gene coding for the catalyzing enzyme) drug effect: blocking the desired reac3on/s side effect: blocking of other reac3ons + nonmetabolic effects

19 Unknown effect of drugs can be es3mated by in silico analysis with the help of some databases (eg. Connec3vity map

20 Drug synergism a) drug combina3on leads to a new inhibi0on since no single drug can stop the objec3ve reac3on; b) the objec3ve reac3on can be stopped by a single drug but the drug combina3on is more selec0ve (has a minor side effect);

21 Graphical example: single pathway

22 Topics for FBA - Given cancer- driven metabolic altera3ons, find the pathway mostly involved that cause such imbalance (inverse problem) - Define (or refine) specific cancer and normal cell features (depending on cell type) to be included in the model (biological knowledge) - Preliminary study (eg possible biological interpreta3on) of effects of mul3drug combina3ons (in silico experiments)

23 Experimental informa0on The best results are achieved when experimental data are available: - transcriptomics (GEP, mirna, MET, ) - proteomics - metabolomics (MS, NMR, 13 C Flux)

24 References Predic3ng selec3ve drug targets in cancer through metabolic networks, Folger O, Jerby L, Frezza C, GoHlieb E, Ruppin E, Shlomi T, Mol Syst Biol 2011, 7:501 Predic3ng and characterizing selec3ve mul3ple drug treatments for metabolic diseases and cancer, G. FaccheN, M. Zampieri, C. Altafini, BMC Systems Biology 2012, 6:115 What is flux balance analysis? JD Orth, I Thiele, B Palsson, Nat Biotechnol. 2010; 28(3): Flux balance analysis of biological systems: applica3ons and challenges, K. Raman and N. Chandra, Brief Bioinfo 2009; 10(4):