[論文レビュー] PyNetMet: Python tools for efficient work with networks and metabolic models

D. Gamermann, Arnau Montagud Aquino+4 more|arXiv (Cornell University)|Nov 30, 2012

Microbial Metabolic Engineering and Bioproduction被引用数 4

ひとこと要約

PyNetMet は、ゲノムスケール代謝ネットワークおよびモデルの構築、解析、シミュレーションを統合的に支援する無料でオープンソースの Python ライブラリです。SBML および OptGene 形式をサポートし、フラックスバランス解析（FBA）、必須性スクリーニング、感度解析を可能にするとともに、モジュラーで拡張可能な Python クラスを用いてモデルのキュレーションおよび in silico ミュータンテーションを促進します。

ABSTRACT

Background: The study of genome-scale metabolic models and their underlying networks is one of the most important fields in systems biology. The complexity of these models and their description makes the use of computational tools an essential element in their research. Therefore there is a strong need of efficient and versatile computational tools for the research in this area. Results: In this manuscript we present PyNetMet, a Python library of tools to work with networks and metabolic models. These are open-source free tools for use in a Python platform, which adds considerably versatility to them when compared with their desktop software similars. On the other hand these tools allow one to work with different standards of metabolic models (OptGene and SBML) and the fact that they are programmed in Python opens the possibility of efficient integration with any other already existing Python tool. Conclusions: PyNetMet is, therefore, a collection of computational tools that will facilitate the research work with metabolic models and networks.

研究の動機と目的

• ゲノムスケール代謝モデリングおよびネットワーク解析のための包括的でオープンソースの計算ツールの不足に対処すること。
• 既存のデスクトップソフトウェアが単一のモデル形式（例：SBML や OptGene）のみをサポートしており、拡張性に欠けるという制限を克服すること。
• モジュラーでオブジェクト指向の設計により、他の Python ベースのバイオインフォマティクスツールとのシームレスな統合を可能にすること。
• モデルのキュレーション、シミュレーション、および変更（in silico のノックアウトやノックインを含む）を容易にすること。
• システム生物学研究におけるフラックスバランス解析および感度解析のためのアクセス可能で再現可能なワークフローを提供すること。

提案手法

• 4つのコア Python クラスを開発：Enzyme（単一反応の保存および操作用）、Network（Dijkstra 法およびKruskal法を用いたグラフ理論的解析用）、Metabolism（SBML および OptGene モデルのパースおよび解析用）、FBA（フラックスバランス解析の実行用）。
• SBML および OptGene 形式の両方のサポートを実装し、異なる代謝モデリング基準間の相互運用性を実現。
• 外部ライブラリとの統合：FBA の線形計画法には Pyglpk を、ネットワーククラスタリングの可視化には PIL を使用。
• Metabolism クラスの add_reacs および pop メソッドを活用し、in silico ノックアウトおよびノックインによるモデルの変更を可能に。
• 必須性解析（essential()）、シャロウ価格（shadow()）、制約下でのフラックス最小化・最大化（max_min()）のためのメソッドを提供。
• 言語のオープンエコシステムおよび Biopython との互換性を活かし、拡張性と他のツールとの統合を考慮した設計。

実験結果

リサーチクエスチョン

• RQ1 統合的でオープンソースの Python ベースのツールキットは、代謝ネットワーク解析におけるシステム生物学の分野で、相互運用性および拡張性をどのように向上させるか？
• RQ2 モジュラーな Python ライブラリは、SBML および OptGene という異なる標準フォーマット間で、フラックスバランス解析（FBA）およびモデルキュレーションをどの程度スムーズに可能にするか？
• RQ3 自動化された感度解析および必須性解析は、再利用可能でスクリプタブルなフレームワークに効率的に統合可能か？
• RQ4 自己反応やストイキオメトリック行列における繰り返しインデックスといったモデルの不整合性は、このツールがどのように処理するか？
• RQ5 iCM925、iSyn811、iAK692 といった公表済みゲノムスケールモデルに適用した際、FBA エンジンの性能および信頼性はいかがなものか？

主な発見

• iCM925 モデルには 166 個の必須反応が含まれており、FBA 条件下でバイオマス産生に不可欠であることが示された。
• iSyn811 モデルには 221 個の必須反応、iAK692 モデルには 249 個の必須反応が存在し、本手法の異なるモデルへのスケーラビリティが裏付けられた。
• FBA クラスは、iAK692 モデルに 2 つの問題のある自己反応（反応番号 746 および 748）を検出。これらの反応では代謝物が自分自身に結合されており、FBA 解が無効化される可能性がある。
• iSyn811 の炭酸アンモニウム輸送反応（反応番号 926）において、成長率を最大の 50% に固定した場合、フラックスを 0 に最小化可能であり、これは低成長下での非必須性を示している。
• 成長率を最大の 60% に固定した場合、同じ反応は前方方向に最小フラックス 0.34 を維持する必要があり、逆方向での反応は不可能である（逆方向に 'X' が表示された）。
• シャロウ価格法により、反応 926 の導関数が 0.5 として返された。これは、フラックスを 1% 増加させると目的関数（バイオマス収率）が 0.5% 増加することを示している。