Acknowledging the uncertainty of enzyme kinetic parameters in constraint-based metabolic modeling

Abstract

Begrensningsbaserte analysemetoder, slik som "flux balance analysis" (FBA), har vist seg å være nyttige og allsidige beregningsverktøy for å studere og tilvirke cellemetabolisme. Med stadig nye anvendelser innenfor medisin og industri har FBA blitt en fanebærer for systembiologisk forskning. Til tross for stor suksess har studier vist at FBA-metoden kan feile grovt under visse omstendigheter. Dessuten viser beregningseksperimenter at metoden er ustabil i møte med små endringer i biomassekomposisjonen, hvilket motsier cellemetabolismens standheftige natur. En annen begrensningsbasert modelleringsmetode, "robust analysis of metabolic pathways" (RAMP), forsøker å rette opp FBA-metodens ustabilitet ved å anse biomassekomposisjonen som usikker. Som beregningsverktøy presterer RAMP på linje med FBA og innehaver dessuten ønskede matematiske egenskaper. De siste årene har det blitt utviklet en rekke utvidelser av FBA-paradigmet. Noen av disse utvidelsene innebygger massebegrensninger på mengden enzym tilgjengelig for cellen og tar dermed i bruk enzymkinetisk data ladet med både biologisk og eksperimentell usikkerhet. I denne tesen utarbeides "Robust Analysis of Metabolic Pathways under Enzymatic Regulation" (RAMPER); en utvidelse og viderutvikling av RAMP som inkorporerer enzymkinetiske parametre. Vi diskuterer stokastiske tolkninger av metoden, introduserer varianter av metodeformuleringen og viser at RAMPER arver RAMP's viktigste matematiske egenskaper. Vi implementerer så metoden slik at stokastiske og ustokastiske simuleringer kan utføres både med og uten enzymkinetiske parametre. Deretter sammenligner vi implementasjonens beregningshastighet under forskjellige modelleringsantagelser. Videre formulerer vi en provisorisk modell for usikkerhet i kinetiske parametre ved å granske en omfattende enzymdatabase. Følgende analyserer vi betydningen av enzymkinetisk usikkerhet for metodens beregningsresultater og demonstrerer slik at RAMPER gjør rede for enzymkarakteristikker forbigåtte av tidligere modelleringsmetoder. Med dette argumenterer vi for at RAMP formalismen, i likhet med FBA, er et utbyggbart og ressurssterkt rammeverk for begrensningsbasert analyse av metabolske nettverk.

Constraint-based approaches, such as flux balance analysis (FBA), have proven proficient and versatile computational tools for the study and engineering of cellular metabolism. Growing ever more prevalent in medicine and industry, FBA has become a flag-bearer of the systems biology research field. Yet despite the successes, FBA has been shown to suffer substantial shortcomings in its predictive power. Additionally, computational experiments demonstrate that FBA is sensitive to small parametric perturbations in the biomass composition, contradicting the robust nature of cell metabolism. Another constraint-based approach, robust analysis of metabolic pathways (RAMP), intends to mend the parametric instability in FBA by inherently modeling uncertainty in the biomass composition. RAMP rivals FBA in its computational predictions and possesses desirable mathematical properties. Over the last years, additional extensions to the FBA paradigm have introduced mass constraints on the amount of metabolic enzyme available to the cell. These extensions rely on enzyme kinetic parameters that are fraught with experimental and biological uncertainty. Herein we present Robust Analysis of Metabolic Pathways under Enzymatic Regulation (RAMPER); an extension and further development of RAMP that incorporates enzyme kinetic constraints. We discuss novel stochastic interpretations of the method, introduce separate yet equivalent method formulations, and prove that RAMPER inherits RAMP’s most essential mathematical properties. We then implement the method computationally, allowing varying degrees of parametric uncertainty and the noncompulsory inclusion of enzyme kinetic constraints. We furthermore evaluate the computational speed of the implementation under distinct modeling assumptions. Moreover, by investigating kinetic data extracted from a comprehensive enzyme repository, we formulate a provisional model for kinetic parameter uncertainty. Thereafter, we analyze the impact of enzyme kinetic uncertainty on modeling predictions and subsequently demonstrate that RAMPER recognizes enzyme characteristics beyond the reach of earlier methods. We thereby argue that the RAMP formalism, in similar fashion to FBA, is an extensible and resourceful framework for constraint-based metabolic network analysis.