Developing methods for the context-specific reconstruction of metabolic models of cancer cells

Abstract

The recent advances in genome sequencing technologies and other high-throughput methodologies allowed the identification and quantification of individual cell components. These efforts led to the development of genome-scale metabolic models (GSMMs), not only for humans but also for several other organisms. These models have been used to predict cellular metabolic phenotypes under a variety of physiological conditions and contexts, proving to be useful in tasks such as drug discovery, biomarker identification and interactions between hosts and pathogens. Therefore, these models provide a useful tool for targeting diseases such as cancer, Alzheimer or tuberculosis. However, the usefulness of GSSMs is highly dependent on their capabilities to predict phenotypes in the array of different cell types that compose the human body, making the development of tissue/context-specific models mandatory. To address this issue, several methods have been proposed to integrate omics data, such as transcriptomics or proteomics, to improve the phenotype prediction abilities of GSSMs. Despite these efforts, these methods still have some limitations. In most cases, their usage is locked behind commercially licensed software platforms, or not available in a user-friendly fashion, thus restricting their use to users with programming or command-line knowledge. In this work, an open-source tool was developed for the reconstruction of tissue/context-specific models based on a generic template GSMM and the integration of omics data. The Tissue-Specific Model Reconstruction (TSM-Rec) tool was developed under the Python programming language and features the FASTCORE algorithm for the reconstruction of tissue/context-specific metabolic models. Its functionalities include the loading of omics data from a variety of omics databases, a set of filtering and transformation methods to adjust the data for integration with a template metabolic model, and finally the reconstruction of tissue/context-specific metabolic models. To evaluate the functionality of the developed tool, a cancer related case-study was carried. Using omics data from 314 glioma patients, the TSM-Rec tool was used to reconstruct metabolic models of different grade gliomas. A total of three models were generated, corresponding to grade II, III and IV gliomas. These models were analysed regarding their differences and similarities in reactions and pathways. This comparison highlighted biological processes common to all glioma grades, and pathways that are more prominent in each glioma model. The results show that the tool developed during this work can be useful for the reconstruction of cancer metabolic models, in a search for insights into cancer metabolism and possible approaches towards drug-target discovery.

Os avanços recentes nas tecnologias de sequenciação de genomas e noutras metodologias experimentais de alto rendimento permitiram a identificação e quantificação dos diversos componentes celulares. Estes esforços levaram ao desenvolvimento de Modelos Metabólicos à Escala Genómica (MMEG) não só de humanos, mas também de diversos organismos. Estes modelos têm sido utilizados para a previsão de fenótipos metabólicos sob uma variedade de contextos e condições fisiológicas, mostrando a sua utilidade em áreas como a descoberta de fármacos, a identificação de biomarcadores ou interações entre hóspede e patógeno. Desta forma, estes modelos revelam-se ferramentas úteis para o estudo de doenças como o cancro, Alzheimer ou a tuberculose. Contudo, a utilidade dos MMEG está altamente dependente das suas capacidades de previsão de fenótipos nos diversostipos celulares que compõem o corpo humano, tornando o desenvolvimento de modelos específicos de tecidos uma tarefa obrigatória. Para resolver este problema, vários métodos têm proposto a integração de dados ómicos como os de transcriptómica ou proteómica para melhorar as capacidades preditivas dos MMEG. Apesar disso, estes métodos ainda sofrem de algumas limitações. Na maioria dos casos o seu uso está confinado a plataformas ou softwares com licenças comerciais, ou não está disponível numa ferramenta de fácil uso, limitando a sua utilização a utilizadores com conhecimentos de programação ou de linha de comandos. Neste trabalho, foi desenvolvida uma ferramenta de acesso livre para a reconstrução de modelos metabólicos específicos para tecidos tendo por base um MMEG genérico e a integração de dados ómicos. A ferramenta TSM-Rec (Tissue-Specific Model Reconstruction), foi desenvolvida na linguagem de programação Python e recorre ao algoritmo FASTCORE para efetuar a reconstrução de modelos metabólicos específicos. As suas funcionalidades permitem a leitura de dados ómicos de diversas bases de dados ómicas, a filtragem e transformação dos mesmos para permitir a sua integração com um modelo metabólico genérico e por fim, a reconstrução de modelos metabólicos específicos. De forma a avaliar o funcionamento da ferramenta desenvolvida, esta foi aplicada num caso de estudo de cancro. Recorrendo a dados ómicos de 314 pacientes com glioma, usou-se a ferramenta TSM-Rec para a reconstrução de modelos metabólicos de gliomas de diferentes graus. No total, foram desenvolvidos três modelos correspondentes a gliomas de grau II, grau III e grau IV. Estes modelos foram analisados no sentido de perceber as diferenças e as similaridades entre as reações e as vias metabólicas envolvidas em cada um dos modelos. Esta comparação permitiu isolar processos biológicos comuns a todos os graus de glioma, assim como vias metabólicas que se destacam em cada um dos graus. Os resultados obtidos demonstram que a ferramenta desenvolvida pode ser útil para a reconstrução de modelos metabólicos de cancro, na procura de um melhor conhecimento do metabolismo do cancro e possíveis abordagens para a descoberta de fármacos.