Exploring the metabolic space of the genus Pseudomonas through genome-scale, constraint-based modelling
The genus Pseudomonas is a versatile group of bacteria of high biological relevance. The species of Pseudomonas aeruginosa and Pseudomonas putida are two representatives of this genus and both extremely high biological interest, albeit for different reasons. P. aeruginosa is an opportunistic human pathogen, whereas P. putida is a non-pathogenic bacterium renowned, among others, for its vast potential for environmental and industrial applications. To elucidate the metabolic wiring of both bacteria, to compare their metabolic spaces, as well as to devise possible intervention strategies that could either counteract the pathogenicity of P. aeruginosa or to improve biocatalytic properties of P. putida, metabolic reconstructions of P. aeruginosa PAO1 and P. putida KT2440 were created using the framework of constraint-based modeling. Network reconstruction and Flux Balance Analysis (FBA) enabled to define the structure of the metabolic network, to identify knowledge gaps and to pinpoint essential metabolic functions. FBA and Flux Variability Analysis were used to analyze the properties, potential and limits of the models. These analyses enabled to identify key features of the metabolism such as growth yield, resource distribution, network robustness, and gene essentiality. The models were validated against multiple sets of experimental data. These included continuous cell cultures, high-throughput phenotyping, 13C-measurement of internal flux distributions, and genome-wide gene-essentiality assays. Finally, a new computational method was developed to direct product optimization of compounds of which the production is not coupled to the reactions needed for survival of the cell, which was applied to polyhydroxyalkanoate production in P. putida. The solidly validated models yield valuable insights into genotype-phenotype relationships and provide a sound framework to explore these interesting bacteria, to compare their metabolic spaces and thus identify factors that determine such different properties.
Die Gattung Pseudomonas ist eine vielfältige Gruppe von Bakterien von großer biologischer Bedeutung. Pseudomonas aeruginosa und Pseudomonas putida sind zwei aus unterschiedlichen Gründen sehr interessante Vertreter dieser Gattung. P. aeruginosa ist ein opportunistischer menschlicher Erreger,dahingegen ist P. putida ein nicht pathogenes großes industrielles Potential besitzendes Bakterium. Um sowohl das Verbindungsnetzwerk innerhalb des Stoffwechsels der beiden Bakterien aufzuklären als auch mögliche Eingriffe herauszufinden, die entweder gegen die Pathogenität der P. aeruginosa wirken oder zur Verbesserung der biokatalytischen Merkmale der P. putida führen, wurden mittels Constraint-basierter Modellierung die Stoffwechselwege von P. aeruginosa PAO1 und P. putida KT2440 computergestützt rekonstruiert. Zusammen mit einer Flussbilanzanalyse (FBA) ermöglichten diesen Rekonstruktionen, unter anderen, die Ermittlung der Struktur der Stoffwechselwege der Bakterienund die Bestimmung der wesentlichen metabolischen Aufgaben. FBA und Flussvariabilitätanalyse wurden verwendet, um Eigenschaften, Leistungsvermögen und Beschränkungen der Modelle zu analysieren. Die Modelle wurden gegen verschiedene Typen von experimentellen Daten validiert, wie zum Beispiel kontinuierlichen Zellkulturen, Hochdurchsatz-Phänotypisierung, 13C-basierten Messungen von inneren Flussverteilungen, und Genomweite Genunentbehrlichkeitsuntersuchung. Schließlich wurde eine neue computergestützte Methode entwickelt, die Produktionsoptimierung von chemischen Verbindungen leitet, deren Produktion nicht an der für das Überleben der Zelle wesentlichen Reaktionen gekoppelt ist, und für die Produktion von polyhydroxyalkanoaten in P. putida angewandt. Die solide validierten Modelle erbringen wertvolle Einblicke in die Genotyp-Phänotyp Verhältnisse und bieten einen soliden Rahmen für Erkundung dieser interessanten Bakterien und für einen Vergleich der Spielräume ihrer Stoffwechsel, um damit die Faktoren zu identifiezieren, die unterschiedliche Eigenschaften bestimmen.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved