Ribosome as part of an biological cell constructing messenger rna molecule - 3d illustration
Il metabolismo racchiude in sé tutte le reazioni chimiche necessarie per il mantenimento dell’organismo. Tramite le reti metaboliche, si ha un quadro più completo di tale studio, ma negli ultimi decenni, con l’avvento di nuove tecnologie, le reti si sono evolute in GEMs.
Il termine “metabolismo”, dal greco μεταβολή, significa “cambiamento” ed il modo migliore per rappresentare il metabolismo cellulare è tramite l’ausilio di un grafo, un oggetto matematico che permette la modellazione visuale di una mole di variabili o processi.
Un grafo è rappresentato da due elementi fondamentali: i nodi che rappresentano le entità da modellare (geni, metaboliti, etc..) ed i nodi ciò le interazioni tra le entità. A livello biologico, la questione si complica perché bisogna considerare il numero elevato di specie e di interazioni tra esse. Per tale motivo, tramite i modelli, si cerca di estrarre dati per ricavarne informazioni utili. Le reti metaboliche rappresentano i pathway di trasformazione di specifiche molecole, lo scopo del loro utilizzo è il delineare i flussi di informazione, come la produzione o il consumo di energia, di uno specifico composto, all’interno del contesto cellulare analizzato.
Fin dagli albori, le reti metaboliche erano una rassegna di tutte le reazioni, note per avere implicazioni con un particolare aspetto cellulare esaminato. Negli anni, con l’avvento delle scienze omiche e con il sequenziamento di nuova generazione, hanno subito un’evoluzione portando alla scoperta delle Genome-Scale Metabolic Networks (GEMs). I campi di applicazione in cui vengono incluse sono cresciuti in maniera esponenziale a partire dal 1999, anno della creazione della prima GEM, con lo scopo, non solo di investigare il metabolismo cellulare, ma anche di essere adoperati in campi differenti come la medicina dei tessuti o il target di farmaci nei patogeni.
La costruzione di una GEM può essere di natura manuale, automatica o semi-automatica, senza o con l’ausilio di algoritmi di Machine Learning o Deep Learning in grado di estrarre le informazioni necessarie, partendo da dati sperimentali, informazioni reperibili tramite database (KEGG, MetaCyc, BioCyc, Brenda, Virtual Metabolic Human, etc.) o dalla letteratura.
A volte dopo la ricostruzione di una GEM, vi è la Cura Manuale della stessa che permette di verificare che la rete sia completa e non ridondante, tale fase si suddivide in una fase di test e validazione della rete proposta. Infine, la rete validata è utilizzata per lo studio del metabolismo, sotto differenti condizioni sperimentali, come la risposta dell’organismo ad uno specifico mezzo di coltura.
Per comprendere e studiare una GEM, essa viene analizzata tramite la sua rappresentazione in silico, venendo convertita in una matrice definita matrice stechiometrica (S), la quale ha dimensione “n×m, dove n sono le colonne, rappresentanti le reazioni metaboliche che coinvolgono determinate specie ed m le righe ognuna delle quali rappresenta una singola specie della rete. I valori nella matrice sono i coefficienti stechiometrici, ai quali viene assegnato un numero positivo in corrispondenza delle reazioni che consumano la specie, ed un segno negativo, in corrispondenza delle reazioni che la consumano.
Oltre a tale matrice, vi è riportata una seconda matrice Gene-Reaction (GR) matrix, che rappresenta la relazione di associazione gene-reazione. GEMs dei principali organismi, come batteri o lieviti, vengono aggiornati costantemente di seguito alla scoperta di nuove informazioni biologiche, in modo particolare vengono introdotte informazioni relative alle associazioni Gene-Proteina-Reazione (GPR).
Le GEMs hanno differenti campi di applicazione, sia livello biologico, come lo studio di condizioni patologiche o disordini metabolici e sia a livello computazionale, ad esempio per la predizione di flussi metabolici per un intero set di reazioni metaboliche. Di seguito verranno illustrati alcuni dei principali campi di applicazione di tali reti.
Una delle prime GEM umana è stata ricostruita nel 2007, da quel momento le GEMs hanno seguito un percorso di evoluzione per generare GEMs maggiormente dettagliate, come le Recon. Il capostipite di tale sviluppo fu Recon2, la quale comprende 7440 reazioni di cui 4821 associate ai rispettivi geni (2140) e metaboliti (2499).
I compartimenti analizzati sono sette, tra i quali vi è il citosol, i mitocondri, il perossisoma, l’apparato di Golgi, il reticolo endoplasmatico, il nucleo ed il lisosoma. Con l’aggiornarsi e la scoperta di nuove informazioni, si è arrivati alla creazione dell’ultima GEM: Recon3D, tale rete include 10600 reazioni di cui 5938 associate a 2248 geni e 2797 metaboliti unici, inoltre ha gli stessi compartimenti di Recon2 ma con l’aggiunta del compartimento dello spazio inter-membrana dei mitocondri.
Recon3D, oltre le informazioni riguardo le reazioni, fornisce dati tridimensionali sul metabolita e sulla struttura delle proteine, permettendone analisi specifiche e mirate per la comprensione del metabolismo umano. Recon3D, oltre le informazioni metaboliche, contiene informazioni sui pathway di azioni di specifici farmaci, reazioni di trasporto, verso l’interno e l’esterno della cellula, di assorbimento e di metabolismo dei compositi alimentali ed anche le reazioni legate alle vie metaboliche di lipoproteine, acidi biliari e sfingolipidi.
Tra gli sviluppi futuri in grado di permette la realizzazione di GEMs sempre più performanti, vi è la realizzazione di una routine, in grado di velocizzare e ottimizzare le fasi di ricostruzione e cura della rete, attingendo da svariate fonti di informazioni reperibili in rete, dai dati sperimentali di genomica, proteomica e metabolomica, ma anche da reti già realizzate e validate. In conclusione, le GEMs, rappresentano ad oggi un preziosissimo strumento di analisi dei processi metabolici, estendibile ad un’ampia gamma di organismi, in continua evoluzione e perfezionamento e facilmente applicabili in clinica ed in biologia, ma anche e soprattutto in campo medico e industriale.
A cura di Valentina Maria Barberio
