1. Introduction

2. Exemple de démarche pour l'élaboration de modèles de reconstruction métabolique

3. Formalisme élémentaire décrivant les vitesses des réactions d'un sytème

4. La matrice de stoechiomètrie S

5. Les modèles métabolique sous contraintes

6. Vérification de la robustesse des modèles

7. Les méthodes d'analyse des modèles

8. Exemples d'études

9. La base de données de modèles : "Biomodels" - EBI

10. Liens Internet et références bibliographiques

1. Introduction

De plus en plus de génomes d'organismes sont séquencés ou en cours de séquençage.

Voir les bases de données suivantes :

• "Genomes OnLine Database" - GOLD
• NCBI - Genome sequencing projects statistics
• Plant Genomes Central
• "Phytozome" a tool for green plant comparative genomics.

Les modèles du métabolisme à l'échelle d'un génome établissent le pont entre les informations issues du séquençage de ce génome (et des analyses subséquentes de ce génome), les données biochimiques et les phénotypes lié à ce métabolisme.

Cette démarche de métabolomique est récente car elle est la conséquence logique de tous les domaines antérieurs en "omic".

Ainsi, la métabolomique intègre l'ensemble des données issues :

• du séquençage des génomes et détermination de leur structure (génomique structurale)
• de l'expression spatio-temporelle des gènes (génomique fonctionnelle)
• du taux spatio-temporel réel des ARN messagers (transcriptomique)
• du taux spatio-temporel réel de protéines (protéomique)
• des bases de données de voies métaboliques : KEGG pathways, KEGG genes & proteins, BioCyc (EcoCyc, MetaCyc, AraCyc, YeastCyc, ...)
• des bases de données généralistes (recueil d'informations) sur les gènes, les ARN messagers, les protéines, les métabolites et autres (NCBI, EBI, Uniprot, TransportDB , ...)
• des bases de données sur les enzymes : réactions catalysées, paramètres cinétiques, substrats, produits, co-facteurs, effecteurs et autres (Brenda, Enzyme , ...)
• des bases de données d'annotation des gènes et des protéines : Gene Ontology, KAAS (KEGG Automatic Annotation Server), DAVID , ...
• des bases de données de la littérature scientifique :NCBI PubMed, ...
• des données biochimiques accumulées depuis des décennies : décryptage des voies métaboliques, données thermodynamique (en particulier ΔG' des réactions), concentration des métabolites, vitesse des réactions enzymatiques, paramètres cinétiques des enzymes ...

Cette démarche de "métabolomique" nécessite donc de compulser ("data mining") une quantité colossale de données et, bien souvent, de les "nettoyer" (les "curer").

Ce travail méticuleux, extrêmement gourmand en temps est laborieux et systématique.

Les nouvelles données attendues sont une "sur-information" déduite d'un ensemble d'information de base.

• données concernant les possibilités métaboliques d'une cellule (ou d'un organisme) à s'adapter / évoluer dans tel environnement : un lien est alors établi entre le génome, le métabolisme et le phénotype

• précision concernant l'histoire évolutive d'une cellule (ou d'un organisme)

• confirmation ou infirmation du rôle majeur de telle réaction dans la régulation du flux de telle voie métabolique

• confirmation ou infirmation des corrélations établies entre gènes, enzyme et réactions catalysées

• mise en évidence de "maillons métaboliques manquants": enzymes ou métabolites qui n'auraient pas été identifiés mais dont l'existence s'impose sur la base du bon fonctionnement des modèles

• comparaison de métabolisme intra- et inter-espèces : cette partie est la plus difficile car il faut avoir des modèles reconstruits pour les espèces comparées et ces modèles doivent être construits avec les mêmes nomenclatures, formalismes et structures de fichiers

• enfin et non des moindres : modification et améliorations d'espèces par ingénièrie ("knockout", surexpression de gènes par "familles de facteur de transcription", ingénièrie des protéines, insertion de synthèse dans une voie métabolique, modifications de flux métabolique, ...). Par exemple, en mutant la séquence d'un promoteur constitutif, Alper et al. (2005) ont construit une banque de promoteur de différentes forces permettant de moduler la vitesse de transcription d'un même gène au niveau désiré selon le promoteur inséré en amont. Cela permet de contrôler la vitesse de transcription de toutes les enzymes d'une voie métabolique afin d'en optimiser le flux.

• Voir : Durot et al. (2009)

Figures ci-dessous, vision globale de la démarche "métabolomique" :

• reconstruction métabolique
• modèle métabolique à l'échelle du génome
• analyse bioinformatique du modèle

La démarche est itérative : la comparaison avec la réalité biologique permet d'ahjuster le modèle et de le re-confronter aux données réelles et ainsi de suite, afin de l'améliorer.

Acronyme "GENRE" : reconstruction métabolique à l'échelle d'un génome.

Source : Oberhardt et al. (2009)

Cette démarche de "métabolomique" s'appuyant massivement sur des méthodes bioinformatiques, elle est trés largement prédictive. Mais elle permet d'orienter de futures expériences dans des voies prometteuses et épargne un temps précieux de recherche au hasard.

Bien évidemment, il existe une étape clé: la confrontation de ces modèles avec la réalité biologique. Cette étape est d'autant plus importante que les modèles peuvent être modifié, améliorés comme tout système d'apprentissage.

Remarques :

• beaucoup de termes anglo-saxon n'ont pas une traduction "évidente" et claire
• il y un emploi important d'acronymes
• de nouveaux mots en "omic" font leur apparition, sans qu'ils aient un sens réel tant que les domaines afférant n'ont pas été pleinement développés ("métabolomique", "fluxomique" (étude de l'ensemble des flux métaboliques), "réactomique" et pourquoi pas ... "cellulomique").

La figure ci-contre montre le nombre croissant de reconstruction métabolique à l'échelle d'un génome.

Escherichia coli est l'organisme le plus étudié pour l'instant.

Source : Oberhardt et al. (2009) "Applications of genome-scale metabolic reconstructions" Mol. Syst. Biol. 5, 320

2. Exemples de démarche pour l'élaboration de modèles de reconstruction métabolique

Le premier pas est d'identifier l'ensemble des réactions, les métabolites impliqués et leur stoechiomètrie et les enzymes qui catalysent ces réactions.

Les annotations fonctionnelles disséminées dans les bases de données doivent donc être compulsées, triées et les plus complètes possibles afin d'être traduites en un ensemble de réactions détaillées.

La classification de "Enzyme Commission" (EC) fournit un système non ambigu d'association entre enzymes et réactions catalysées.

Enzyme : base de données de nomenclature des enzymes avec les N° EC associés.

Figure ci-contre, la démarche générale pour un travail de reconstruction métabolique à l'échelle d'un génome.

"gap-analysis" :

Source : Oberhardt et al. (2008)

Exemples d'outils pour la reconstruction

Source : Pitkänen et al. (2010)

• Enzyme : base de données de nomenclature des enzymes avec les N° EC associés
• Brenda : base de données d'enzymes
• ERGO : "Comparative analysis of genomes and generation of sophisticated metabolic and cellular reconstructions"
• metaTIGER : base de données de voies métaboliques et d'informations phylogénomiques pour un trés grand nombre d'eucaryotes.
• MetaRoute : "web interface for interactive navigation through genome-scale networks and local network visualization"
• Pubchem : base de données de métabolites
• IntAct : base de données d'interactions entre protéines
• YMDB : "The Yeast Metabolome Database"

3. Formalisme élémentaire décrivant les vitesses des réactions d'un sytème

• V est le vecteur des vitesses

• S est la matrice des coefficients stoechiomètriques

• v est le vecteur des lois de réactions

Qui s'écrit dans le cas du système des 2 réactions R1 et R2 :

4. La matrice de stoechiomètrie S ("S-matrix" / "stoichiometric matrix")

Elle permet d'établir une relation linéaire, donc mathématiquement simple, entre :

• la vitesse de flux ("flux rate" ) des réactions enzymatiques
• et la variation de la concentration des substrats (réactants) en fonction du temps

Par convention :

• les lignes de la matrice correspondent aux métabolites (réactants) impliqués dans chacune des réactions : 1 ligne pour chaque métabolite
• les colonnes correspondent aux réactions du système : 1 colonne pour chaque réaction
• les coefficients stoechiomètriques sont négatifs s'il s'agit du substrat (puisque consommé)

Source : Durot et al. (2009)

5. Les modèles métaboliques sous contraintes

Le formalisme des vitesses des réactions enzymatiques peut-être une expression complexe de [la concentration des métabolites x constantes de vitesse des réactions].

De plus ces vitesses sont en permanence modulées par les processus de régulation :

• de l'expression des gènes
• de la traduction en enzymes mais aussi en molécules effectrices de l'activité de ces enzymes
• du métabolisme
• du transport des métabolites

Décrire par le détail les équations qui traduiraient ces deux parties (cinétique enzymatique et processus de régulation) est une gageure tant sur le plan mathématique que sur le nombre de données requises. Et ce d'autant que l'on a aucune certitude de disposer de manière exhaustive de ces données ni même de jamais pouvoir les obtenir.

Pour s'en convaincre, il suffit de regarder ce que l'on connait du métabolisme de base. On mesure la complexité inouie des modèles qu'il faudrait développer.

En pratique, à ce jour, on restreint donc la modélisation cinétique des réseaux métaboliques d'une "cellule entière" à des modèles plus "petits" qui incluent des centaines (voire des miliers) de réactions (d'enzymes) et de métabolites, associés à autant de gènes.

Voir une simulation du réseau d'interactions de la glycolyse, de la néoglucogénèse et du cycle de Krebs.

On peut modifier différents paramètres de manière interactive.

Ainsi, les modèle du métabolisme sous contraintes contournent ces limitations en focalisant sur la moyenne des vitesses des réactions qu'atteint la croissance cellulaire dans un environnement stable - stationnaire ou évoluant trés lentement.

La notion d'état stationnaire est capitale.

Cette approximation est justifiée en regard de la différence d'échelles de temps sont trés différentes :

• macroscopiquement, le temps nécessaire à l'ensemble du métabolisme d'une cellule pour se stabiliser est supérieur à la minute et comparable au temps nécessaire pour l'internalisation de support nutritif et d'excrétion de déchets.
• en revanche, microscopiquement, le temps nécessaire à une réaction enzymatique pour atteindre l'état stationnaire est de loin inférieur à la minute.
• de plus, puisque les changements environnementaux et les variations de concentrations en enzymes s'échelonnent eux-aussi sur des échelles de temps longues, il n'est pas nécessaire de prendre en compte les aspects liés aux processus de régulation dans ce type de modèle.

En d'autres termes : la vitesse de renouvellement des métabolites étant trés élevée chez les bactéries à l'échelle de temps considéré (la minute), on peut considérer que leur concentration a atteint l'état stationnaire et qu'elle est alors constante tant qu'il n'y a pas de variation de l'environnement.

En conséquence, pour simplifier les modèles, on s'appuie sur le fait que l'état métabolique d'une cellule et sa variation dans le temps peuvent être décrits par la concentration des métabolites et la vitesse des réactions.

Ces quantités sont liées par la loi de la conservation de la matière : la vitesse de production nette d'un métabolite est égale à la somme des vitesses des réactions qui le consomment et des vitesses des réactions qui le produisent, pondérées par les coefficients stoechiomètriques associés à chaque réaction.

Cette loi contraint la consommation et la production à être équilibrée ( le terme anglo-saxon est "balanced") : c'est ce que l'on appelle l'hypothèse du quasi-équilibre.

La contrainte sur les vitesses de réaction s'apelle la contrainte d'équilibre des masses ou contrainte stoechiométrique des masses ("mass balance constraint").

Ainsi, pour chaque métabolite d'un tel système "équilibré", on peut écrire une expression mathématique simple de la contrainte d'équilibre des masses linéaire qui met en jeu la vitesse des réactions :

Remarque : le formalisme mathématique global des modèles est beaucoup plus complexe.

Ci-dessous, un schéma qui décrit un modèle, la matrice de coefficients stoechiomètriques et des prédictions dans le cas de 2 types de contrainte :

• l'une appliquée à une modification intra-cellulaire via la délétion de gènes qui se traduit par l'absence d'enzymes catalysant des réactions du système

• l'autre, extra-cellulaire, via l'absence d'un nutriement externe

Source : Génoscope

Les vitesses de réactions sont représentées par de simples nombres : les flux de réactions qui sont normalisés par le poids des cellules.

L'unité des flux de réactions est donc : mmol.h-¹.g-¹ de matière sèche (en anglais : "mmol.h^-1.g^-1 dry weight" ou "mmol.h^-1.g^-1 DW").

Besoins cellulaires en ATP hors croissance ("Non-growth associated ATP maintenance requirement / NGAM")

C'est la quantité d'ATP dont a besoin toute cellule même quand il n'y a pas de croissance.

Il s'agit donc de l'énergie consommée pour tous processus autres que la la formation de nouveau matériel cellulaire.

Dans l'étude ci-contre, les auteurs ont maximisé le renouvellement en ATP sous une contrainte d'absorption du glucose d e1 mmol.h^-1.g^-1de matière sèche, et ainsi la quantité d'ATP nécessaire a été évaluée à : Qmax = 21.5 mol ATP.mol^-1 glucose.

Sur la base de cette valeur et du point d'intersection avec l'axe des ordonnées (0.105 mmol glucose.h^-1.g^-1de matière sèche), les auteurs ont calculé un NGAM # 2.26 mmol ATP.h^-1.g^-1de matière sèche.

Source : Chung et al. (2010)

6. Vérification de la robustesse des modèles et amélioration

a. Les difficultés pour modéliser pleinement le métabolisme (liste non-exhaustive) :

1. famille multigénique codant une même enzyme
2. différents transcrits à partir d'un même gène / des adressages (peptides signaux) compartimentaux distincts / d'éventuelles modifications post traductionnelles
3. plusieurs isoformes d'une même enzyme
4. structure IV d'une enzyme (cas de plusieurs sous-unités différentes)
5. les complexes multienzymatiques
6. les concentrations réelles d'enzymes et/ou de métabolites (Bennett et al., 2009)
7. les concentrations limitantes d'enzymes et/ou de métabolites
8. les réactions réversibles (au voisinage de l'équilibre) et les réactions irréversibles (ΔG' << 0)
9. la trés large gamme des concentrations intracellulaires qui s'échelonnent du pM au mM
10. la compartimentation cellulaire qui peut séparer un substrat de l'enzyme qui agit dessus : faute de transporteur, la réction ne peut avoir lieu
11. la modulation de l'activité enzymatique : fixation coopérative, régulation allostérique - fixation d'effecteurs (inhibiteurs ou activateurs - effets homotropes ou hétérotropes)
12. les paramètres physico-chimiques : température, pH, force ionique, co-facteurs ...
13. la spécificité large de classes de substrats pour certaines enzymes (exemple : les alcool déshydrogénases - EC 1.1.1.1) ou les enzymes qui agissent sur des acides gras de longueur ou de degré de saturation variables
14. les enzyme qui agissent sur différents substrats avec des K_M trés différents
15. la connectivité des métabolites qui reflète leur fréquence d'utilisation dans diverses réactions (et donc leur interaction avec d'autres métabolites)
16. métabolites non encore connus : exemple de la découverte tardive du fructose 2,6-bisphosphate, modulateur clé de la régulation de la glycolyse et de la néoglucogénèse
17. ...

b. Le cas des réactions et des enzymes manquantes (connues et/ou non connues)

• L'équilibre des masses peut être vérifié sur la base des compositions chimiques des métabolites (base de données spécifiques telle que Pubchem).

• Il ne peut y avoir de métabolites associé à un coefficient stoechiomètrique nul ou négatif. L'exemple ci-dessous est incohérent ("inconsistent") puisque le coefficient associé à C doit être nul.

• Les modèles peuvent être irréalistes sur le plan thermodynamique. Il faut alors "rendre réversible" une réaction qui est irréversible. Cette correction est complexe car il faut compulser des données qui n'existent pas forcément (voire calculer des valeurs de ΔG') et la vérification est trés coûteuse en temps de calcul.

• Les métabolites jamais consommés ou produits ("dead-ends metabolites") sont des révélateurs trés utiles pour mettre en évidence des réactions (métabolites et/ou enzymes) qui manquent : une réaction qui manquerait dans une voie linéaire annulerait le flux. Or, pour que le modèle soit fonctionnel, il ne doit pas y avoir de flux non-nul prédit.

Gevorgyan et al. (2008) "Detection of stoichiometric inconsistencies in biomolecular models" Bioinformatics 24, 2245 - 2251

c. Schéma general du processus itératif de vérification et d'amélioration d'un modèle de reconstruction.

Un modèle initial est reconstruit à partir d'annotations de génomes, de données biochimiques et physiologiques, disséminées dans diverses bases de données (généralistes ou spécialisées).

Le modèle qui en résulte est alors corrigé et affiné de manière itérative :

• sur la base de critères de consistance interne
• en comparant les prédictions du modèle et les données expérimentales

La reconstruction que la vérification d'un modèle métabolique est donc un travail colossal en terme de données à compulser, trier ("data mining"), voire à corriger ("curation"). C'est un travail extrêmement long.

Source : Durot et al. (2009)

d. Exemple d'un cycle de reconstruction itérative d'un modèle

Figure ci-dessous : détail d'un cycle de reconstruction d'un sous-ensemble de réactions à partir d'un réseau (ensemble coordonnée de réactions) existant.

1. Un modèle est construit qui tient compte de l'entrée et de la sortie de nutriments ("Exc i") avec une synthèse globale de matériel biologique ("Biomass"). On constate qu'aucune réaction n'est privilégiée.

2. Une matrice de coefficients stoechiomètriques (voir ci-dessus) est construite.

3. Les vitesses de chacune des réactions de ce système sont calculées à partir de cette matrice et des équations de vitesse de chaque réaction.

4. Ce modèle est appliqué au système biologique soumis à une condition expérimentale particulière (ici, inactivation d'une réaction - R7 - et absence d'un nutriement - F).

5. Les points de convergence et les différences entre le modèle théorique et celui qui correspond à la réalité biologique permettent de re-construire le modèle théorique selon le même principe afin de le re-confronter à celui qui décrit la condition expérimentale.

Source : Durot et al. (2009)

Voir en particulier : "Table 4 : Existing genome-scale metabolic models for bacterial organisms"

Ce processus itératif permet d'améliorer le modèle théorique afin qu'il traduise le mieux possible la réalité biologique et puisse être extrapolé à d'autres conditions.

Exemples d'outils bioinformatiques pour la vérification de modèles :

• Barua et al.(2010) "An Automated Phenotype-Driven Approach (GeneForce) for Refining Metabolic and Regulatory Models" PLoS Comput Biol 6, e1000970
• Jenkinson et al. (2010) "Thermodynamically consistent Bayesian analysis of closed biochemical reaction systems" BMC Bioinformatics 11, 547

7. Les méthodes d'analyse des modèles

a. Descriptions de quelques théories et concepts

Article : Bennett et al. (2009) "Absolute Metabolite Concentrations and Implied Enzyme Active Site Occupancy in Escherichia coli" Nat. Chem. Biol. 8, 593 - 599

• Metabolomic Flux Analysis (MFA)
• Thermodynamics-Based Metabolomic Flux Analysis (TMFA)
• Network-embedded thermodynamic analysis (NET)

Ces théories permettent d'établir un lien entre la concentration des métabolites et la direction du flux métabolique.

En effet, le sens de n'importe quelle réaction du métabolisme est dictée par la variation d'énergie libre de Gibbs (ΔG'_réaction) qui lui est associée.

Or celle-ci dépend exclusivement des concentrations intracellulaires (physiologiques / [X]_φ) des métabolites impliqués dans cette réaction. Les concentrations [X]_éq sont celles qui décrivent le système quand l'équilibre est atteint dans les conditions standards.

L'une des techniques les plus performantes pour mesurer les concentrations d'un trés grand nombre de métabolites est la spectromètrie de masse (par exemple : "liquid chromatography-tandem mass spectrometry"), combinée au marquage par des radioéléments.

Source figure : Kell DB (2004) "Metabolomics and systems biology: making sense of the soup" Curr. Opin. Microbiol. 7, 296 - 307

Article : Henry et al. (2007) "Thermodynamics-based metabolic flux analysis" Biophys. J. 92, 1792 - 1805

TMFA et rapports des concentrations ATP/ADP, NAD(P)/NAD(P)H, H⁺_{extracellulaire}/H⁺_{intracellulaire}.

b. L'analyse de la balance des flux ("Flux balance analysis - FBA")

Cette approche ne nécessite pas de connaitre la concentration des métabolites ni le détail des cinétiques enzymatiques du système.

L'hypothèse est que le système étudié est homéostatique. Le question à résoudre dés lors s'énonce de la manière suivante : compte-tenu de nutriements disponibles, quel ensemble de flux métaboliques maximise la vitesse de croissance de l'organisme tout en préservant la concentration intracellulaire des métabolites ?

c. Autres méthodes d'analyse

• Price et al. (2003) : "Singular Value Decomposition (SVD) of extreme pathways"
• "Elementary mode of extreme pathways" (proche de la méthode SVD) : c'est le plus petit sous-réseau métabolique d'un réseau donné qui de fonctionner à l'état stationnaire.
• Larhlimi & Bockmayr (2008) : "Minimal metabolic behaviors for the analysis of metabolic networks"
• Lee JM et al. (2008) : "integrated dynamic Flux Balance Analysis" (idFBA)
• Yizhak et al. (2010) : "Integrative omics-metabolic analysis method" (IOMA)

8. Exemples d'études

Figure ci-contre, la procédure suivie pour la reconstruction métabolique de Pichia pastoris.

Voir les données statistiques des éléments du modèle final.

Source : Chung et al. (2010)

Liens vers les bases de données mentionnées dans cette figure.

• NCBI
• NCBI BLAST
• ERGO
• KEGG pathways
• MetaCyc
• ExPASy
• NCBI PubMed
• Brenda

Etude du contrôle du métabolisme glucidique lié aux diabètes de type 2

Figure ci-contre : schéma synoptique de la méthode d'identification de métabolites rapporteurs et des motifs de séquences régulatrices associées.

Source : Zelezniak et al. (2010) "Metabolic Network Topology Reveals Transcriptional Regulatory Signatures of Type 2 Diabetes" PLOS Comput. Biol.

A) Système de score pour l'identification de métabolites rapporteurs, basé sur les scores des réactions enzymatiques associées.

Pour chaque enzyme, un score est aussi calculé sur la base de la "p-value" de la séquence nucléotidique du gène correspondant.

Dans le cas de réactions catalysées par un complexe enzymatique ou un ensemble d'isoformes d'une même enzyme, la valeur minimale de la "p-value" de ces enzymes est retenue.

• chiffres en gras : "Z-score" pour chaque réaction
• autres chiffres : "p-value"

B) Identification des motif de fixation des facteurs de transcription. Pour un métabolite rapporteur, un ensemble de gènes homologues codant des enzymes qui sont sur- ou sous-exprimés est sélectionné.

Les régions promotrices et les motifs situés en amont des sites de démarrage de la transcription ("transcription start site - TSS") de chaque gène sélectionné sont annotés selon leur teneur en motifs de fixation des facteurs de transcription ("TF").

Figure ci-contre : signatures métabolique et régulatrice des diabètes de type 2.

Source : Zelezniak et al. (2010)

Les métabolites rapporteurs appartenant aux voies clés de la régulation des diabètes de type 2 sont écrits en gras.

• flèches et encarts en gris : hypothèses ou résultats antérieurs à l'étude de Zelezniak et al.
• lignes pleines : effets directs
• lignes pointillées : effets indirects

Une sur-alimentation chronique et un manque d'activité physique augmentent l'entrée d'acides gras, ce qui induit la β-oxidation via l'activation des gènes médiée par le facteur activé de prolifération des peroxysomes (récepteur nucléaire - PPARα/δ - "peroxisome proliferator-activated receptor alpha and delta") sans qu'il y ait une augmentation coordonnée du flux du cycle des acides tricarboxyliques (TCA).

Une conséquence possible est l'accumulation dans les mitochondries de dérivés de métabolites (exemples : acylcarnitines ou molécules réactives dérivées de l'oxygène - "reactive oxygen species - ROS") issus d'une β-oxidation incomplète.

Ces stress pourrait induire une "surcharge mitochondriale" qui, de concert avec des molécules lipidiques de signalisation (exemple : le dyacylglycérol - DAG) enclencheraient une cascade impliquant des (Ser/Thr) protéines kinases, cascade qui serait initiée par une nouvelle protéine kinase nPKCs ("novel protein kinase Cs").

Il en résulte une phosphorylation des sites (Ser/Thr) du substrat 1 du récepteur de l'insuline (IRS-1) qui a pour conséquences :

• l'inhibition de la phosphorylation des sites Tyr de IRS-1
• l'activation de la phosphoinositol 3-kinase (PI 3-kinase)

Ces 2 évènements entravent la translocation du transporteur du glucose de type 4 (GLUT4) ce qui diminue le transport du glucose et donc la synthèse du glycogène.

Une augmentation de l'activité physique ou le jeûne activent la protéine PGC1α (co-activateur 1α du récepteur nucléaire PPARγ) et la protéine CREB ("cAMP response element binding protein"), un activateur puissant de PGC1.

Ces évènements atténuent le effets du stress lipidique en augmentant le flux du TCA et en couplant l'activité induite par la fixation du ligand sur PPARα/δ avec le remodelage médié par PGC1α des voies métaboliques situées en aval telles que la respiration et la β-oxidation.

Légende : CDP-choline, cytidine diphosphate choline; G1P, glucose 1-phosphate; G6P, glucose 6-phosphate; GSK3, glycogen synthase kinase-3; IRE1, inositol requiring kinase-1; LC-CoAs, long-chain acyl CoAs; PA, phosphatidate; PH, pleckstrin homology domain;PI, phospatidylinositol; PIP, phospatidylinositol 4-phospate; PIP2, phosphatidylinositol 4,5-bisphospate, PIP3, phospatidylinositol 3,4,5-trisphospate; PTB, phosphotyrosine binding domain; RXR, retinoid X receptor; SH2, src homology domain; TF, transcription factor; CPT1, carnitine palmitoyltransferase-1; PTDETN, phosphatidylethanolamine.

9. La base de donnée de modèles : "Biomodels" - EBI

Cliquer sur le lien : "Browse models using GO".

• Ouvrir l'arborescence : "GO:0008150 biological_process (260)"
  • Ouvrir l'arborescence : "GO:0023046 signalling process (110)"
    • Ouvrir l'arborescence : "GO:0023051 regulation of signalling process (36)"
      • Ouvrir l'arborescence : "GO:0009966 regulation of signal transduction (36)"
        • Ouvrir l'arborescence : "GO:0008277 regulation of G-protein coupled receptor protein signaling pathway (4)"
          • Ouvrir l'arborescence : "GO:0045745 positive regulation of G-protein coupled receptor protein signaling pathway (1)"
            • Choisir le modèle : BIOMD0000000145 - Wang2007_ATP_induced_Ca_Oscillator

Source : Wang et al. (2007)

a. Quel type de signal ce modèle essaye-t-il de modéliser ?

b. Faire le lien entre les informations contenues dans l'onglet "Math" et le modèle décrit ci-dessus.

c. Dans le menu déroulant "Actions" :

• Choisir : "View Bitmap Recation Graph". Faire le lien entre le modèle obtenu et les informations contenues dans l'onglet"Math".
• Choisir : "View Dynamic Reaction Graph" (Applet java) pour visualiser le réseau d'interactions. Les différentes interactions sont obtenues en cliquant sur les composés du modèle.
• Choisir : "BioModels Online Simulation" pour visualiser la simulation de la cinétique d'évolution du modèle.

d. Quelle information obtient-on dans l'onglet «Physical entities» ?

March 2010, model of the month - C. Hoyer : Borisov et al. (2009) "Systems-level interactions between insulin-EGF networks amplify mitogenic signaling" Mol Syst Biol. 5, 256

Quelques mots clés : "Epidermal growth factor / Insulin / EGF receptors (EGFR) / Insulin receptor / receptor tyrosine kinases"

Cet article illustre le modèle : BIOMD0000000223 - Borisov 2009 EGF Insulin Crosstalk

• GOLD : "Genomes OnLine Database"
• ERGO : "Comparative analysis of genomes and generation of sophisticated metabolic and cellular reconstructions"
• metaTIGER : base de données de voies métaboliques et d'informations phylogénomiques pour un trés grand nombre d'eucaryotes.
• KEGG pathways : base de données de voies métaboliques
• BioCyc : Bases de données voies métaboliques (EcoCyc, MetaCyc, AraCyc, YeastCyc)
• MetaRoute : "web interface for interactive navigation through genome-scale networks and local network visualization"
• BioModels Database : "A Database of Annotated Published Models"
• BiGG : "Repository of reconstructed genome-scale metabolic models"
• The Human metabolome project

Oberhardt et al. (2008) Genome-Scale Metabolic Network Analysis of the Opportunistic Pathogen Pseudomonas aeruginosa PAO1" J Bacteriol. 190, 2790 - 2803

Oberhardt et al. (2009) "Applications of genome-scale metabolic reconstructions" Mol. Syst. Biol. 5, 320

Durot et al. (2009) "Genome-scale models of bacterial metabolism: reconstruction and applications" FEMS Microbiol Rev. 33, 164 - 190

Pitkänen et al. (2010) "Computational methods for metabolic reconstruction" Curr. Opin. Biotech. 21, 70 - 77

Article

Article

Article

Article

Bennett et al. (2009) "Absolute Metabolite Concentrations and Implied Enzyme Active Site Occupancy in Escherichia coli" Nat. Chem. Biol. 8, 593 - 599

Zelezniak et al. (2010) "Metabolic Network Topology Reveals Transcriptional Regulatory Signatures of Type 2 Diabetes" PLOS Comput. Biol. 6, e1000729

Article

Article

Lee JM et al. (2008) "Dynamic Analysis of Integrated Signaling, Metabolic, and Regulatory Networks" PLoS Comput Biol. 5

Yizhak et al. (2010) "Integrating quantitative proteomics and metabolomics with a genome-scale metabolic network model" Bioinformatics 26, i255 - i260

Article

Article

Chung et al. (2010) "Genome-scale metabolic reconstruction and in silico analysis of methylotrophic yeast Pichia pastoris for strain improvement" Microbial Cell Factories 9, 50

Henry et al. (2007) "Thermodynamics-Based Metabolic Flux Analysis" Biophys J 92, 1792 - 1805

Wang et al. (2007) "A quantitative kinetic model for ATP-induced intracellular Ca2+ oscillations" J. Theor. Biol. 245, 510 - 519

Boghigian et al. (2010) "Utilizing elementary mode analysis, pathway thermodynamics, and a genetic algorithm for metabolic flux determination and optimal metabolic network design" BMC Syst Biol 4, 49

Article

Article

Article