揭秘微生物社区的“社交网络”：基因组规模代谢模型(GEMs)的新前沿

当前，微生物群落的基因组组成和功能潜力通过宏基因组组装基因组（MAGs）的分析得以部分揭示，但其内在的代谢网络和相互作用机制仍充满未知。为此，科学家们开发了基因组规模的代谢模型（GEMs），用以揭示微生物如何在分子层面上进行交互和适应环境变化。

利用宏基因组组装的基因组(MAGs)中的基因和代谢信息构建GEMs是获得MAGs后的一个新分析思路。今天，小编就带大家看一篇2024年发表于《Trends in Endocrinology & Metabolism》（IF=10.9）的关于GEMs综述文章。

1微生物群落的GEMs简介

微生物群落在多个领域（如医疗保健、生物技术和环境修复）中发挥着重要作用，了解微生物群落间相互作用机制对于充分发挥其潜力至关重要。基于基因组规模代谢模型（GEMs）的约束重建和分析（COBRA）方法已成为模拟微生物群落行为的最先进工具。GEMs是一种强大的系统生物学工具，它可以整合大量的生物学数据和数学方法，以研究混合微生物群落的代谢活动，为合理设计合成微生物群落提供指导，并为生物修复提供新的策略。

2、计算机代谢模型重建

高质量的基因组测序和注释是在系统水平重建代谢网络的关键起点。模型重建需要在基本的生化约束下，保证代谢网络的整体平衡和稳定。

图1 宏基因组组装基因组(MAGs)示例（DOI: 10.1093/ismejo/wrad016）

注：生化约束：微生物在生存和发展过程中所面临的基本生物化学限制或条件。

3、代谢模型的构建过程

构建微生物群落GEMs的关键步骤，包括宏基因组测序、MAGs组装及注释、模型的初步构建、手动校正和最终模型的完善。过程中涉及到多种计算工具，如ModelSEED、Cobrapy和RAVEN Toolbox等，这些工具的发展不断提高了模型的效率和质量。

图2 开发微生物群落GEMs的关键方法流程图

分析代谢网络的基础在于GEM的完整性和准确性。构建思路如下：

• 首先，在测序阶段和随后的高质量代谢模型重建后，使用自下而上或自上而下的方法建模群落的行为，对共享代谢物、群落生长和反应通量进行高质量预测。

• 然后，确定如何模拟细菌之间的相互作用。有三种主要选择来估计不同的细菌在群落中的行为(区室化):离散的、基因袋或共享环境空间。

  下一步是收集模拟群落GEM的所有技术(稳态和动态方法)。在群落或多尺度水平上选择目标函数是定义社区代谢模型特征的关键步骤。通量平衡分析(FBA)相关算法最终允许对混合微生物群落进行模拟，并阐明群落物种之间发生的代谢相互作用。

图3 构建GEMs的具体步骤流程图

• 首先确定一个或多个微生物的基因组序列(步骤S1)。

• 然后，根据分类和亲缘关系，分离出可获得高质量模型的物种，序列注释可用于从头生成模型草案(步骤S2-a和S3)，也可与类似生物的现有注释进行比较，从而推断新物种的模型(步骤S2-b和S3)。

• 步骤S4包括来自用户的手动完善。为了改进模型，新的反应可以迭代地添加到网络中以填补空白，并且可以利用实验数据来验证模型的能力。

• 最后，步骤S5表示完善的重建模型。

4、模型重建方法的类型

GEMs重构工具根据其主要功能可分为两大类：自动重建工具（例如ModelSEED , CarveMe , gapseq）和半自动化工具（例如MeMosys , PyFBA , 和RAVEN Toolbox）。

下图根据其主要范围对每种工具进行了分类。一些工具可以完成多个任务，因此被放置在两个或多个集合的交集中。

图4 GEM分析、编辑和测试工具分类

5、基于GEMs的计算仿真与分析方法

计算分析方法的主要目的是确定构成GEMs变量的反应通量的值。分为稳态方法，动态或混合方法等。最重要的约束是来自实验数据的约束，这些约束用于构建模拟观察到的生物条件的。此外，组学数据集，如转录组、蛋白质组学和代谢组学数据，已与GEMs集成。

6、稳态或动态假设下的群落代谢模型

目前基于GEMs的微生物群落分析的许多进展都集中在建模和扩大我们对这些复杂集合在系统水平上的理解。使用GEMs对微生物群落进行建模的一种常见方法是针对单个物种的方法扩展到多物种系统，并假设群落处于稳态或动态环境中。方法有“基因袋(bag-of-genes)”，“离散法(discrete)”和“共享环境空间(shared environmental space)”三种。

图7 利用 CarveMe 重建基因组尺度的代谢模型（DOI:10.1093/nar/gky537）

图8 细菌模型重建收集中反应和代谢物频率的总体分布（DOI: 10.1093/nar/gky537）

7、面临的挑战与发展方向

尽管GEMs技术取得了显著进展，但在实际应用中还面临一些挑战，提供更高质量的GEMs重建，扩大其采用、可用性、可解释性和适用性。此外，鉴于深度学习领域的快速发展，很可能会越来越多地应用于GEMs。此外，在精确医学框架内整合人类微生物组GEMs的最新方法学进展和技术可能有助于更好地理解微生物代谢对宿主生理的影响。

图6 用于模型重建、编辑和测试的计算工具时间线

注：根据发布日期对工具进行分组，并总结了在2 ~ 3年时间窗内发布的工具组的主要改进。近年来，基因组尺度代谢模型(GEMs)的研究主要集中在提高效率和质量、整合和可重复性等方面。新工具开发的主要挑战和未来方向是群落GEMs的质量控制、非标准化文件格式的使用以及跨GEMs的ID异质性问题。每个框根据出版年份排列。如蓝色方框所示，每年都有一些改进。

参考文献

Tarzi C, Zampieri G, Sullivan N, et al. Emerging methods for genome-scale metabolic modeling of microbial communities[J]. Trends in Endocrinology & Metabolism, 2024.