Az E. coli genomjának és metabolikus hálózatának minimalizálása integratív rendszerbiológiai megközelítéssel = Integrative systems biology approach to genome and metabolic network minimization in E. coli

摘要

Mely gének szükségesek a túléléshez és meddig egyszerűsíthetők laboratórumban a genomok? Meg tudjuk-e jósolni több gén együttes eltávolításának hatását? Hogyan zajlik a természetben a genomok egyszerűsödése? Kutatásaink során a rendszerbiológiai modellezés és funkcionális genomika eszközeit felhasználva kerestük a választ e kérdésekre. Kimutattuk, hogy a sejt anyagcseréjének matematikai modelljével részlegesen előrejelezhetők a génkiütések között fennálló genetikai kölcsönhatások (azaz amikor két gén eltávolítása nagyobb vagy kisebb hatással jár mint azt az egyenkénti génkiütés alapján várnánk). Ugyanakkor számos olyan kettős mutánst azonosítottunk kísérletesen, amelyek életképtelenségét nem képes jósolni sem az anyagcserehálózati modell, sem más adatbányászati eljárás. E problémára válaszul kifejlesztettünk és validáltunk egy gépi tanulási módszert, amely a génkölcsönhatási adatsorok alapján automatizáltan javítja az anyagcserehálózati modellt. A kólibaktérium anyagcseréjét vizsgálva kimutattuk, hogy a közelrokon endoszimbiontákban lezajló természetesen genomegyszerűsödés folyamata jósolható. Végezetül tanulmányoztunk egy laboratóriumban előállított csökkentett genomú kólibaktériumot: megállapítottuk, hogy ugyan normál körülmények között a vad típushoz hasonló növekedést mutat, de számos tápanyagkörnyezetben hátrányba kerül. Kimutattuk továbbá, hogy a transzpozonok teljes hiánya nem nehezíti az egyszerűsített kólibaktérium evolúciós alkalmazkodási képességét mutátor allél jelenlétében. | What is the smallest set of genes required for life and how far can we streamline genomes in the laboratory? Can we predict the phenotypic effect of multiple gene deletions? And how reduced genomes arise in nature? We combined computational systems biology modelling, functional genomics and genome engineering tools to address these questions. We have demonstrated the utility of metabolic network models in predicting genetic interactions between gene deletion mutations (i.e. when deleting two genes has a greater or smaller effect than would be expected based on the single deletion effects). However, we have experimentally identified a number of double mutations whose lethality is not predicted by either metabolic network models or data mining approaches. Thus, we have developed and validated a novel machine learning algorithm to modify and improve the metabolic network model based on high-throughput genetic interaction data. We have also investigated reductive genome evolution in endosymbionts and found that the temporal order of gene loss can be predicted using systems biology modelling. Finally, we have experimentally characterized the growth and evolutionary potential of a laboratory engineered reduced-genome E. coli: while it shows excellent growth properties under standard laboratory conditions, it also displays strong growth defects under a number of specific nutrient conditions. Furthermore, removal of transposable elements from the E. coli genome does not diminish the evolvability of E. coli if a mutator allele is present in its genome.