German Title: Anpassungsvermögen von metabolischen Netzwerken in Evolution und Krankheit

PDF, English Download (47MB) | Terms of use

Abstract

There are 114.101 small molecule metabolites currently annotated in the Human Metabolome Database, which are highly connected amongst each other, with a few metabolites exhibiting an estimated number of more than 103 connections. Redundancy and plasticity are essential features of metabolic networks enabling cells to respond to fluctuating environments, presence of toxic molecules, or genetic perturbations like mutations. These system-level properties are inevitably linked to all aspects of biological systems ensuring cell viability by enabling processes like adaption and differentiation. To this end, the ability to interrogate molecular changes at omics level has opened new opportunities to study the cell at its different layers from the epigenome and transcriptome to its proteome and metabolome. In this thesis, I tackled the question how redundancy and plasticity shape adaptation in metabolic networks in evolutionary and disease contexts. I utilize a multi-omics approach to study comprehensively the metabolic state of a cell and its regulation at the transcriptional and proteomic level. One of the challenges with multi-omics approaches is the integration and interpretation of multi-layered data sets. To approach this challenge, I use genome scale metabolic models as a knowledge-based scaffold to overlay omics data and thereby to enable biological interpretation beyond statistical correlation. This integrative methodology has been applied to two different projects, namely the evolutionary adaptation towards a nutrient source in yeast and the metabolic adaptations following disease progression. For the latter, I also curated a current human genome-scale metabolic model and made it more suitable for flux predictions. In the yeast case study, I investigate the metabolic network adaptations enabling yeast to grow on an alternative carbon source – glycerol. I could show that network redundancy is one of the key features of fast adaptation of the yeast metabolic network to the new nutrient environment. Genomics, transcriptomics, proteomics, metabolomics and metabolic modeling together revealed a shift of the organism’s redox-balance under glycerol consumption as a driving force of adaption, which can be linked to the causal mutation in the enzyme Kgd1. On the other hand, the limitations of metabolic network adaptation also became apparent since all evolved and adapted strains exhibited metabolic trade-offs in other environmental conditions than the adaptation niche. Either an impaired diauxic shift (as in the case of the glycerol mutant) or an increased sensitivity towards osmotic stress (caused by mutations in the HOG pathway) was coupled with efficient use of glycerol. In the second project, the molecular phenotype of regressed breast cancer cells was studied to identify what differentiates these cells from healthy breast tissue and to characterize the potential source of tumor recurrence. Using a breast cancer mouse model with inducible oncogenes, transcriptomics together with an extensive set of different types of metabolomics (targeted and untargeted metabolomics, lipidomics and fluxomics) could show that regressed cancer cells, albeit their apparently normal morphology, possess a highly altered molecular phenotype with an oncogenic memory. While in cancer redundancy and plasticity enable the adaptation towards a proliferative state, in regressed cells, on the contrary, prolonged oncogenic signaling leads to a loss of metabolic network regulation and the entering of an irreversible metabolic state. This state appears to be insensitive to adaptation mechanisms as transcripts and metabolites reciprocally enhance each other to maintain the tumor-like metabolic phenotype. In conclusion, this work demonstrates how genome scale metabolic models can help identifying functional mechanisms from complex and multi-layered omics data. Appropriate genome scale metabolic models combined with metabolite measurements have proven particularly useful in this context. The comprehensive understanding of all integrated aspects of a cell’s physiology is a challenging endeavor and the results of this thesis might stimulate further research towards this goal.

Translation of abstract (German)

Mehr als 114,101 verschiedene sogenannte „small molecule“ Metabolite sind in der Metabolom Datenbank annotiert. Diese Metabolite korrelieren stark miteinander, einige besitzen dabei mehr als 103 Verbindungen zu anderen Metaboliten. Redundanz und Plastizität sind entscheidende Merkmale von metabolischen Netzwerken damit sich Zellen auf eine sich verändernde Umwelt, die Anwesenheit von toxischen Molekülen oder genetische Störungen anpassen können. Diese komplexen Eigenschaften sind verbunden mit allen Aspekten eines biologischen Systems um das überleben der Zellen durch Prozesse wie Adaption oder Differenzierung zu sichern. Die Fähigkeit Veränderungen in Zellen auf ihren verschiedenen Ebenen, von Epigenom, Transkriptom über Proteom und Metabolom, auf molekularer Ebene durch „omics“ Daten zu erfassen hat hierbei neue Möglichkeiten eröffnet. In dieser Arbeit habe ich mich mit der Frage auseinandergesetzt, wie Redundanz und Plastizität die Anpassung von metabolischen Netzwerken im Kontext der Evolution oder Erkrankung beeinflussen. Mithilfe eines „multiomic“ Ansatzes habe ich umfassend den metabolischen Status einer Zelle und ihrer Regulation auf Transkriptions- und Proteom-Ebene analysiert. Eine der Schwierigkeiten bei „multi-omics“ Ansätzen ist die Integration und Interpretation von vielschichtigen Datensätzen. Um dies zu bewältigen habe ich genomweite metabolische Modelle verwendet, die ein wissensbasiertes Gerüst für die Integration von „omics“ bieten und dadurch eine biologische Interpretation über die statistische Korrelation hinaus zu ermöglichen. Diese Methodik wurde auf zwei unabhängige Projekte angewendet: 1) die evolutionäre Anpassung an eine Nahrungsquelle in Hefe und 2) die metabolische Anpassung bei fortschreitender Erkrankung. Für das letztere Project habe ich ein genomweites metabolisches Modell der menschlichen Zelle für die verbesserte Nutzung von metabolischen Fluxen überarbeitet. , iso dass es besser geeignet. In der Hefe-Studie wurde die Anpassung des metabolischen Netzwerks von Hefezellen an eine alternative Kohlenstoffquelle – Glycerol – untersucht. Ich konnte zeigen, dass Netzwerk Redundanz eines der Schlüsselmerkmale der schnell adaptierenden Hefezellen auf die Umweltveränderung ist. Untersuchungen auf genomischer, transkriptomischer, proteomischer und metabolomischer Ebene zusammen mit metabolischem Modeling zeigten eine Verschiebung des Redox-Gleichgewichts in der Zelle unter Wachstum mit Glycerol als treibende Kraft der Adaption, welche verbunden war mit der Mutation des Enzyms Kgd1. In dieser Analyse konnten die Einschränkungen der metabolischen Netzwerkadaption gezeigt werden, da alle evolvierten und adaptierten Hefe-Stämme metabolische Ausgleiche in anderen Umweltbedingungen als in der Adaptionsnische aufzeigten. Entweder die Unfähigkeit den „diauxic shifts“ durchzuführen (im Falle des Glycerol Mutanten) oder eine erhöhte Sensitivität in Richtung des osmotischen Stresses (ausgelöst durch Mutationen im HOG-Signalweg) waren gekoppelt an die effiziente Nutzung von Glycerol in der Hefe-Zelle. Im zweiten Projekt wurde der molekulare Phänotyp von regredierenden Brustkrebszellen analysiert um die Unterschiede dieser Zelle zum gesunden Brustgewebe und eine potentielle Quelle für Tumorrezidive zu identifizieren. In einem Mausmodell für Brustkrebs mit induzierbaren Onkogenen wurde mithilfe von Transkriptom- und Metabolom-Analysen (gerichtete und ungerichtete Metabolomics, Lipidomics und Fluxomics) gezeigt, dass regredierte Krebszellen, obwohl ihre Morphologie normal erschien, einen stark veränderten Phänotyp mit onkogenem Gedächtnis aufwiesen. Während Redundanz und Plastizität in der Krebszelle die Adaption an eine erhöhte Proliferation ermöglichen, führte in regredierten Zellen eine Fortführung der onkogenen Signalgebung zu einem Verlust der metabolischen Netzwerkregulation und dem Eintritt in einen irreversiblen metabolischen Status. Dieser Status erschien unveränderlich durch Adaptionsmechanismen da sich Transkripte und Metabolite gegenseitig erhöhen und so dazu beitragen den Tumor-ähnlichen Phänotyp zu erhalten. Zusammenfassend hat diese Arbeit gezeigt wie genomweite metabolische Modelle angewendet warden können um funktionelle Mechanismen in komplexen und vielschichtigen „omics“ Daten zu identifizieren. Passende Modelle zusammen mit Metabolitmessungen haben sich als besonders geeignet in diesem Zusammenhang erwiesen. Das umfangreiche Verständnis aller integrierten Prozesse in der Physiologie der Zelle ist ein komplexes Unterfangen und die Ergebnisse dieser Arbeit regen hoffentlich weitere Forschung zum Erreichen dieses Ziels an.