Curating MitoCore: A Standardized Small-Scale Human Metabolic Model as Platform for Proteomics Integration and Disease Modeling

技術要約：プロテオミクス統合および疾患モデリングのためのMitoCoreのキュレーション

問題提起
中心的なヒト代謝は細胞プロセスにおいて極めて重要であるが、疾患におけるその調節不全については十分に理解されていない。Human-GEMのような包括的なゲノムスケール代謝モデルは存在するものの、その規模の大きさ（12,931反応）が、特定の解析における解釈可能性や計算効率を制限している。対照的に、より小規模なMitoCoreモデル（555反応）は、中心代謝に焦点を当て、プロトン駆動力を明示的にモデル化しており、計算負荷の高いタスクに適している。しかし、MitoCoreは標準化されたアノテーションや精緻にキュレーションされた遺伝子・タンパク質・反応（GPR）の関連付けが不足している。この欠如により、特定の識別子（UniProtアクセッション、EC番号など）を用いてプロテオミクスデータを代謝反応にマッピングする必要があるsMOMENTのような、現代的なオミクスワークフローとの統合が妨げられている。

手法
著者らは、sMOMENTフレームワークへの適合性と自動データ統合を強化するために、4段階のワークフローを通じてMitoCoreを体系的にキュレーションした：

1. フォーマットおよびアノテーションのクリーニング： 元のMitoCoreモデル（SBML2）をSBML3に変換した。未構造化されたアノテーションは「notes」オブジェクトからパースされ、標準化されたSBML3アノテーションオブジェクトへと格納された。「Unknown」や「N/A」などの使用不可能な文字列はクリーニングされ、KEGG、BiGG、Ensembl、HGNC、およびECコードの識別子が抽出された。
2. プロテオミクスへの準備： モデルをautoPACMENツールボックス（sMOMENTで使用）の最小要件を満たすよう更新した。これには、HGNC APIを介してすべての遺伝子に対して欠落していたUniProtアクセッションを取得すること、およびEC番号とBiGG代謝物識別子の存在を確認することが含まれる。
3. MitoMammalの統合： MitoMammalモデルから手動でキュレーションされた更新内容を組み込んだ。これには、DHODHによるCoQ還元に関する5つの新しい反応、電子伝達系（ETC）複合体IおよびIVの修正されたGPR、およびUCP1遺伝子の追加が含まれる。
4. Human-GEMによるエンリッチメント： Human-GEM (v2.0.0) からアノテーションとGPR関連付けをマイニングした。反応、代謝物、および遺伝子は、BiGG、KEKG、およびMetaNetX識別子の組み合わせを用いてマッピングされた。欠落している場合やHuman-GEMと異なる場合は、アイソザイム（ORルール）が追加された。極めて重要な点として、手動でキュレーションされたMitoMammalの反応は、自動的な上書きから保護された。

長期的な保守性を確保するため、GitLabにおいて継続的インテグレーション／継続的デリバリー（CI/CD）パイプラインを実装した。このパイプラインは、新しいバージョンのHuman-GEMがリリースされるたびに、MitoCoreのアノテーションとGPRを更新するステップ4を自動的にトリガーする。

キュレートされたモデルは以下の方法で評価された：

• KEGGモジュールマッピング： 106個のヒトKEGGモジュールに対するMitoCoreとHuman-GEMの代謝経路のカバー率を比較した。
• プロテオミクス統合： autoPACMENを用いて安静時血小板の定量的プロテオミクスデータを統合し、タンパク質制約モデルを生成した。
• フラックス解析： ATP生成を細胞の目的関数として、フラックスバランス解析（FBA）およびフラックス変動解析（FVA）を実行した。Seahorseアッセイから得られた測定ATP生成速度（1.707 mmol/gdwh）付近の分布を探索するために、フラックスサンプリングを行った。
• 検証： 交換フラックス（グルコース、酢酸塩、乳酸塩）およびATP生成（解糖系 vs. OXPHOS）に関する実験データとモデルの予測値を比較した。

主な貢献と結果

• アノテーションの拡張： キュレーションプロセスにより、モデルのアノテーション密度が大幅に向上した。ECコードは354から593へ、UniProtアノテーション付き遺伝子は0から592へと増加した。モデル品質のMEMOTEスコアは35%から65%に改善した。
• プロテオミクス統合： モデルにマッピングされたタンパク質の数は、228個（予備モデル）から294個（Human-GEMエンリッチメント後モデル）に増加した。その結果、割り当てられた$k_{cat}$値を持つ反応の数は295から310へ、タンパク質制約を受ける反応の数は168から201へと増加した。
• 予測精度：
  • ATP生成： キュレートされたモデルにおけるATP生成の予測誤差は、元のモデルと比較して89%減少した。最終的なキュレート済みモデルにおけるATP予測の100%が、実験データの95%信頼区間に収まった（元のモデルではわずか16%であった）。
  • 交換フラックス： 交換フラックスの平方根平均二乗相対誤差（RMSRE）は、0.800（オリジナル）から0.632（Human-GEMエンリッチメント後）へと減少した。
  • 解空間： タンパク質制約により、解空間は元のサイズの約66%に縮小し、平均フラックス範囲も低下した。これは、より生物学的に現実的な制約であることを示している。
• KEGGカバー率： MitoCoreは106個のKEGGモジュールのうち51個をカバーしており、特に中心的なエネルギー、アミノ酸、および脂肪酸代謝に焦点を当てている。Human-GEMは105個のモジュールをカバーしているが、MitoCoreはTCAサイクルやグリシン分解系などの特定のモジュールにおいて、より高い、あるいは独自のカバー率を示した。

意義と主張
本論文は、キュレートされたMitoCoreモデルが、異なる細胞種における中心的なヒト代謝を研究するための、計算効率が高く、よくアノテーションされたプラットフォームとして機能すると主張している。小規模な特異性と大規模なアノテーション標準の間のギャップを埋めることで、本モデルは、血小板に見られるようなミトコンドリア機能不全や代謝シフトを調査するためのタンパク質制約モデリング（sMOMENT）の適用を可能にする。

著者らは、CI/CDパイプラインの実装により、手動の介入なしに将来のHuman-GEMリリースに対してモデルを最新の状態に保つことができることを強調している。彼らは、Human-GEMデータの統合が（律速段階が保存されていることを示唆しているため）MitoMammalの更新を超えて予測誤差を劇的に減少させなかったことを指摘しているが、標準化されたアノテーションは再現性と現代的なオミクス統合パイプラインとの互換性に不可欠である。本研究は、適切にキュレートされ、プロテオミクスデータによって制約された場合には、専門化された小規模なモデルが特定の生理学的コンテキストに対して高い予測精度を達成できることを示している。