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

기술 요약: 단백질체 통합 및 질병 모델링을 위한 MitoCore 큐레이션

문제 정의
중심 인체 대사는 세포 과정에서 매우 중요하지만, 질병에서의 조절 장애는 여전히 명확히 이해되지 않고 있습니다. Human-GEM과 같은 포괄적인 게놈 규모 대사 모델이 존재하지만, 이들의 거대한 규모(12,931개 반응)는 특정 분석을 위한 해석력과 계산 효율성을 제한합니다. 반대로, 더 작은 규모의 MitoCore 모델(555개 반응)은 중심 대사에 집중하며 양성자 구동력(PMF)을 명시적으로 모델링하여 계산 집약적인 작업에 적합합니다. 그러나 MitoCore는 표준화된 주석(annotation)과 정교하게 큐레이션된 유전자-단백질-반응(GPR) 연관성이 부족하다는 단점이 있습니다. 이러한 결핍은 현대적인 오믹스 워크플로, 특히 특정 식별자(예: Uni-Prot 액세션, EC 번호)를 사용하여 단백질 데이터를 대사 반응에 매핑해야 하는 단백질 제약 모델링 프레임워크인 sMOMENT와 같은 시스템과의 통합을 방해합니다.

방법론
저자들은 sMOMENT 프레임워크와의 호환성 및 자동 데이터 통합을 강화하기 위해 4단계 워크플로를 통해 MitoCore를 체계적으로 큐레이션했습니다:

1. 형식 및 주석 정제: 기존 MitoCore 모델(SBML2)을 SBML3로 변환했습니다. "notes" 객체에 저장된 비구조화된 주석들을 표준화된 SBML3 주석 객체로 파싱했습니다. 사용 불가능한 문자열(예: "Unknown", "N/A")을 정제하였고, KEGG, BiGG, Ensembl, HGNC 및 EC 코드 식별자를 추출했습니다.
2. 단백질체 준비성: 모델을 autoPACMEN 툴박스(sMOMENT에 사용됨)의 최소 요구 사항에 맞게 업데이트했습니다. 이를 위해 HGNC API를 통해 모든 유전자에 대한 누락된 UniProt 액세션을 검색하고, EC 번호 및 BiGG 대사물 식별자의 존재를 확인했습니다.
3. MitoMammal 통합: MitoMammal 모델에서 수동으로 큐레이션된 업데이트를 통합했습니다. 여기에는 DHODH에 의한 CoQ 환원을 위한 5개의 새로운 반응, 전자 전달계(ETC) 복합체 I 및 IV에 대한 수정된 GPR, 그리고 UCP1 유전자의 추가가 포함되었습니다.
4. Human-GEM 강화: Human-GEM(v2.0.0)으로부터 주석 및 GPR 연관성을 추출했습니다. 반응, 대사물 및 유전자는 BiGG, KEGG, MetaNetX 식별자의 조합을 사용하여 매핑되었습니다. 누락되었거나 Human-GEM과 다른 동형효소(isoenzyme) 규칙(OR rules)이 추가되었고, 새로운 유전자가 통합되었습니다. 결정적으로, MitoMammal에서 수동으로 큐레이션된 반응들은 자동 덮어쓰기로부터 보호되었습니다.

장기적인 유지보수성을 보장하기 위해 GitLab에서 지속적 통합/지속적 배포(CI/CD) 파이프라인을 구현했습니다. 이 파이프라인은 새로운 버전의 Human-GEM이 출시될 때마다 큐레이션 4단계를 자동으로 트리거하여 MitoCore의 주석과 GPR을 업데이트합니다.

큐레이션된 모델은 다음을 통해 평가되었습니다:

• KEGG 모듈 매핑: 106개의 인간 KEGG 모듈에 대해 MitoCore와 Human-GEM의 대사 경로 커버리지를 비교했습니다.
• 단백질체 통합: 휴지기 혈소판의 정량적 단백질체 데이터를 autoPACMEN을 사용하여 통합함으로써 단백질 제약 모델을 생성했습니다.
• 플럭스 분석: ATP 생성을 세포 목적 함수로 하여 플럭스 균형 분석(FBA) 및 플럭스 가변성 분석(FVA)을 수행했습니다. 플럭스 샘플링을 통해 Seahorse 분석에서 도출된 ATP 생성률(1.707 mmol/gdwh) 근처의 분포를 탐색했습니다.
• 검증: 교환 플럭스(글루코스, 아세테이트, 젖산) 및 ATP 생성(당 분해 vs. 산화적 인산화)에 대한 실험 데이터와 모델 예측치를 비교했습니다.

주요 기여 및 결과

• 주석 확장: 큐레이션 과정은 모델의 주석 밀도를 크게 높였습니다. EC 코드는 354개에서 593개로, UniProt이 주석된 유전자는 0개에서 592개로 증가했습니다. 모델 품질에 대한 MEMOTE 점수는 35%에서 65%로 향상되었습니다.
• 단백질체 통합: 모델에 매핑된 단백질 수가 228개(예비 모델)에서 294개(Human-GEM 강화 모델)로 증가했습니다. 결과적으로, 할당된 $k_{cat}$ 값을 가진 반응의 수가 295개에서 310개로 증가했으며, 단백질 제약 반응의 수는 168개에서 201개로 늘어났습니다.
• 예측 정확도:
  • ATP 생성: 큐레이션된 모델에서 ATP 생성에 대한 예측 오차가 기존 모델 대비 89% 감소했습니다. 최종 큐레이션 모델의 ATP 예측치 중 100%가 실험 데이터의 95% 신뢰 구간 내에 있었던 반면, 기존 모델은 16%에 불과했습니다.
  • 교환 플럭스: 교환 플럭스에 대한 평균 제곱 상대 오차(RMSRE)가 0.800(원본)에서 0.632(Human-GEM 강화)로 감소했습니다.
  • 해 솔루션 공간(Solution Space): 단백질 제약은 솔루션 공간을 원래 크기의 약 66%로 줄였으며, 평균 플럭스 범위를 낮추어 더욱 생물학적으로 현실적인 제약을 나타냈습니다.
• KEGG 커버리지: MitoCore는 106개의 KEGG 모듈 중 에너지, 아미노산 및 지방산 대사에 특화된 51개 모듈을 커버합니다. Human-GEM이 105개 모듈을 커버하는 반면, MitoCore는 TCA 회로 및 글리신 분해 시스템과 같은 특정 모듈에서 더 높거나 고유한 커버리지를 보여주었습니다.

의의 및 주장
본 논문은 큐레이션된 MitoCore 모델이 다양한 세포 유형에 걸쳐 중심 인체 대사를 연구하기 위한 계산 효율적이고 잘 주석 처리된 플랫폼 역할을 한다고 주장합니다. 소규모의 특이성과 대규모의 주석 표준 사이의 간극을 메움으로써, 이 모델은 단백질 제약 모델링(sMOMENT)을 적용하여 혈소판에서 보이는 것과 같은 미토콘드리아 기능 장애 및 대사 변화를 조사할 수 있게 합니다.

저자들은 CI/CD 파이프라인의 구현이 수동 개입 없이 미래의 Human-GEM 릴리스에 대해 모델이 최신 상태를 유지하도록 보장한다는 점을 강조합니다. 또한, Human-GEM 데이터의 통합이 (MitoMammal 업데이트를 넘어) 예측 오차를 획기적으로 줄이지는 못했다는 점(이는 속도 제한 단계가 보존되어 있음을 시사함)을 언급하면서도, 표준화된 주석이 재현성과 현대적인 오믹스 통합 파이프라인과의 호환성에 필수적임을 밝힙니다. 본 연구는 적절히 큐레이션되고 단백질체 데이터에 의해 제약된 작은 규모의 특화된 모델이 특정 생리학적 맥락에서 높은 예측 정확도를 달성할 수 있음을 입증합니다.