Investigation of Metabolic Modeling Strategies to Predict Phenotypes of Microbial Mutants Under Data Scarcity

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Biyomühendislik A.B.D., Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: İngilizce

Öğrenci: ECE ANTURAN

Danışman: Eda Çelik Akdur

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Mikroorganizmaların fenotip tahminleri, bilişim çalışmaları arasında gelişen bir araştırma alanıdır. Bu tahminler için birçok modelleme stratejisi geliştirilmiştir; ancak bu stratejilerin çoğu, mikroorganizmaların doğal türü için tahminlerde bulunmaktadır. Özellikle asetat ve biyokütle verimleri için yüksek doğrulukta bir mutant fenotipi tahmini yönteminin bulunmaması nedeniyle, bu çalışmada, Escherichia coli suşuna ait 21 mutantın fenotip tahminleri için protein ayırım kısıtlamalarının genom ölçekli model (GEM) üzerine eklenmesinin etkisi; literatürde bulunan çeşitli modelleme stratejilerini birleştirerek ve aynı zamanda sadece doğal tür için bilgi sağlama veya mutant için minimum bilgi sağlama koşulu gerçekleştirilerek çalışılmıştır. Bu çalışmada, Akı Dengesi Analizi (FBA), Metabolit Dengesinin Minimize Edilmesi (MiMBl) ve Metabolik Düzenleme Minimizasyon Yöntemi (MOMA) modelleme stratejilerinin, Kısıtlanmış Dağılım (CA) ve Kinetik ve Omik verileri kullanarak Enzimatik Kısıtlamaları olan GEM (GECKO) yöntemleri ile kombinasyonları sunulmuştur. Kombine stratejiler ile optimal akı dağılımını elde etmek için doğrusal (LP) ve quadratik programlama (QP) çözüm yöntemleri kullanılmıştır. Genel olarak, bu kombine stratejilerden gelen mutant fenotip tahminleri, özellikle çoğalma hızı tahminleri için, önceki çalışmalarda uygulanan diğer stratejilerden daha doğru bir şekilde gerçekleşmiştir. Pearson Korelasyon Katsayılarına (PCC, ρ) göre, mutantların substrat alımı hakkında bilgi sağlanmadığı koşulda (veri yetersizliği altında), en iyi asetat verimi (ρ = 0.53), biyokütle verimi (ρ = 0.71) ve çoğalma hızı (ρ= -0.53), bu çalışmada geliştirilen "GECKO-MiMBl-Reaksiyon" kombine algoritması kullanılarak elde edilmiştir. Bu değerler literatürde benzer senaryolar için mevcut olan PCC değerlerine göre %13-64 daha yüksektir. Özetle, GEM kullanan kombine yöntemler için yeni geliştirilen algoritmalar ile Escherichia coli 'nin mutant fenotipleri için daha doğru tahminler elde edilmiştir.