Metabolic fluxes are an ultimate phenotype of the cell because they arise as a result of interplays among various cellular components under specific genetic and environmental condition. A unique characteristic of metabolic fluxes is that they drastically change upon genetic and/or environmental perturbations in an unpredictable manner. In this regard, systematic integration and analysis of metabolic fluxes would enhance our understanding of them. In this thesis, we elucidate causal relationships among metabolic fluxes from various conditions so as to produce an integral network, which shows influencing patterns among them in response to specific perturbations. To do so, we firstly need to determine metabolic fluxes. Now, several experimental and mathematical methods have been developed to elucidate them: metabolic flux analysis, flux balance analysis, minimization of metabolic adjustment, and regulation on/off adjustment, the last three of which are also called constraint-based flux analysis. These methods are briefly reviewed in Chapter 1. Also, we can build a metabolic stoichiometric model of an organism through the concept of metabolic flux analysis, but it needs to be comprehensive enough to accurately predict cellular physiology at systems level. Therefore, we reconstruct the genome-scale stoichiometric model of the target organism, which exploits biological information from metabolic databases, experiments, genome annotation data, and literature. Metabolic databases provide an initial backbone for the model, and other information sources provide supplemental information to remove any ambiguities existing in the model. This reconstruction procedure is discussed in Chapter 2 in detail with examples of Mannheimia succiniciproducens MBEL55E and Vibrio vulnificus CMCP6. Finally, we develop a framework that sequentially employs constraint-based flux analysis, Bayesian network analysis, and mutual information to integrate and analyze metabolic fluxes, and apply it to the aerobic and anaerobic metabolism of Escherichia coli as an example. Bayesian network is a probabilistic graphical model that reveals causal relationships among parameters of interest and is useful for data integration. Mutual information is a technique that measures the mutual dependence between two variables. In this study, the genome-scale model of E. coli is used, which is developed from the same method as in the above two organisms. From this framework, we successfully infer the causal relationships among fluxes in the E. coil metabolism, and determine the relative importance of each flux. By doing so, this framework reveals metabolic fluxes that are highly associated with one another under specific condition in an integral manner, which cannot be observable from conventional metabolic flux analysis.
대사흐름(metabolic flux)은 여러 세포 구성성분들간의 상호작용을 통해 최종적으로 나타나는 세포의 진정한 표현형이라고 할 수 있다. 대사흐름의 특이한 성질은 유전적 및 환경적 섭동에 대해 예측불허한 방식으로 급격하게 변한다는 것이다. 따라서 다양한 조건에서 얻은 대사흐름들을 체계적으로 통합하여 분석하면 이들에 대한 이해를 도울 수 있을 것이다. 이 학위 연구에서는 다양한 조건에서 얻은 대사흐름 데이터들의 인과관계를 추론함으로써, 특정 섭동에 대한 대사흐름들간의 영향력 패턴을 나타내는 통합적인 네트워크를 얻고자 한다. 이를 위해서는 우선 대사흐름을 결정해야만한다. 그간 대사흐름을 측정하기 위한 실험 및 컴퓨터 방법론이 몇 가지 개발되었다. Metabolic flux analysis, flux balance analysis, minimization of metabolic adjustment, regulation on/off adjustment들이 그러한 것들이다. 이들 방법론들은 Chapter 1에서 간략히 소개하고 있다. 또한 metabolic flux analysis 개념을 이용하여 한 생물체의 화학량론적 대사 모델을 만들 수 있는데, 세포의 생리학을 시스템 수준에서 정확히 예측하기 위해서는 이 모델은 매우 정교해야만 한다. 이를 위해서 대사 관련 데이터베이스, 실험, 게놈 해독 정보, 문헌 등 다양한 생물정보를 이용하여 특정 균주의 게놈 수준의 화학량론적 모델을 개발하였다. 대사 관련 데이터베이스는 모델구축을 위한 기본 뼈대를 제공해주며, 그 외 다른 정보들은 초기 모델에 존재하는 애매모호한 부분들을 제거해 준다. 이러한 모델 구축 과정은 Chapter 2에서 Mannheimia succiniciproducens MBEL55E와 Vibrio vulnificus CMCP6의 예를 들면서 상세히 논하고 있다. 마지막으로 다양한 조건에서의 대사흐름 데이터를 통합•분석하기 위하여 constraint-based flux analysis, Bayesian network analysis, mutual information을 차례대로 이용한 방법론을 개발하고, 이를 대장균 (Escherichia coli)의 유산소 및 무산소시의 대사에 예로서 적용해보았다. Bayesian network는 변수들의 인과관계를 추론해주는 확률론적 그래프 모델로서 데이터 통합에 매우 유용하게 사용된다. Mutual information은 두 변수들간의 상호 의존성을 측정하는 기술이다. 이 연구에서는 위에 언급된 두 균주의 모델링과 같은 방법으로 제작된 대장균의 게놈 수준 모델을 이용하였다. 이 방법론으로부터 대장균 대사에 존재하는 대사흐름들의 인과관계를 성공적으로 추론하였으며, 각 대사흐름의 상대적 중요도를 결정할 수 있었다. 결론적으로 이 방법론이 특정 조건에서 특이하게 서로 연관을 맺는 대사흐름들을 통합적으로 밝혀냄을 알 수 있었다. 이는 기존의 metabolic flux analysis에서는 관찰할 수 없는 새로이 재생산된 지식이다.
