The metabolic modeling community has curated information from five models to create the most comprehensive model of human metabolism to date. Multiple models of human metabolism have been reconstructed, but each represents only a subset of our knowledge. Here we describe Recon 2, a community-driven, consensus 'metabolic reconstruction', which is the most comprehensive representation of human metabolism that is applicable to computational modeling. Compared with its predecessors, the reconstruction has improved topological and functional features, including ∼2× more reactions and ∼1.7× more unique metabolites. Using Recon 2 we predicted changes in metabolite biomarkers for 49 inborn errors of metabolism with 77% accuracy when compared to experimental data. Mapping metabolomic data and drug information onto Recon 2 demonstrates its potential for integrating and analyzing diverse data types. Using protein expression data, we automatically generated a compendium of 65 cell type–specific models, providing a basis for manual curation or investigation of cell-specific metabolic properties. Recon 2 will facilitate many future biomedical studies and is freely available at http://humanmetabolism.org/ .

Abstract

 Network-based definitions of biochemical pathways have emerged in recent years. These pathway definitions insist on the balanced use of a whole network of biochemical reactions. Two such related definitions, elementary modes and extreme pathways, have generated novel hypotheses regarding biochemical network function. The relationship between these two approaches can be illustrated by comparing and contrasting the elementary modes and extreme pathways of previously published metabolic reconstructions of the human red blood cell (RBC) and the human pathogen Helicobacter pylori. Descriptions of network properties generated by using these two approaches in the analysis of realistic metabolic networks need careful interpretation.

Metabolic network reconstruction encompasses existing knowledge about an organism's metabolism and genome annotation, providing a platform for omics data analysis and phenotype prediction.The model alga Chlamydomonas reinhardtii is employed to study diverse biological processes from photosynthesis to phototaxis.Recent heightened interest in this species results from an international movement to develop algal biofuels.Integrating biological and optical data, we reconstructed a genome-scale metabolic network for this alga and devised a novel light-modeling approach that enables quantitative growth prediction for a given light source, resolving wavelength and photon flux.We experimentally verified transcripts accounted for in the network and physiologically validated model function through simulation and generation of new experimental growth data, providing high confidence in network contents and predictive applications.The network offers insight into algal metabolism and potential for genetic engineering and efficient light source design, a pioneering resource for studying light-driven metabolism and quantitative systems biology.

With the advent of high-throughput technologies, the field of systems biology has amassed an abundance of "omics" data, quantifying thousands of cellular components across a variety of scales, ranging from mRNA transcript levels to metabolite quantities. Methods are needed to not only integrate this omics data but to also use this data to heighten the predictive capabilities of computational models. Several recent studies have successfully demonstrated how flux balance analysis (FBA), a constraint-based modeling approach, can be used to integrate transcriptomic data into genome-scale metabolic network reconstructions to generate predictive computational models. In this review, we summarize such FBA-based methods for integrating expression data into genome-scale metabolic network reconstructions, highlighting their advantages as well as their limitations.

Abstract Several studies have shown that neither the formal representation nor the functional requirements of genome-scale metabolic models (GEMs) are precisely defined. Without a consistent standard, comparability, reproducibility, and interoperability of models across groups and software tools cannot be guaranteed. Here, we present memote ( https://github.com/opencobra/memote ) an open-source software containing a community-maintained, standardized set of me tabolic mo del te sts. The tests cover a range of aspects from annotations to conceptual integrity and can be extended to include experimental datasets for automatic model validation. In addition to testing a model once, memote can be configured to do so automatically, i.e., while building a GEM. A comprehensive report displays the model’s performance parameters, which supports informed model development and facilitates error detection. Memote provides a measure for model quality that is consistent across reconstruction platforms and analysis software and simplifies collaboration within the community by establishing workflows for publicly hosted and version controlled models.

Abstract The pathogen Clostridioides difficile causes toxin-mediated diarrhea and is the leading cause of hospital-acquired infection in the US. Due to growing antibiotic resistance and recurrent infection, targeting C. difficile metabolism presents a new approach to combat this infection. Genome-scale metabolic network reconstructions (GENREs) have been used to identify therapeutic targets and uncover properties that determine cellular behaviors. Thus, we constructed C. difficile GENREs for a hyper-virulent isolate (str. R20291) and a historic strain (str. 630), validating both with in vitro and in vivo datasets. Growth simulations revealed significant correlations with measured carbon source usage (PPV ≥ 92.7%), and single-gene deletion analysis showed >89.0% accuracy. Next, we utilized each GENRE to identify metabolic drivers of both sporulation and biofilm formation. Through contextualization of each model using transcriptomes generated from in vitro and infection conditions, we discovered reliance on the Pentose Phosphate Pathway as well as increased usage of cytidine and N-acetylneuraminate when virulence expression is reduced, which was subsequently supported experimentally. Our results highlight the ability of GENREs to identify novel metabolite signals in bacterial pathogenesis. Importance Clostridioides difficile is a Gram-positive, sporulating anaerobe that has become the leading cause of hospital-acquired infections. Numerous studies have demonstrated the importance of specific metabolic pathways in aspects of C. difficile pathophysiology, from initial colonization to regulation of virulence factors. In the past, genome-scale metabolic network reconstruction (GENRE) analysis of bacteria has enabled systematic investigation of the genetic and metabolic properties that contribute to downstream virulence phenotypes. With this in mind, we generated and extensively curated C. difficile GENREs for both a well-studied laboratory strain (str. 630) as well as a more recently characterized hyper-virulent isolate (str. R20291). In silico validation of both GENREs revealed high degrees of agreement with experimental gene essentiality and carbon source utilization datasets. Subsequent exploration of context-specific metabolism during both in vitro growth and infection revealed consistent patterns of metabolism which corresponded with experimentally measured increases in virulence factor expression. Our results support that differential C. difficile virulence is associated with distinct metabolic programs related use of carbon sources and provides a platform for identification of novel therapeutic targets.

Abstract Mechanistic models are becoming common in biology and medicine. These models are often more generalizable than data-driven models because they explicitly represent biological knowledge, enabling simulation of scenarios that were not used to construct the model. While this generalizability has advantages, it also creates a dilemma: how should model curation efforts be focused to improve model performance? Here, we develop a machine learning-guided solution to this problem for genome-scale metabolic models. We generate an ensemble of candidate models consistent with experimental data, then perform in silico ensemble simulations for which improved predictiveness is desired. We apply unsupervised and supervised learning to the simulation output to identify structural variation in ensemble members that maximally influences variance in simulation outcomes across the ensemble. The resulting structural variants are high priority candidates for curation through targeted experimentation. We demonstrate this approach, called A utomated M etabolic M odel E nsemble- D riven E limination of U ncertainty with S tatistical learning ( AMMEDEUS ), by applying it to 29 bacterial species to identify curation targets that improve gene essentiality predictions. We then compile these curation targets from all 29 species to prioritize refinement of the entire biochemical database used to generate them. AMMEDEUS is a fully automated, scalable, and performance-driven recommendation system that complements human intuition during the curation of hypothesis-driven models and biochemical databases. Significance Mechanistic computational models, such as metabolic and signaling networks, are becoming common in biology. These models contain a comprehensive representation of components and interactions for a given system, making them generalizable and often more predictive than simpler models. However, their size and connectivity make it difficult to identify which parts of a model need to be changed to improve performance further. Here, we develop a strategy to guide this process and apply it to metabolic models for a set of bacterial species. We use this strategy to identify model components that should be investigated, and demonstrate that it can improve predictive performance. This approach systematically aides the curation of metabolic models, and the databases used to construct them, without relying on the intuition of the curator.

Abstract Summary Genome-scale metabolic network reconstructions (GENREs) are valuable for understanding cellular metabolism in silico . Several tools exist for automatic GENRE generation. However, these tools frequently (1) do not readily integrate with some of the widely-used suites of packaged methods available for network analysis, (2) lack effective network curation tools, and (3) are not sufficiently user-friendly. Here, we present Reconstructor, a user-friendly COBRApy compatible tool with ModelSEED namespace compatibility and a pFBA-based gap-filling technique. We demonstrate how Reconstructor readily generates high-quality GENRES that are useful for further biological discovery. Availability and Implementation The Reconstructor package is freely available for download via pip in the command line (pip install reconstructor). Usage instructions and benchmarking data are available at http://github.com/emmamglass/reconstructor . Contact Jason Papin: papin@virginia.edu

ABSTRACT Background The protozoan parasites in the Cryptosporidium genus cause both acute diarrheal disease and subclinical (i.e. non-diarrheal) disease. It is unclear if the microbiota can influence the manifestation of diarrhea during a Cryptosporidium infection. Methods To characterize the role of the gut microbiota in diarrheal cryptosporidiosis, the microbiome composition of both diarrheal and surveillance Cryptosporidium -positive fecal samples was evaluated using 16S rRNA gene sequencing. Additionally, the microbiome composition prior to infection was examined to test whether a preexisting microbiome profile could influence the Cryptosporidium infection phenotype. Results Fecal microbiome composition was associated with diarrheal symptoms at two timepoints. Megasphaera was significantly less abundant in diarrheal samples when compared to subclinical samples at the time of Cryptosporidium detection (log 2 (fold change) = -4.3, p =10 −10 ) and prior to infection (log 2 (fold change) = -2.0, p =10 −4 ). Random forest classification also identified Megasphaera abundance in the pre- and post-exposure microbiota.as predictive of a subclinical infection. Conclusions Microbiome composition broadly, and specifically low Megasphaera abundance, was associated with diarrheal symptoms prior to and at the time of Cryptosporidium detection. This observation suggests that the gut microenvironment may play a role in determining the severity of a Cryptosporidium infection. Summary Megasphaera abundance in the stool of Bangladeshi infants is associated with the development of diarrhea upon infection with the Cryptosporidium parasite.

Abstract Members of the Lactobacillus genus are frequently utilized in the probiotic industry with many species conferring demonstrated health benefits; however, these effects are largely strain-dependent. We designed a method called PROTEAN (Probabilistic Reconstruction Of constituent Anabolic Networks) to computationally analyze the genomic annotations and predicted metabolic production capabilities of 144 strains across 16 species of Lactobacillus isolated from human intestinal, oral, and vaginal body sites. Using PROTEAN we conducted a genome-scale metabolic network comparison between strains, revealing that metabolic capabilities differ by isolation site. Notably, PROTEAN does not require a well-curated genome-scale metabolic network reconstruction to provide biological insights. We found that predicted metabolic capabilities of lactobacilli isolated from the vaginal microbiota cluster separately from intestinal and oral isolates, and we also uncovered an overlap in the predicted metabolic production capabilities of intestinal and oral isolates. Using machine learning, we determined the most informative metabolic products driving the difference between predicted metabolic capabilities of intestinal, oral, and vaginal isolates. Notably, intestinal and oral isolates were predicted to have a higher likelihood of producing D-alanine, D/L-serine, and L-proline, while the vaginal isolates were distinguished by a higher predicted likelihood of producing L-arginine, citrulline, and D/L-lactate. We found the distinguishing products to be consistent with published experimental literature. This study showcases a systematic technique, PROTEAN, for comparing the predicted functional metabolic output of microbes using genome-scale metabolic network analysis and computational modeling and provides unique insight into human-associated Lactobacillus biology. Importance The Lactobacillus genus has been shown to be important for human health. Lactobacilli have been isolated from human intestinal, oral, and vaginal sites. Members of the genus contribute significantly to the maintenance of vaginal health by providing colonization resistance to invading pathogens. A wide variety of clinical studies have indicated that Lactobacillus -based probiotics confer health benefits for several gut- and immune-associated diseases. Microbes interact with the human body in several ways, including the production of metabolites that influence physiology or other surrounding microbes. We have conducted a strain-level genome-scale metabolic network reconstruction analysis of human-associated Lactobacillus strains, revealing that predicted metabolic capabilities differ when comparing intestinal/oral isolate to vaginal isolates. The technique we present here allows for direct interpretation of discriminating features between the experimental groups.