Constraint-based reconstruction and analysis (COBRA) provides a molecular mechanistic framework for integrative analysis of experimental molecular systems biology data and quantitative prediction of physicochemically and biochemically feasible phenotypic states. The COBRA Toolbox is a comprehensive desktop software suite of interoperable COBRA methods. It has found widespread application in biology, biomedicine, and biotechnology because its functions can be flexibly combined to implement tailored COBRA protocols for any biochemical network. This protocol is an update to the COBRA Toolbox v.1.0 and v.2.0. Version 3.0 includes new methods for quality-controlled reconstruction, modeling, topological analysis, strain and experimental design, and network visualization, as well as network integration of chemoinformatic, metabolomic, transcriptomic, proteomic, and thermochemical data. New multi-lingual code integration also enables an expansion in COBRA application scope via high-precision, high-performance, and nonlinear numerical optimization solvers for multi-scale, multi-cellular, and reaction kinetic modeling, respectively. This protocol provides an overview of all these new features and can be adapted to generate and analyze constraint-based models in a wide variety of scenarios. The COBRA Toolbox v.3.0 provides an unparalleled depth of COBRA methods.

Genome-scale network reconstructions have helped uncover the molecular basis of metabolism. Here we present Recon3D, a computational resource that includes three-dimensional (3D) metabolite and protein structure data and enables integrated analyses of metabolic functions in humans. We use Recon3D to functionally characterize mutations associated with disease, and identify metabolic response signatures that are caused by exposure to certain drugs. Recon3D represents the most comprehensive human metabolic network model to date, accounting for 3,288 open reading frames (representing 17% of functionally annotated human genes), 13,543 metabolic reactions involving 4,140 unique metabolites, and 12,890 protein structures. These data provide a unique resource for investigating molecular mechanisms of human metabolism. Recon3D is available at http://vmh.life.

A multitude of factors contribute to complex diseases and can be measured with 'omics' methods. Databases facilitate data interpretation for underlying mechanisms. Here, we describe the Virtual Metabolic Human (VMH, www.vmh.life) database encapsulating current knowledge of human metabolism within five interlinked resources 'Human metabolism', 'Gut microbiome', 'Disease', 'Nutrition', and 'ReconMaps'. The VMH captures 5180 unique metabolites, 17 730 unique reactions, 3695 human genes, 255 Mendelian diseases, 818 microbes, 632 685 microbial genes and 8790 food items. The VMH's unique features are (i) the hosting of the metabolic reconstructions of human and gut microbes amenable for metabolic modeling; (ii) seven human metabolic maps for data visualization; (iii) a nutrition designer; (iv) a user-friendly webpage and application-programming interface to access its content; (v) user feedback option for community engagement and (vi) the connection of its entities to 57 other web resources. The VMH represents a novel, interdisciplinary database for data interpretation and hypothesis generation to the biomedical community.

Abstract The human microbiome influences the efficacy and safety of a wide variety of commonly prescribed drugs, yet comprehensive systems-level approaches to interrogate drug-microbiome interactions are lacking. Here, we present a computational resource of human microbial genome-scale reconstructions, deemed AGORA2, which accounts for 7,206 strains, includes microbial drug degradation and biotransformation, and was extensively curated based on comparative genomics and literature searches. AGORA2 serves as a knowledge base for the human microbiome and as a metabolic modelling resource. We demonstrate the latter by mechanistically modelling microbial drug metabolism capabilities in single strains and pairwise models. Moreover, we predict the individual-specific drug conversion potential in a cohort of 616 colorectal cancer patients and controls. This analysis reveals that some drug activation capabilities are present in only a subset of individuals, moreover, drug conversion potential correlate with clinical parameters. Thus, AGORA2 paves the way towards personalised, predictive analysis of host-drug-microbiome interactions.

Abstract Starting with a comprehensive generic reconstruction of human metabolism, we generated high-quality, constraint-based, genome-scale, cell-type and condition specific models of metabolism in human dopaminergic neurons, the cell type most vulnerable to degeneration in Parkinson ’ s disease. They are a synthesis of extensive manual curation of the biochemical literature on neuronal metabolism, together with novel, quantitative, transcriptomic and targeted exometabolomic data from human stem cell-derived, midbrainspecific, dopaminergic neurons in vitro . Thermodynamic constraint-based modelling enabled qualitatively accurate and moderately quantitatively accurate prediction of dopaminergic neuronal metabolite exchange fluxes, including predicting the consequences of metabolic perturbations in a manner also consistent with literature on monogenic mitochondrial Parkinson ’ s disease. These dopaminergic neurons models provide a foundation for a quantitative systems biochemistry approach to metabolic dysfunction in Parkinson ’ s disease. Moreover, the plethora of novel mathematical and computational approaches required to develop them are generalisable to study any other disease associated with metabolic dysfunction.

Abstract Constraint-based modelling can mechanistically simulate the behaviour of a biochemical system, permitting hypotheses generation, experimental design and interpretation of experimental data, with numerous applications, including modelling of metabolism. Given a generic model, several methods have been developed to extract a context-specific, genome-scale metabolic model by incorporating information used to identify metabolic processes and gene activities in a given context. However, existing model extraction algorithms are unable to ensure that the context-specific model is thermodynamically feasible. This protocol introduces XomicsToModel , a semi-automated pipeline that integrates bibliomic, transcriptomic, proteomic, and metabolomic data with a generic genome-scale metabolic reconstruction, or model, to extract a context-specific, genome-scale metabolic model that is stoichiometrically, thermodynamically and flux consistent. The XomicsToModel pipeline is exemplified for extraction of a specific metabolic model from a generic metabolic model, but it enables omics data integration and extraction of physicochemically consistent mechanistic models from any generic biochemical network. With all input data fully prepared, algorithmic completion of the pipeline takes ~10 min, however manual review of intermediate results may also be required, e.g., when inconsistent input data lead to an infeasible model.

Certain neuronal populations are selectively vulnerable to alpha-synuclein pathology in Parkinson's Disease, yet the reasons for this selectivity are unclear. Pathology affects neuronal populations that are anatomically connected although the contribution of neuronal connectivity remains to be quantitatively explored. Herein, we simulate the contribution of the connectome alone to the spread of arbitrary aggregates using a computational model of temporal spread within an abstract representation of the mouse mesoscale connectome. Our simulations are compared with the neuron-to-neuron spread of alpha-synuclein that has been observed with in vivo spreading experiments in rats. We find that neuronal connectivity appears to be compatible with the spreading pattern of alpha-synuclein pathology however, it may be per se insufficient to determine the anatomical pattern of protein spreading observed in experimental animals, suggesting a role of selective vulnerability of neuronal pathways to alpha-synuclein diffusion, accumulation and pathology.