Abstract Increased availability of multi-omics data has facilitated the characterization of metabolic phenotypes of cellular organisms. However, devising genetic interventions that drive cellular organisms toward the desired phenotype remains challenging in terms of time, cost, and resources. Kinetic models, in particular, hold great potential for accelerating this task since they can simulate the metabolic responses to environmental and genetic perturbations. Although the challenges in building kinetic models have been well-documented, there exists no consensus on how to use these models for strain design in a computationally tractable manner. A straightforward approach that exhaustively simulates and evaluates putative designs would be impractical, considering the intensive computational requirements when targeting multiple enzymes. We address this issue by introducing a framework to efficiently scout the space of designs while respecting the physiological requirements of the cell. The framework employs mixed-integer linear programming and nonlinear simulations with large-scale nonlinear kinetic models to devise genetic interventions in a scalable manner while accounting for the network effects of these perturbations. More importantly, the framework ensures the engineered strain’s robustness by maintaining its phenotype close to that of the reference strain. We use the framework to improve the production of anthranilate, a precursor for pharmaceutical drugs, in E. coli . The devised strategies include eight previously experimentally validated targets and also novel designs suitable for experimental implementation. As an essential part of the future design-build-test-learn cycles, we anticipate that this novel framework will enable high throughput designs and accelerated turnover in biotechnological processes.

Abstract Kinetic models of metabolic networks relate metabolic fluxes, metabolite concentrations, and enzyme levels through well-defined mechanistic relations rendering them an essential tool for systems biology studies aiming to capture and understand the behavior of living organisms. However, due to the lack of information about the kinetic properties of enzymes and the uncertainties associated with available experimental data, traditional kinetic modeling approaches often yield only a few or no kinetic models with desirable dynamical properties making the computational analysis unreliable and computationally inefficient. We present REKINDLE (REconstruction of KINetic models using Deep LEarning), a deep-learning-based framework for efficiently generating large-scale kinetic models with dynamic properties matching the ones observed in living organisms. We showcase REKINDLE’s efficiency and capabilities through three studies where we: (i) generate large populations of kinetic models that allow reliable in silico testing of hypotheses and systems biology designs, (ii) navigate the phenotypic space by leveraging the transfer learning capability of generative adversarial networks, demonstrating that the generators trained for one physiology can be fine-tuned for another physiology using a low amount of data, and (iii) expand upon existing datasets, making them amenable to thorough computational biology and data-science analyses. The results show that data-driven neural networks assimilate implicit kinetic knowledge and structure of metabolic networks and generate novel kinetic models with tailored properties and statistical diversity. We anticipate that our framework will advance our understanding of metabolism and accelerate future research in health, biotechnology, and systems and synthetic biology. REKINDLE is available as an open-access tool.

Abstract The advancements in genome editing techniques over the past years have rekindled interest in rational metabolic engineering strategies. While Metabolic Control Analysis (MCA) is a well-established method for quantifying the effects of metabolic engineering interventions on flows in metabolic networks and metabolic concentrations, it fails to account for the physiological limitations of the cellular environment and metabolic engineering design constraints. We report here a constraint-based framework based on MCA, Network Response Analysis (NRA), for the rational genetic strain design that incorporates biologically relevant constraints, as well as genome editing restrictions. The NRA core constraints being similar to the ones of Flux Balance Analysis, allow it to be used for a wide range of optimization criteria and with various physiological constraints. We show how the parametrization and introduction of biological constraints enhance the NRA formulation compared to the classical MCA approach, and we demonstrate its features and its ability to generate multiple alternative optimal strategies given several user-defined boundaries and objectives. In summary, NRA is a sophisticated alternative to classical MCA for rational metabolic engineering that accommodates the incorporation of physiological data at metabolic flux, metabolite concentration, and enzyme expression levels.

Abstract A persistent obstacle for constructing kinetic models of metabolism is uncertainty in the kinetic properties of enzymes. Currently, available methods for building kinetic models can cope indirectly with uncertainties by integrating data from different biological levels and origins into models. In this study, we use the recently proposed computational approach iSCHRUNK ( i n S ilico Approach to Ch aracterization and R eduction of Un certainty in the K inetic Models), which combines Monte Carlo parameter sampling methods and machine learning techniques, in the context of Bayesian inference. Monte Carlo parameter sampling methods allow us to exploit synergies between different data sources and generate a population of kinetic models that are consistent with the available data and physicochemical laws. The machine learning allows us to data-mine the a priori generated kinetic parameters together with the integrated datasets and derive posterior distributions of kinetic parameters consistent with the observed physiology. In this work, we used iSCHRUNK to address a design question: can we identify which are the kinetic parameters and what are their values that give rise to a desired metabolic behavior? Such information is important for a wide variety of studies ranging from biotechnology to medicine. To illustrate the proposed methodology, we performed Metabolic Control Analysis, computed the flux control coefficients of the xylose uptake (XTR), and identified parameters that ensure a rate improvement of XTR in a glucose-xylose co-utilizing S. cerevisiae strain. Our results indicate that only three kinetic parameters need to be accurately characterized to describe the studied physiology, and ultimately to design and control the desired responses of the metabolism. This framework paves the way for a new generation of methods that will systematically integrate the wealth of available omics data and efficiently extract the information necessary for metabolic engineering and synthetic biology decisions. Author Summary Kinetic models are the most promising tool for understanding the complex dynamic behavior of living cells. The primary goal of kinetic models is to capture the properties of the metabolic networks as a whole, and thus we need large-scale models for dependable in silico analyses of metabolism. However, uncertainty in kinetic parameters impedes the development of kinetic models, and uncertainty levels increase with the model size. Tools that will address the issues with parameter uncertainty and that will be able to reduce the uncertainty propagation through the system are therefore needed. In this work, we applied a method called iSCHRUNK that combines parameter sampling and machine learning techniques to characterize the uncertainties and uncover intricate relationships between the parameters of kinetic models and the responses of the metabolic network. The proposed method allowed us to identify a small number of parameters that determine the responses in the network regardless of the values of other parameters. As a consequence, in future studies of metabolism, it will be sufficient to explore a reduced kinetic space, and more comprehensive analyses of large-scale and genome-scale metabolic networks will be computationally tractable.

Abstract Generating large omics datasets has become routine practice to gain insights into cellular processes, yet deciphering such massive datasets and determining intracellular metabolic states remains challenging. Kinetic models of metabolism play a critical role in integrating omics data, as they provide explicit connections between metabolite concentrations, metabolic fluxes, and enzyme levels. However, the difficulties in determining kinetic parameters that govern cellular physiology hinder the broader adoption of these models by the research community. Here we present RENAISSANCE (REconstruction of dyNAmIc models through Stratified Sampling using Artificial Neural networks and Concepts of Evolution strategies), a generative machine learning framework for efficiently parameterizing large-scale kinetic models with dynamic properties matching experimental observations. Through seamless integration and consolidation of diverse omics data and other relevant information, like extracellular medium composition, physicochemical data, and expertise of domain specialists, we show that the proposed framework accurately characterizes unknown intracellular metabolic states, including metabolic fluxes and metabolite concentrations, in E. coli ’s metabolic network. Moreover, we show that RENAISSANCE successfully estimates missing kinetic parameters and reconciles them with sparse and noisy experimental data, resulting in a substantial reduction in parameter uncertainty and a notable improvement in the accuracy and reliability of the parameter estimates. The proposed framework will be invaluable for researchers who seek to analyze metabolic variations involving changes in metabolite and enzyme levels and enzyme activity in health and biotechnological studies.

The limited supply of fossil fuels and the establishment of new environmental policies shifted research in industry and academia towards sustainable production of the 2nd generation of biofuels, with Methyl Ethyl Ketone (MEK) being one promising fuel candidate. MEK is a commercially valuable petrochemical with an extensive application as a solvent. However, as of today, a sustainable and economically viable production of MEK has not yet been achieved despite several attempts of introducing biosynthetic pathways in industrial microorganisms. We used BNICE.ch as a retrobiosynthesis tool to discover all novel pathways around MEK. Out of 1325 identified compounds connecting to MEK with one reaction step, we selected 3-oxopentanoate, but-3-en-2-one, but-1-en-2-olate, butylamine, and 2-hydroxy-2-methyl-butanenitrile for further study. We reconstructed 3679610 novel biosynthetic pathways towards these 5 compounds. We then embedded these pathways into the genome-scale model of E. coli, and a set of 18622 were found to be most biologically feasible ones based on thermodynamics and their yields. For each novel reaction in the viable pathways, we proposed the most similar KEGG reactions, with their gene and protein sequences, as candidates for either a direct experimental implementation or as a basis for enzyme engineering. Through pathway similarity analysis we classified the pathways and identified the enzymes and precursors that were indispensable for the production of the target molecules. These retrobiosynthesis studies demonstrate the potential of BNICE.ch for discovery, systematic evaluation, and analysis of novel pathways in synthetic biology and metabolic engineering studies.

Novel sequencing techniques and biochemical pathway prediction resources provide a wealth of data on novel proteins and computationally predicted enzymatic reactions. Accurate matching of protein sequences to enzymatic activities is crucial for advancing synthetic biology and metabolic engineering efforts. Here we present BridgIT+, a computational workflow that accounts for enzyme promiscuity and accurately predicts protein-reaction and reaction-protein associations. BridgIT+ builds upon the promiscuity-based method for annotating orphan and novel reactions with enzymatic activities, BridgIT, and utilizes position-specific scoring matrices (PSSM). The framework uses sequence alignment and enzyme promiscuity predictions to analyze protein sequences, identify sequence patterns, and create promiscuous protein sequence profiles for each reaction. These profiles allow us to predict the protein sequences most likely involved in the reaction. We showcase BridgIT+ by annotating (i) computationally predicted reactions with proteins and (ii) unannotated proteins of E. coli proteome with enzymatic functions. We demonstrated the performance of BridgIT+ on several biochemical assays and compared it to three current state-of-the-art methods for matching proteins and reactions. We anticipate that the proposed conceptual framework will enhance our understanding of gene-protein-reaction relations and advance biological sequence and reaction annotation in biology and synthetic biology studies.

Generating large omics datasets has become routine for gaining insights into cellular processes, yet deciphering these datasets to determine metabolic states remains challenging. Kinetic models can help integrate omics data by explicitly linking metabolite concentrations, metabolic fluxes and enzyme levels. Nevertheless, determining the kinetic parameters that underlie cellular physiology poses notable obstacles to the widespread use of these mathematical representations of metabolism. Here we present RENAISSANCE, a generative machine learning framework for efficiently parameterizing large-scale kinetic models with dynamic properties matching experimental observations. Through seamless integration of diverse omics data and other relevant information, including extracellular medium composition, physicochemical data and expertise of domain specialists, RENAISSANCE accurately characterizes intracellular metabolic states in Escherichia coli. It also estimates missing kinetic parameters and reconciles them with sparse experimental data, substantially reducing parameter uncertainty and improving accuracy. This framework will be valuable for researchers studying metabolic variations involving changes in metabolite and enzyme levels and enzyme activity in health and biotechnology. Despite the availability of large omics datasets, determining intracellular metabolic states is challenging. Now a generative machine learning framework called RENAISSANCE has been developed to estimate missing kinetic parameters and determine time-resolved metabolic reaction rates and metabolite concentrations without requiring training data.

Abstract Eukaryotic organisms play an important role in industrial biotechnology, from the production of fuels and commodity chemicals to therapeutic proteins. To optimize these industrial systems, a mathematical approach can be used to integrate the description of multiple biological networks into a single model for cell analysis and engineering. One of the current most accurate models of biological systems include metabolism and expression (ME-models), and Expression and Thermodynamics FLux (ETFL) is one such formulation that efficiently integrates RNA and protein synthesis with traditional genome-scale metabolic models. However, ETFL is so far only applicable for E. coli . To therefore adapt this ME-model for Saccharomyces cerevisiae , we herein developed yETFL. To do this, we augmented the original formulation with additional considerations for biomass composition, the compartmentalized cellular expression system, and the energetic costs of biological processes. We demonstrated the predictive ability of yETFL to capture maximum growth rate, essential genes, and the phenotype of overflow metabolism. We envision that the extended ETFL formulation can be applied to ME-model development for a wide range of eukaryotic organisms. The utility of these ME-models can be extended into academic and industrial research.

Thousands of biochemical reactions with characterized activities are orphan, meaning they cannot be assigned to a specific enzyme, leaving gaps in metabolic pathways. Novel reactions predicted by pathway-generation tools also lack associated sequences, limiting protein engineering applications. Associating orphan and novel reactions with known biochemistry and suggesting enzymes to catalyze them is a daunting problem. We propose a new method, BridgIT, to identify candidate genes and protein sequences for these reactions, and this method introduces, for the first time, information about the enzyme binding pocket into reaction similarity comparisons. We performed two large-scale validation studies to test BridgIT predictions against experimental biochemical evidence. For the 234 orphan reactions from KEGG 2011 that became non-orphan in KEGG 2018, BridgIT predicted the exact or a highly related enzyme for 211 of them. Moreover, for 334 out of 379 novel reactions in 2014 that were later catalogued in KEGG 2018, BridgIT predicted the exact or highly similar enzyme sequences. BridgIT requires knowledge about only three connecting bonds around the atoms of the reactive sites to correctly identify protein sequences for 93% of analyzed enzymatic reactions.