Abstract Genome‐scale metabolic models ( GEM s) are widely used to calculate metabolic phenotypes. They rely on defining a set of constraints, the most common of which is that the production of metabolites and/or growth are limited by the carbon source uptake rate. However, enzyme abundances and kinetics, which act as limitations on metabolic fluxes, are not taken into account. Here, we present GECKO , a method that enhances a GEM to account for enzymes as part of reactions, thereby ensuring that each metabolic flux does not exceed its maximum capacity, equal to the product of the enzyme's abundance and turnover number. We applied GECKO to a Saccharomyces cerevisiae GEM and demonstrated that the new model could correctly describe phenotypes that the previous model could not, particularly under high enzymatic pressure conditions, such as yeast growing on different carbon sources in excess, coping with stress, or overexpressing a specific pathway. GECKO also allows to directly integrate quantitative proteomics data; by doing so, we significantly reduced flux variability of the model, in over 60% of metabolic reactions. Additionally, the model gives insight into the distribution of enzyme usage between and within metabolic pathways. The developed method and model are expected to increase the use of model‐based design in metabolic engineering.

An open-source, genome-scale human metabolic model and a web portal to explore the model are generated.

Abstract Genome-scale metabolic models (GEMs) represent extensive knowledgebases that provide a platform for model simulations and integrative analysis of omics data. This study introduces Yeast8 and an associated ecosystem of models that represent a comprehensive computational resource for performing simulations of the metabolism of Saccharomyces cerevisiae ––an important model organism and widely used cell-factory. Yeast8 tracks community development with version control, setting a standard for how GEMs can be continuously updated in a simple and reproducible way. We use Yeast8 to develop the derived models panYeast8 and coreYeast8, which in turn enable the reconstruction of GEMs for 1,011 different yeast strains. Through integration with enzyme constraints (ecYeast8) and protein 3D structures (proYeast8 DB ), Yeast8 further facilitates the exploration of yeast metabolism at a multi-scale level, enabling prediction of how single nucleotide variations translate to phenotypic traits.

RAVEN is a commonly used MATLAB toolbox for genome-scale metabolic model (GEM) reconstruction, curation and constraint-based modelling and simulation. Here we present RAVEN Toolbox 2.0 with major enhancements, including: (i) de novo reconstruction of GEMs based on the MetaCyc pathway database; (ii) a redesigned KEGG-based reconstruction pipeline; (iii) convergence of reconstructions from various sources; (iv) improved performance, usability, and compatibility with the COBRA Toolbox. Capabilities of RAVEN 2.0 are here illustrated through de novo reconstruction of GEMs for the antibiotic-producing bacterium Streptomyces coelicolor. Comparison of the automated de novo reconstructions with the iMK1208 model, a previously published high-quality S. coelicolor GEM, exemplifies that RAVEN 2.0 can capture most of the manually curated model. The generated de novo reconstruction is subsequently used to curate iMK1208 resulting in Sco4, the most comprehensive GEM of S. coelicolor, with increased coverage of both primary and secondary metabolism. This increased coverage allows the use of Sco4 to predict novel genome editing targets for optimized secondary metabolites production. As such, we demonstrate that RAVEN 2.0 can be used not only for de novo GEM reconstruction, but also for curating existing models based on up-to-date databases. Both RAVEN 2.0 and Sco4 are distributed through GitHub to facilitate usage and further development by the community (https://github.com/SysBioChalmers/RAVEN and https://github.com/SysBioChalmers/Streptomyces_coelicolor-GEM).

Abstract Enzyme turnover numbers ( k cat ) are key to understanding cellular metabolism, proteome allocation and physiological diversity, but experimentally measured k cat data are sparse and noisy. Here we provide a deep learning approach (DLKcat) for high-throughput k cat prediction for metabolic enzymes from any organism merely from substrate structures and protein sequences. DLKcat can capture k cat changes for mutated enzymes and identify amino acid residues with a strong impact on k cat values. We applied this approach to predict genome-scale k cat values for more than 300 yeast species. Additionally, we designed a Bayesian pipeline to parameterize enzyme-constrained genome-scale metabolic models from predicted k cat values. The resulting models outperformed the corresponding original enzyme-constrained genome-scale metabolic models from previous pipelines in predicting phenotypes and proteomes, and enabled us to explain phenotypic differences. DLKcat and the enzyme-constrained genome-scale metabolic model construction pipeline are valuable tools to uncover global trends of enzyme kinetics and physiological diversity, and to further elucidate cellular metabolism on a large scale.

Abstract Genome-scale metabolic models (GEMs) have been widely used for quantitative exploration of the relation between genotype and phenotype. Streamlined integration of enzyme constraints and proteomics data into GEMs was first enabled by the GECKO method, allowing the study of phenotypes constrained by protein limitations. Here, we upgraded the GECKO toolbox in order to enhance models with enzyme and proteomics constraints for any organism with an available GEM reconstruction. With this, enzyme-constrained models (ecModels) for the budding yeasts Saccharomyces cerevisiae, Yarrowia lipolytica and Kluyveromyces marxianus were generated, aiming to study their long-term adaptation to several stress factors by incorporation of proteomics data. Predictions revealed that upregulation and high saturation of enzymes in amino acid metabolism were found to be common across organisms and conditions, suggesting the relevance of metabolic robustness in contrast to optimal protein utilization as a cellular objective for microbial growth under stress and nutrient-limited conditions. The functionality of GECKO was further developed by the implementation of an automated framework for continuous and version-controlled update of ecModels, which was validated by producing additional high-quality ecModels for Escherichia coli and Homo sapiens. These efforts aim to facilitate the utilization of ecModels in basic science, metabolic engineering and synthetic biology purposes.

Abstract Enzyme turnover numbers ( k cat values) are key parameters to understand cell metabolism, proteome allocation and physiological diversity, but experimentally measured k cat data are sparse and noisy. Here we provide a deep learning approach to predict k cat values for metabolic enzymes in a high-throughput manner with the input of substrate structures and protein sequences. Our approach can capture k cat changes for mutated enzymes and identify amino acid residues with great impact on k cat values. Furthermore, we applied the approach to predict genome scale k cat values for over 300 yeast species, demonstrating that the predicted k cat values are consistent with current evolutional understanding. Additionally, we designed an automatic pipeline using the predicted k cat values to parameterize enzyme-constrained genome scale metabolic models (ecGEMs) facilitated by a Bayesian approach, which outperformed the default ecGEMs in predicting phenotypes and proteomes and enabled to explain phenotype differences among yeast species. The deep learning k cat prediction approach and automatic ecGEM construction pipeline would thus be a valuable tool to uncover the global trend of enzyme kinetics and physiological diversity, and to further elucidate cell metabolism on a large scale.

Abstract Eukaryal cells are used for the production of many recombinant pharmaceutical proteins, including several of the current top-selling products. The protein secretory pathway in eukaryal cells is complex and involves many different processes such as post-translational modifications, translocation, and folding. Furthermore, recombinant protein production competes with native secretory proteins for the limited energy and proteome resources allocated to the protein secretory pathway. Due to the complexity of this pathway, improvement through metabolic engineering has traditionally been relatively ad-hoc; and considering the industrial importance of this pathway, there is a need for more systematic approaches for novel design principles. Here, we present the first proteome-constrained genome-scale protein secretory model of a eukaryal cell, namely for the yeast Saccharomyces cerevisiae (pcSecYeast). The model contains all key processes of this pathway, i.e., protein translation, modification, and degradation coupled with metabolism. The model can capture delicate phenotypic changes such as the switch in the use of specific glucose transporters in response to changing extracellular glucose concentration. Furthermore, the model can also simulate the effects of protein misfolding on cellular growth, suggesting that retro-translocation of misfolded proteins contributes to protein retention in the Endoplasmic reticulum (ER). We used pcSecYeast to simulate various recombinant proteins production and identified overexpression targets for different recombinant proteins overproduction. We experimentally validated many of the predicted targets for α-amylase production in this study, and the results show that the secretory pathways have more limited capacity than metabolism in terms of protein secretion.

Abstract Single-cell RNA sequencing has the potential to unravel the differences in metabolism across cell types and cell states in both the healthy and diseased human body. The use of existing knowledge in the form of genome-scale metabolic models (GEMs) holds promise to strengthen such analyses, but the combined use of these two methods requires new computational methods. Here, we present a method for generating cell-type-specific genome-scale models from clusters of single-cell RNA-Seq profiles. Specifically, we developed a method to estimate the number of cells required to pool to obtain stable models, a bootstrapping strategy for estimating statistical inference, and a faster version of the tINIT algorithm for generating context-specific GEMs. In addition, we evaluated the effect of different RNA-Seq normalization methods on model topology and differences in models generated from single-cell and bulk RNA-Seq data. We applied our methods on data from mouse cortex neurons and cells from the tumor microenvironment of lung cancer and in both cases found that almost every cell subtype had a unique metabolic profile, emphasizing the need to study them separately rather than to build models from bulk RNA-Seq data. In addition, our approach was able to detect cancer-associated metabolic differences between cancer cells and healthy cells, showcasing its utility. With the ever-increasing availability of single-cell RNA-Seq datasets and continuously improved GEMs, their combination holds promise to become an important approach in the study of human metabolism.

Abstract Lactose assimilation is a relatively rare trait in yeasts, and Kluyveromyces yeast species have long served as model organisms for studying lactose metabolism. Meanwhile, the metabolic strategies of most other lactose-assimilating yeasts remain unknown. In this work, we have elucidated the genetic determinants of the superior lactose-growing yeast Candida intermedia . Through genomic and transcriptomic analyses and deletion mutant phenotyping, we identified three interdependent gene clusters responsible for the metabolism of lactose and its hydrolysis product galactose: the conserved LAC cluster ( LAC12, LAC4 ) for lactose uptake and hydrolysis, the conserved GAL cluster ( GAL1, GAL7, GAL10 ) for galactose catabolism, and a unique “ GALLAC” cluster. This novel GALLAC cluster, which has evolved through gene duplication and divergence, proved indispensable for C. intermedia’s growth on lactose and galactose. The cluster contains the transcriptional activator gene LAC9 , second copies of GAL1 and GAL10 and the XYL1 gene encoding an aldose reductase involved in carbon overflow metabolism. Notably, the regulatory network in C. intermedia , governed by Lac9 and Gal1 from the GALLAC cluster, differs significantly from the (ga)lactose regulons in Saccharomyces cerevisiae , Kluyveromyces lactis and Candida albicans . Moreover, although lactose and galactose metabolism are closely linked in C. intermedia , our results also point to important regulatory differences. This study paves the way to a better understanding of lactose and galactose metabolism in C. intermedia and provides new evolutionary insights into yeast metabolic pathways and regulatory networks. In extension, the results will facilitate future development and use of C. intermedia as a cell-factory for conversion of lactose-rich whey into value-added products.