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.

A bstract Objective Phenylketonuria (PKU) is caused by a deficiency of the hepatic enzyme phenylalanine hydroxylase, which primarily converts phenylalanine into tyrosine. Despite a phenylalanine-deprived diet, many adult PKU patients display deficits in executive functions. These are hypothesised to be caused by high cerebral phenylalanine and a shortage of monoaminergic neurotransmitters. Method To better understand the relationship between plasma and brain amino acid levels and monoaminergic neurotransmitter biochemistry, we constructed a computational model. The model comprises the transport of large neutral amino acids (LNAA) across the blood-brain barrier as well as cerebral amino acid and monoaminergic neurotransmitter metabolism and was validated by direct measurements of brain amino acid concentrations in PKU mice on various diets. Results The model predicts that brain amino acids are positively controlled by the concentrations of the corresponding amino acids in the blood, and to a lesser extent negatively by other amino acids competing for the transport systems. The model suggests that brain levels of monoaminergic neurotransmitters are controlled more by phenylalanine, probably through non-competitive inhibition of the hydroxylases rather than by their precursor amino acids. Therefore, the model predicts that the decrease of neurotransmitters in PKU cannot be fully rescued by the addition of tyrosine and tryptophan alone, but also benefits from a reduction of the phenylalanine level. Thereby, the model substantiates the experimental data of the synergistic effect of both brain phenylalanine reduction and increased precursor amino acid availability to improve brain neurotransmitters in PKU mice. Conclusion We present the first complete model of the LNAA transport through the blood-brain barrier and subsequent brain neurotransmitter metabolism in PKU. The model leads to a better understanding of the pathophysiological mechanisms and the influence of individual amino acids in the diet on the underlying brain dysfunction in PKU. Moreover, it identifies gaps in our current knowledge about the LNAA transport across the blood-brain barrier. Furthermore, the model can be readily applied in studies of other neurological disorders in which the relation between diet, gene activities, brain amino acids, and neurotransmitters is important.

ABSTRACT Flavin adenine dinucleotide (FAD) and its precursor flavin mononucleotide (FMN) are redox cofactors that are required for the activity of more than hundred human enzymes. Mutations in the genes encoding these proteins cause severe phenotypes, including a lack of energy supply and accumulation of toxic intermediates. Ideally, patients should be diagnosed before they show symptoms so that treatment and/or preventive care can start immediately. This can be achieved by standardized newborn screening tests. However, many of the flavin-related diseases lack appropriate biomarker profiles. Genome-scale metabolic models can aid in biomarker research by predicting altered profiles of potential biomarkers. Unfortunately, current models, including the most recent human metabolic reconstructions Recon and HMR, typically treat enzyme-bound flavins incorrectly as free metabolites. This in turn leads to artificial degrees of freedom in pathways that are strictly coupled. Here, we present a reconstruction of human metabolism with a curated and extended flavoproteome. To illustrate the functional consequences, we show that simulations with the curated model – unlike simulations with earlier Recon versions - correctly predict the metabolic impact of multiple-acyl-CoA-dehydrogenase deficiency as well as of systemic flavin-depletion. Moreover, simulations with the new model allowed us to identify a larger number of biomarkers in flavoproteome-related diseases, without loss of accuracy. We conclude that adequate inclusion of cofactors in constraint-based modelling contributes to higher precision in computational predictions.

Refsum disease is an inborn error of metabolism that is characterised by a defect in peroxisomal α-oxidation of the branched-chain fatty acid phytanic acid. The disorder presents with late-onset progressive retinitis pigmentosa and polyneuropathy and can be diagnosed biochemically by elevated levels of phytanic acid in plasma and tissues of patients. To date, no cure exists for Refsum disease, but phytanic acid levels in patients can be reduced by plasmapheresis and a strict diet.In this study, we reconstructed a fibroblast-specific genome-scale model based on the recently published, FAD-curated model, based on Recon3D reconstruction. We used transcriptomics (available via GEO database with identifier GSE138379), metabolomics, and proteomics data (available via ProteomeXchange with identifier PXD015518), which we obtained from healthy controls and Refsum disease patient fibroblasts incubated with phytol, a precursor of phytanic acid.Our model correctly represents the metabolism of phytanic acid and displays fibroblast-specific metabolic functions. Using this model, we investigated the metabolic phenotype of Refsum disease at the genome-scale, and we studied the effect of phytanic acid on cell metabolism. We identified 53 metabolites that were predicted to discriminate between Healthy and Refsum disease patients, several of which with a link to amino acid metabolism. Ultimately, these insights in metabolic changes may provide leads for pathophysiology and therapy.