Abstract Motivation Large-scale kinetic models are an invaluable tool to understand the dynamic and adaptive responses of biological systems. The development and application of these models have been limited by the availability of computational tools to build and analyze large-scale models efficiently. The toolbox presented here provides the means to implement, parametrize and analyze large-scale kinetic models intuitively and efficiently. Results We present a Python package (SKiMpy) bridging this gap by implementing an efficient kinetic modeling toolbox for the semiautomatic generation and analysis of large-scale kinetic models for various biological domains such as signaling, gene expression, and metabolism. Furthermore, we demonstrate how this toolbox is used to parameterize kinetic models around a steady-state reference efficiently. Finally, we show how SKiMpy can imple-ment multispecies bioreactor simulations to assess biotechnological processes. Availability The software is available as a Python 3 package on GitHub: https://github.com/EPFL-LCSB/SKiMpy , along with adequate documentation. Contact vassily.hatzimanikatis@epfl.ch

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.

Apicomplexan parasite diseases, including malaria (Plasmodium) and theileriosis (Theileria), pose a significant threat to global health and the socioeconomic well-being of low-income countries. Despite recent advances, the common host metabolic proteins essential for these highly auxotrophic pathogens remain elusive. Here, we present a comprehensive investigation integrating a metabolic model of P. falciparum parasites in hepatocytes and a genome-wide CRISPR screen targeting Theileria schizont-infected macrophages. We reveal unifying host metabolic enzymes critical for the intracellular survival of these related hematozoa. We show that pathways such as host purine and heme biosynthesis are essential for both Theileria survival and Plasmodium liver development, while genes involved in glutathione and polyamine biosynthesis are predicted to be essential for Plasmodium only under certain metabolic conditions. Our work highlights the importance of host porphyrins for the viability of liver-stage Plasmodium. Shared parasite vulnerabilities provide a resource for exploring alternative therapeutic approaches to combat these crippling diseases.

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.

Summary Interleukin-2 receptor (IL-2R)-mediated intracellular signaling is a key regulator of T-cell fate decisions. While the potent signals generated by IL-2 engagement execute effector differentiation, elevated metabolic activities and rapid cellular expansion, IL-15 binding induces a stemness/memory phenotype and a quiescent metabolic state. Here, we demonstrate that weak but sustained signaling generated by a non-IL-2R α -binding variant of IL-2 (IL-2v) drive proliferation/metabolic and stemness transcriptional programs, thereby reprogramming CD8 + T cells into a hybrid ‘metabolically active stem-like state’. We further show that IL-2v-induced T cells are capable of superior engraftment, persistence, and tumor control when utilized in adoptive cell therapy. Taken together, our study highlights the ability to fine-tune cytokine engagement of cognate receptors in order to generate therapeutically relevant T-cell states and further reveals the metabolic plasticity of the T-cell memory program.