Abstract Activation of lipid metabolism is an early event in carcinogenesis and a central hallmark of many cancers. However, the precise molecular composition of lipids in tumors remains generally poorly characterized. The aim of the present study was to analyze the global lipid profiles of breast cancer, integrate the results to protein expression, and validate the findings by functional experiments. Comprehensive lipidomics was conducted in 267 human breast tissues using ultraperformance liquid chromatography/ mass spectrometry. The products of de novo fatty acid synthesis incorporated into membrane phospholipids, such as palmitate-containing phosphatidylcholines, were increased in tumors as compared with normal breast tissues. These lipids were associated with cancer progression and patient survival, as their concentration was highest in estrogen receptor–negative and grade 3 tumors. In silico transcriptomics database was utilized in investigating the expression of lipid metabolism related genes in breast cancer, and on the basis of these results, the expression of specific proteins was studied by immunohistochemistry. Immunohistochemical analyses showed that several genes regulating lipid metabolism were highly expressed in clinical breast cancer samples and supported also the lipidomics results. Gene silencing experiments with seven genes [ACACA (acetyl-CoA carboxylase α), ELOVL1 (elongation of very long chain fatty acid–like 1), FASN (fatty acid synthase), INSIG1 (insulin-induced gene 1), SCAP (sterol regulatory element–binding protein cleavage–activating protein), SCD (stearoyl-CoA desaturase), and THRSP (thyroid hormone–responsive protein)] indicated that silencing of multiple lipid metabolism–regulating genes reduced the lipidomic profiles and viability of the breast cancer cells. Taken together, our results imply that phospholipids may have diagnostic potential as well as that modulation of their metabolism may provide therapeutic opportunities in breast cancer treatment. Cancer Res; 71(9); 3236–45. ©2011 AACR.

Abstract Yeasts in the lager brewing group are closely related and consequently do not exhibit significant genetic variability. Here, an artificial Saccharomyces cerevisiae × Saccharomyces eubayanus tetraploid interspecies hybrid was created by rare mating, and its ability to sporulate and produce viable gametes was exploited to generate phenotypic diversity. Four spore clones obtained from a single ascus were isolated, and their brewing-relevant phenotypes were assessed. These F1 spore clones were found to differ with respect to fermentation performance under lager brewing conditions (15 °C, 15 °Plato), production of volatile aroma compounds, flocculation potential and temperature tolerance. One spore clone, selected for its rapid fermentation and acetate ester production was sporulated to produce an F2 generation, again comprised of four spore clones from a single ascus. Again, phenotypic diversity was introduced. In two of these F2 clones, the fermentation performance was maintained and acetate ester production was improved relative to the F1 parent and the original hybrid strain. Strains also performed well in comparison to a commercial lager yeast strain. Spore clones varied in ploidy and chromosome copy numbers, and faster wort fermentation was observed in strains with a higher ploidy. An F2 spore clone was also subjected to 10 consecutive wort fermentations, and single cells were isolated from the resulting yeast slurry. These isolates also exhibited variable fermentation performance and chromosome copy numbers, highlighting the instability of polyploid interspecific hybrids. These results demonstrate the value of this natural approach to increase the phenotypic diversity of lager brewing yeast strains. Contribution to the field Lager beer fermentations have traditionally been carried out with natural S. cerevisiae × S. eubayanus hybrids. These strains possess both the ability to tolerate low temperatures and the ability to utilize efficiently wort sugars. However, being closely related, strains within the group exhibit limited phenotypic variability. Since the recent discovery of wild strains of S. eubayanus , it has been possible to generate lager yeast hybrids artificially, thereby increasing the genetic and phenotypic diversity of lager brewing strains. Here, to demonstrate the potential for further increased diversity, a constructed tetraploid hybrid was sporulated and spore clones derived from a single ascus were evaluated with respect to fermentation performance (sugar utilization, stress tolerance and volatile aroma synthesis). Meiosis introduced variability in a number of key parameters. One fertile spore clone from this F1 generation was sporulated to introduce further diversity and to demonstrate the potential of clone selection in steering phenotypes in a desirable direction. Genome instability of hybrids was observed, but this can be exploited to further increase diversity. This was demonstrated by assessing performance of variants isolated after ten consecutive rounds of fermentation. The approach allows for the introduction of phenotypic diversity without the need for targeted genetic modification.

Eukaryotic metabolism is organized into subcellular compartments enclosed by lipid-membranes. Since most metabolites do not move freely across the membranes, the compartmentalization influences metabolic pathway connectivities. Thus, compartmentalizing the pathways also in genome-scale metabolic models (GEMs) is essential for accurate predictions of eukaryotic cells’ metabolic phenotypes. Compartmentalization has manually been introduced into the model Eukaryote GEMs like for yeast Saccharomyces cerevisiae . Non-model organisms’ GEMs can be automatically reconstructed from genome data. However, the existing GEM reconstruction methods do not introduce compartmentalization into the models. To that end, we integrated our novel deep learning protein localization prediction and protein functional annotation into a top-down GEM reconstruction for automatically creating species-specific compartmentalized GEMs. We developed also a universal fungal GEM for top-down reconstruction of species-specifically compartmentalized GEMs and reconstructed models for 834 species. The novel protein localization prediction outperformed the state of the art in classifying proteins into multiple compartments and integrating the enzyme localization predictions to functional annotations improved the top-down model reconstruction. Interestingly, the clustering of the fungal GEMs reconstructed with predicted species-specific enzyme localization resembled more closely the phylogenetic relationships of the species than that of the GEMS without the compartmentalization. Compartmentalization of metabolism in fungi differs from other eukaryotes but the enzyme subcellular localizations vary also among fungal species. The Fungal kingdom encompasses species important for human health, environment, and industrial biotechnology. The reconstructed fungal GEM set offers valuable tools for e.g., predicting metabolic phenotypes of e.g., mushrooms or single-cellular fungi, the roles of eukaryotes in microbial communities, designs optimizing eukaryotic hosts for industrial chemical production, and identifying drug targets against pathogenic fungi. Beyond fungi, the compartmentalized GEM reconstruction method allows combining other universal GEMs for developing cell type specific GEMs for higher eukaryotes including plants, insects, and mammals.

Abstract Background Use of alternative non- Saccharomyces yeasts in wine and beer brewing has gained more attention the recent years. This is both due to the desire to obtain a wider variety of flavours in the product and to reduce the final alcohol content. Given the metabolic differences between the yeast species, we wanted to account for some of the differences by using in silico models. Results We created and studied genome-scale metabolic models of five different non- Saccharomyces species using an automated processes. These were: Metschnikowia pulcherrima, Lachancea thermotolerans, Hanseniaspora osmophila and Kluyveromyces lactis . Using the models, we predicted that M. pulcherrima , when compared to the other species, conducts more respiration and thus produces less fermentation products, a finding which agrees with experimental data. Complex I of the electron transport chain was to be present in M. pulcherrima , but absent in the others. The predicted importance of Complex I was diminished when we incorporated constraints on the amount of enzymatic protein, as this shifts the metabolism towards fermentation. Conclusions Our results suggest that Complex I in the electron transport chain is a key differentiator between Metschnikowia pulcherrima and the other yeasts considered. Yet, more annotations and experimental data have the potential to improve model quality in order to increase fidelity and confidence in these results. Further experiments should be conducted to confirm the in vivo effect of Complex I in M. pulcherrima and its respiratory metabolism.

Motivation: In the analysis of metabolism using omics data, two distinct and complementary approaches are frequently used: Principal component analysis (PCA) and Stoichiometric flux analysis. PCA is able to capture the main modes of variability in a set of experiments and does not make many prior assumptions about the data, but does not inherently take into account the flux mode structure of metabolism. Stoichiometric flux analysis methods, such as Flux Balance Analysis (FBA) and Elementary Mode Analysis, on the other hand, produce results that are readily interpretable in terms of metabolic flux modes, however, they are not best suited for exploratory analysis on a large set of samples. Results: We propose a new methodology for the analysis of metabolism, called Principal Metabolic Flux Mode Analysis (PMFA), which marries the PCA and Stoichiometric flux analysis approaches in an elegant regularized optimization framework. In short, the method incorporates a variance maximization objective form PCA coupled with a Stoichiometric regularizer, which penalizes projections that are far from any flux modes of the network. For interpretability, we also introduce a sparse variant of PMFA that favours flux modes that contain a small number of reactions. Our experiments demonstrate the versatility and capabilities of our methodology.