Constraint-based reconstruction and analysis (COBRA) provides a molecular mechanistic framework for integrative analysis of experimental molecular systems biology data and quantitative prediction of physicochemically and biochemically feasible phenotypic states. The COBRA Toolbox is a comprehensive desktop software suite of interoperable COBRA methods. It has found widespread application in biology, biomedicine, and biotechnology because its functions can be flexibly combined to implement tailored COBRA protocols for any biochemical network. This protocol is an update to the COBRA Toolbox v.1.0 and v.2.0. Version 3.0 includes new methods for quality-controlled reconstruction, modeling, topological analysis, strain and experimental design, and network visualization, as well as network integration of chemoinformatic, metabolomic, transcriptomic, proteomic, and thermochemical data. New multi-lingual code integration also enables an expansion in COBRA application scope via high-precision, high-performance, and nonlinear numerical optimization solvers for multi-scale, multi-cellular, and reaction kinetic modeling, respectively. This protocol provides an overview of all these new features and can be adapted to generate and analyze constraint-based models in a wide variety of scenarios. The COBRA Toolbox v.3.0 provides an unparalleled depth of COBRA methods.

Several genome-scale metabolic reconstruction software platforms have been developed and are being continuously updated. These tools have been widely applied to reconstruct metabolic models for hundreds of microorganisms ranging from important human pathogens to species of industrial relevance. However, these platforms, as yet, have not been systematically evaluated with respect to software quality, best potential uses and intrinsic capacity to generate high-quality, genome-scale metabolic models. It is therefore unclear for potential users which tool best fits the purpose of their research.

Abstract Several genome-scale metabolic reconstruction software platforms have been developed and are being continuously updated. These tools have been widely applied to reconstruct metabolic models for hundreds of microorganisms ranging from important human pathogens to species of industrial relevance. However, these platforms, as yet, have not been systematically evaluated with respect to software quality, best potential uses and intrinsic capacity to generate high-quality, genome-scale metabolic models. It is therefore unclear for potential users which tool best fits the purpose of their research. In this work, we performed a systematic assessment of the current genome-scale reconstruction software platforms. To meet our goal, we first defined a list of features for assessing software quality related to genome-scale reconstruction, which we expect to be useful for the potential users of these tools. Subsequently, we used the feature list to evaluate the performance of each tool. In order to assess the similarity of the draft reconstructions to high-quality models, we compared each tool’s output networks with that of the high-quality, manually curated, models of Lactobacillus plantarum and Bordetella pertussis , representatives of gram-positive and gram-negative bacteria, respectively. We showed that none of the tools outperforms the others in all the defined features and that model builders should carefully choose a tool (or combinations of tools) depending on the intended use of the metabolic model. Author Summary Metabolic networks that comprise biochemical reactions at genome-scale have become very useful to study and predict the phenotype of important microorganisms. Several software platforms exist to build these metabolic networks. Based on different approaches and utilizing a variety of databases it is, unfortunately, unclear what are the best scenarios to use each of these tools. Hence, to understand the potential uses of these tools, we created a list of relevant features for metabolic reconstruction and we evaluated the tools in all these categories. Here, we show that none of the tools is better than the other in all the evaluated categories; instead, each tool is more suitable for particular purposes. Therefore, users should carefully select the tool(s) that best fit the purpose of their research. This is the first time these tools are systematically evaluated and this overview can be used as a guide for selecting the correct tool(s) for each case.

Yeasts constitute over 1500 species with great potential for biotechnology. Still, the yeast Saccharomyces cerevisiae dominates industrial applications and many alternative physiological capabilities of lesser-known yeasts are not being fully exploited. While comparative genomics receives substantial attention, little is known about yeasts’ metabolic specificity in batch cultures. Here we propose a multi-phase multi-objective dynamic genome-scale model of yeast batch cultures that describes the uptake of carbon and nitrogen sources and the production of primary and secondary metabolites. The model integrates a specific metabolic reconstruction, based on the consensus Yeast8, and a kinetic model describing the time-varying culture environment. Besides, we proposed a multi-phase multi-objective flux balance analysis to compute the dynamics of intracellular fluxes. We then compared the metabolism of S. cerevisiae and S. uvarum strains in wine fermentation. The model successfully explained the experimental data and brought novel insights into how cryotolerant strains achieve redox balance. The proposed modeling captures the dynamics of metabolism throughout the batch and offers a systematic approach to prospect or engineer novel yeast cell factories.

Abstract Genome-scale metabolic models (GEMs) can facilitate metabolism-focused multi-omics integrative analysis. Since Yeast8, the yeast-GEM of Saccharomyces cerevisiae , published in 2019, has been continuously updated by the community. This has increased the quality and scope of the model, culminating now in Yeast9. To evaluate its predictive performance, we generated 163 condition-specific GEMs constrained by single-cell transcriptomics from osmotic pressure or reference conditions. Comparative flux analysis showed that yeast adapting to high osmotic pressure benefits from upregulating fluxes through central carbon metabolism. Furthermore, combining Yeast9 with proteomics revealed metabolic rewiring underlying its preference for nitrogen sources. Lastly, we created strain-specific GEMs (ssGEMs) constrained by transcriptomics for 1229 mutant strains. Well able to predict the strains’ growth rates, fluxomics from those large-scale ssGEMs outperformed transcriptomics in predicting functional categories for all studied genes in machine learning models. Based on those findings we anticipate that Yeast9 will continue to empower systems biology studies of yeast metabolism.

Abstract Genome-scale metabolic models (GEMs) can facilitate metabolism-focused multi-omics integrative analysis. Since Yeast8, the yeast-GEM of Saccharomyces cerevisiae , published in 2019, has been continuously updated by the community. This have increased the quality and scope of this model, culminating now in Yeast9. To evaluate its predictive performance, we generated 163 condition-specific GEMs constrained by single-cell transcriptomics from osmotic pressure or normal conditions. Comparative flux analysis showed that yeast adapting to high osmotic pressure benefits from upregulating fluxes through the central carbon metabolism. Furthermore, combining Yeast9 with proteomics revealed metabolic rewiring underlying its preference in nitrogen sources. Lastly, we created strain-specific GEMs (ssGEMs) constrained by transcriptomics for 1229 mutant strains. Well able to predict the strains’ growth rates, fluxomics from those large-scale ssGEMs outperformed transcriptomics in predicting functional categories for all studied genes in machine-learning models. Based on those findings we anticipate that Yeast9 will empower systems biology studies of yeast metabolism.

Abstract The fission yeast Schizosaccharomyces pombe is a popular eukaryal model organism for cell division and cell cycle studies. With this extensive knowledge of its cell and molecular biology, S. pombe also holds promise for use in metabolism research and industrial applications. However, unlike the baker’s yeast Saccharomyces cerevisiae , a major workhorse in these areas, cell physiology and metabolism of S. pombe remain less explored. One way to advance understanding of organism-specific metabolism is construction of computational models and their use for hypothesis testing. To this end, we leverage existing knowledge of S. cerevisiae to generate a manually-curated high-quality reconstruction of S. pombe’s metabolic network, including a proteome-constrained version of the model. Using these models, we gain insights into the energy demands for growth, as well as ribosome kinetics in S. pombe . Furthermore, we predict proteome composition and identify growth-limiting constraints that determine optimal metabolic strategies under different glucose availability regimes, and reproduce experimentally determined metabolic profiles. Notably, we find similarities in metabolic and proteome predictions of S. pombe with S. cerevisiae , which indicate that similar cellular resource constraints operate to dictate metabolic organization. With these use cases, we show, on the one hand, how these models provide an efficient means to transfer metabolic knowledge from a well-studied to a lesser-studied organism, and on the other, how they can successfully be used to explore the metabolic behaviour and the role of resource allocation in driving different strategies in fission yeast.

ABSTRACT Yeasts constitute over 1500 species with great potential for biotechnology. Still, the yeast Saccharomyces cerevisiae dominates industrial applications and many alternative physiological capabilities of lesser-known yeasts are not being fully exploited. While comparative genomics receives substantial attention, little is known about yeasts’ metabolic specificity in batch cultures. Here we propose a multi-phase multi-objective dynamic genome-scale model of yeast batch cultures that describes the uptake of carbon and nitrogen sources and the production of primary and secondary metabolites. The model integrates a specific metabolic reconstruction, based on the consensus Yeast8, and a kinetic model describing the time-varying culture environment. Besides, we proposed a multi-phase multi-objective flux balance analysis to compute the dynamics of intracellular fluxes. We then compared the metabolism of S. cerevisiae and S. uvarum strains in a rich medium fermentation. The model successfully explained the experimental data and brought novel insights into how cryotolerant strains achieve redox balance. The proposed model (along with the corresponding code) provides a comprehensive picture of the main steps occurring inside the cell during batch cultures and offers a systematic approach to prospect or metabolically engineering novel yeast cell factories. IMPORTANCE Non-conventional yeast species hold the promise to provide novel metabolic routes to produce industrially relevant compounds and tolerate specific stressors, such as cold temperatures. This work presented and validated the first multi-phase multi-objective genome-scale dynamic model to describe carbon and nitrogen metabolism throughout batch fermentation. To test and illustrate its performance, we considered the comparative metabolism of three yeast strains of the Saccharomyces genus in rich medium fermentation. The study revealed that cryotolerant Saccharomyces species might use the GABA shunt and the production of reducing equivalents as alternative routes to achieve redox balance, a novel biological insight worth being explored further. The proposed model (along with the provided code) can be applied to a wide range of batch processes started with different yeast species and media, offering a systematic and rational approach to prospect non-conventional yeast species metabolism and engineering novel cell factories.

Abstract The yeast Lachancea thermotolerans converts consumed sugar partly to lactic acid instead of ethanol and is therefore used together with Saccharomyces cerevisiae to produce wines with a lower alcohol content. Being able to distinguish these yeasts is important for quality control and quantitative assessment of the contributions of both yeasts to wine fermentations. Commonly used methods to routinely distinguish these organisms are indirect or rely on commercial products of undisclosed composition. Here we describe that adding bromocresol purple to agar media induces Lachancea colonies to develop a brown color, whereas Saccharomyces colonies remain white.