Abstract The interests in repurposing and reusing systems biology models have been growing in recent years. Semantic annotations play an important role for this, as they provide crucial information on the meanings and functions of models. However, there are a limited number of tools that evaluate the existence or quality of such annotations. In this paper, we introduce SBMate, a python package that would serve as a framework for evaluating the quality of annotations in systems biology models. Three default metrics are provided: coverage, consistency, and specificity. Coverage checks whether annotations exist in a model. Consistency tests if the annotations are appropriate for the given model element. Finally, specificity represents how detailed the annotations are. We analyzed 1,000 curated models from the BioModels repository using the three metrics and discussed the results. Additional metrics can be easily added to extend the current version of SBMate.

Abstract Congenital Anomalies of the Kidney and Urinary Tract (CAKUT) is the leading cause of childhood end-stage renal disease and a significant cause of chronic kidney disease in adults. Genetic and environmental factors are known to influence CAKUT development, but the currently known disease mechanism remains incomplete. Our goal is to identify affected pathways and networks in CAKUT, and thereby aid in getting a better understanding of its pathophysiology. Multi-omics experiments, including amniotic fluid miRNome, peptidome, and proteome analyses, can shed light on foetal kidney development in non-severe CAKUT patients compared to severe CAKUT cases. We performed FAIRification of these omics data sets to facilitate their integration with external data resources. Furthermore, we analysed and integrated the omics data sets using three different bioinformatics strategies. The three bioinformatics analyses provided complementary features, but all pointed towards an important role for collagen in CAKUT development. We published the three analysis strategies as containerized workflows. These workflows can be applied to other FAIR data sets and help gaining knowledge on other rare diseases.

Annotations of biochemical models provide details of chemical species, documentation of chemical reactions, and other essential information. Unfortunately, the vast majority of biochemical models have few, if any, annotations, or the annotations provide insufficient detail to understand the limitations of the model. The quality and quantity of annotations can be improved by developing tools that recommend annotations. For example, recommender tools have been developed for annotations of genes. Although annotating genes is conceptually similar to annotating biochemical models, there are important technical differences that make it difficult to directly apply this prior work.We present AMAS, a system that predicts annotations for elements of models represented in the Systems Biology Markup Language (SBML) community standard. We provide a general framework for predicting model annotations for a query element based on a database of annotated reference elements and a match score function that calculates the similarity between the query element and reference elements. The framework is instantiated to specific element types (e.g., species, reactions) by specifying the reference database (e.g., ChEBI for species) and the match score function (e.g., string similarity). We analyze the computational efficiency and prediction quality of AMAS for species and reactions in BiGG and BioModels and find that it has sub-second response times and accuracy between 80% and 95% depending on specifics of what is predicted. We have incorporated AMAS into an open-source, pip-installable Python package that can run as a command-line tool that predicts and adds annotations to species and reactions to an SBML model.Our project is hosted at https://github.com/sys-bio/AMAS, where we provide examples, documentation, and source code files. Our source code is licensed under the MIT open-source license.

Motivation The growing complexity of reaction-based models necessitates early detection and resolution of model errors. This paper addresses mass balance errors, discrepancies between the mass of reactants and products in reaction specifications. One approach to detection is atomic mass analysis, which uses meta-data to expose atomic formulas of chemical species. Atomic mass analysis isolates errors to individual reactions. However, this approach burdens modelers with expressing model meta-data and writing excessively detailed reactions that include implicit chemical species (e.g., water). Moreover, atomic mass analysis has the shortcoming of not being applicable to large molecules because of the limitations of current annotation techniques. The second approach, Linear Programming (LP) analysis, avoids using model meta-data by checking for a weaker condition, stoichiometric inconsistency. But this approach suffers from false negatives and has large isolation sets (the set of reactions implicated in the stoichiometric inconsistency).Results We propose alternatives to both approaches. Our alternative to atomic mass analysis is moiety analysis. Moiety analysis uses model meta-data in the form of moieties present in chemical species. Moiety analysis avoids excessively detailed reaction specifications, and can be used with large molecules. Our alternative to LP analysis is Graphical Analysis of Mass Equivalence Sets (GAMES). GAMES has a slightly higher false negative rate than LP analysis, but it provides much better error isolation. In our studies of the BioModels Repository, the average size of isolation sets for LP analysis is 55.5; for GAMES, it is 5.4. We have created open source codes for moiety analysis and GAMES.Availability and Implementation Our project is hosted at SBMLLint, which contains examples, documentation, source code files, and build scripts used to create SBMLLint. Our source code is licensed under the MIT open source license.Contact: jlheller{at}uw.eduSupplementary information: None.