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.

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.

Certain neuronal populations are selectively vulnerable to alpha-synuclein pathology in Parkinson's Disease, yet the reasons for this selectivity are unclear. Pathology affects neuronal populations that are anatomically connected although the contribution of neuronal connectivity remains to be quantitatively explored. Herein, we simulate the contribution of the connectome alone to the spread of arbitrary aggregates using a computational model of temporal spread within an abstract representation of the mouse mesoscale connectome. Our simulations are compared with the neuron-to-neuron spread of alpha-synuclein that has been observed with in vivo spreading experiments in rats. We find that neuronal connectivity appears to be compatible with the spreading pattern of alpha-synuclein pathology however, it may be per se insufficient to determine the anatomical pattern of protein spreading observed in experimental animals, suggesting a role of selective vulnerability of neuronal pathways to alpha-synuclein diffusion, accumulation and pathology.