Genome-scale metabolic modeling in transcriptome-driven discovery of metabolite biomarkers for parkinson's disease

Abstract

Parkinson hastalığı (PH), hem motor hem de motor olmayan belirtileri ile öne çıkan ikinci en yaygın nörodejeneratif hastalıktır. Yaşlanan nüfusla birlikte PH hastalarının sayısı çarpıcı biçimde artmaktadır. Mevcut tedaviler esas olarak semptomları hafifletir, ancak henüz nöroprotektif bir tedavi bulunmamaktadır. PH genellikle klinik semptomlara dayanarak teşhis edilmektedir, ancak hastalığın patolojik belirtileri klinik semptomlardan yıllar önce moleküler düzeyde ortaya çıkmaktadır. Bu nedenle, PH için preklinik biyobelirteçlerin araştırılması, erken teşhis ve hedefli tedavi stratejilerinin geliştirilmesi için hayati önem taşımaktadır. Genom ölçekli metabolik modellerin ve omik verilerin bütünleşik analizi, metabolit biyobelirteçlerini tahmin etmek için hesaplamalı bir yaklaşım sunmaktadır. Bu tez, transkriptom verilerini ve genom ölçekli metabolik modelleri birleştiren çeşitli stratejileri değerlendirip geliştirerek PH gibi kompleks hastalıklar için kullanılabilecek yenilikçi bir hesaplamalı metabolit biyobelirteç tahmini yaklaşımı geliştirmeyi amaçlamaktadır. Tez ayrıca, önerilen biyobelirteç tahmin yaklaşımının, biyobelirteç tahmini, bireylerdeki hastalık heterojenliğini karakterize etme ve hastalık sürecindeki hücre tipine özgü metabolik değişiklikleri belirleme dahil olmak üzere çeşitli açılardan PH'yi incelemek için uygulanmasını da hedeflemektedir. İlk olarak, metabolik tepkime hızı hesaplama tabanlı bir biyobelirteç tahmin yaklaşımı olan TIMBR (Transcriptionally Inferred Metabolic Biomarker Response) algoritması ve TIMBR'ın iki modifiye edilmiş versiyonu, PH için metabolit biyobelirteçlerini tahmin etme potansiyellerini araştırmak üzere karşılaştırılmıştır. Bu tez kapsamında geliştirilen modifiye algoritma TAMBOOR (TrAnscriptome-based Metabolite Biomarkers by On-Off Reactions), PH'de etkilendiği bilinen metabolik yolakları ve metabolit salgılama profillerini yakalama açısından daha iyi performans göstermiştir. İkinci olarak, TAMBOOR algoritması, PH'nin heterojen doğasını aydınlatmak ve potansiyel hasta alt gruplarını tanımlamak için kişiselleştirilmiş verilerin analizinde kullanılmıştır. Üçüncü olarak, TAMBOOR yaklaşımı, PH'de yoğun olarak etkilenen hücre tipleri olan nöron, mikroglia ve astrositlerdeki metabolik değişiklikleri tahmin etmek için tek hücre RNA-dizileme veri seti kullanılarak uygulanmıştır. Son olarak, iMAT (Integrative Metabolic Analysis Tool) algoritması ile oluşturulan kişiye özgü genom-ölçekli metabolik modellerin metabolit salgılama kapasitelerine dayanan başka bir biyobelirteç tahmin stratejisi, PH için biyobelirteçleri tahmin etmek üzere test edilmiştir. Bu tez, transkriptom verilerinin entegrasyonu ve kısıt tabanlı metabolik modellemeye dayanan biyobelirteç tahmin yöntemleri için bir kıyaslama çalışması sunmaktadır. Bu tez kapsamında geliştirilen biyobelirteç tahmin yaklaşımı, karmaşık hastalıkların moleküler düzeyde sistem biyolojisi yaklaşımı ile analizi için bir temel oluşturmaktadır. Ayrıca, bu tezde yürütülen çalışmalar, PH'deki metabolit salgılama değişikliklerinin hastalarda yaygın olan değişiklikler, hasta alt gruplarına özgü değişiklikler ve hücre tipine özgü değişiklikler dahil olmak üzere çeşitli açılardan kapsamlı bir analizini sunmaktadır.Parkinson's disease (PD) is the second most common neurodegenerative disease with heterogeneous symptomatology, including both motor and non-motor symptoms. The number of people suffering from PD dramatically increases with the aging population. The current treatments mainly relieve symptoms, but there is no neuroprotective treatment yet. PD is commonly diagnosed based on clinical symptoms, yet pathological signs of the disease manifest at the molecular level years before clinical symptoms. Consequently, the investigation of preclinical biomarkers for PD is crucial for early diagnosis and the development of targeted treatment strategies. Integrative analysis of genome-scale metabolic models (GEMs) and omics data provides a computational approach for the prediction of metabolite biomarkers. This thesis aims to develop a powerful computational approach for metabolite biomarker prediction that can be utilized for complex diseases like PD by evaluating and enhancing various strategies that integrate transcriptome data and GEMs. The thesis also aims to apply the suggested biomarker prediction approach to examine PD from various perspectives, including biomarker prediction, characterizing disease heterogeneity in individuals, and identifying cell type-specific metabolic contributions in the disease process. Firstly, the TIMBR (Transcriptionally Inferred Metabolic Biomarker Response) algorithm, a flux demand-based biomarker prediction approach, and two modified versions of TIMBR were compared to investigate their potential in predicting metabolite biomarkers for PD. The modified algorithm, TrAnscriptome-based Metabolite Biomarkers by On-Off Reactions (TAMBOOR), which was introduced in this thesis, performed better in terms of capturing well-known pathway alterations and metabolite secretion changes in PD. The metabolites that TAMBOOR predicted to be oversecreted or undersecreted in PD were proposed as high-potential candidate biomarkers. Secondly, the TAMBOOR algorithm was utilized at a personalized level to elucidate the heterogeneous nature of PD and to identify potential patient subgroups. Predicted group-specific metabolite secretion behaviors revealed insights into the ways of patient classification that might drive more effective diagnostic and therapeutic techniques. Thirdly, the TAMBOOR approach was applied with a PD-related single-cell RNA-seq dataset for predicting metabolic alterations in neurons, microglia, and astrocytes—cell types predominantly impacted in PD. Lastly, another biomarker prediction strategy based on the metabolite secretion capacities of condition-specific GEMs reconstructed by the iMAT (Integrative Metabolic Analysis Tool) algorithm was tested for predicting biomarkers for PD. The predictions revealed that the iMAT-based approach identifies core metabolic disturbances but fails to capture complex metabolic interactions. The thesis represents a benchmarking study for biomarker prediction methods based on transcriptome data integration and constraint-based metabolic modeling. The biomarker prediction approach introduced here provides a foundation for the system-level analysis of complex diseases at the molecular level. Additionally, the studies conducted in this thesis offer a comprehensive analysis of metabolite secretion alterations in PD from a variety of angles, including common changes, group-specific changes, and cell type-specific changes.