Enzyme promiscuity approaches to predict metabolic pathways in the human gut microbiota.

Abstract

Metabolism is the whole set of reactions that take place in an organism. Understanding how humans digest food and absorb nutrients is complex and challenging. The role of the different communities of microorganisms that reside in the human being, called microbiota, has gained growing interest in the last decade. In particular, the human gut microbiota has been linked to several diseases and syndromes, which has largely motivated the study of the interaction between diet, gut microbiota metabolism and health from very different angles. In the area of System Biology, the release of high-quality metabolic reconstructions of the human gut microbiota has opened new avenues to address this question. However, they are still in their infancy, and further developments are required to obtain more comprehensive metabolic models. In this doctoral thesis, the main objective is to develop computational tools to complete these metabolic reconstructions and improve the annotation of important dietary compounds degraded by the human gut microbiota. This work is divided into two parts. The first part focuses on System Biology and enzyme promiscuity with the aim of improving metabolic reconstructions of the human gut microbiota. We present AGREDA v1.1, a new metabolic reconstruction that includes predicted chemical transformations from a popular enzyme promiscuity algorithm called RetroPath RL. The new draft AGREDA v1.1 allows a better representation of phenolic compounds, a relevant class of compounds for both nutrition and health. By means of untargeted metabolomics, we validated the ability of AGREDA v1.1 to predict output microbial compounds in the human gut microbiota. Then, we introduce PROXIMAL2, a novel enzyme promiscuity algorithm that overcomes the limitations of PROXIMAL, a promising previously published algorithm, but it was unable to be applied to our problem of phenolic compound degradation in the human gut microbiota. In particular, PROXIMAL2 overcomes the dependency on KEGG database and extends the scope of application to more complex enzymatic reactions. We obtained complementary results to the ones obtained with RetroPath RL, proposing new tentative degradation pathways for phenolic compounds in the human gut microbiota. The second part of this doctoral thesis is focused on the development of tools to analyze the 16S rRNA gene-sequencing data using metabolic reconstructions of the human gut microbiota. Specifically, we present a novel Python package called q2-metnet, which contextualizes 16S rRNA gene-sequencing data into metabolic networks and provides a quantitative score for reactions and subsystems. By means of different metabolic reconstructions, users can characterize data samples and extract functional features to differentiate between clinical conditions.

El metabolismo es el conjunto completo de reacciones que tienen lugar en un organismo. Comprender cómo los seres humanos digieren los alimentos y absorben los nutrientes es complejo y desafiante. El papel de las diferentes comunidades de microorganismos que residen en el ser humano, llamadas microbiota, ha ganado un creciente interés en la última década. En particular, la microbiota intestinal humana se ha relacionado con varias enfermedades y síndromes, lo que ha motivado en gran medida el estudio de la interacción entre la dieta, el metabolismo de la microbiota intestinal y la salud desde diferentes enfoques. En el área de la biología de sistemas, el desarrollo de reconstrucciones metabólicas de alta calidad de la microbiota intestinal humana ha abierto nuevas vías para abordar esta cuestión. Sin embargo, aún se encuentran en sus etapas iniciales y se requieren más desarrollos para obtener modelos metabólicos más completos. En esta tesis doctoral, el objetivo principal es desarrollar herramientas computacionales para completar estas reconstrucciones metabólicas y mejorar la anotación de importantes compuestos de la dieta degradados por la microbiota intestinal humana. Este trabajo se divide en dos partes. La primera parte se centra en la biología de sistemas y la promiscuidad enzimática con el objetivo de mejorar las reconstrucciones metabólicas de la microbiota intestinal humana. Presentamos AGREDA v1.1, una nueva reconstrucción metabólica que incluye transformaciones químicas predichas de un algoritmo de promiscuidad enzimática popular llamado RetroPath RL. AGREDA v1.1 permite una mejor representación de los compuestos fenólicos, una clase relevante de compuestos tanto para la nutrición como para la salud. Mediante metabolómica no dirigida, validamos la capacidad de AGREDA v1.1 para predecir los compuestos microbianos producidos en la microbiota intestinal humana. Luego, presentamos PROXIMAL2, un nuevo algoritmo de promiscuidad enzimática que supera las limitaciones de PROXIMAL, un algoritmo prometedor previamente publicado pero que no se pudo aplicar a nuestro problema de degradación de compuestos fenólicos en la microbiota intestinal humana. En particular, PROXIMAL2 supera la dependencia de la base de datos KEGG y amplía el alcance de aplicación a reacciones enzimáticas más complejas. Obtuvimos resultados complementarios a los obtenidos con RetroPath RL, proponiendo nuevas vías de degradación para compuestos fenólicos en la microbiota intestinal humana. La segunda parte de esta tesis doctoral se centra en el desarrollo de herramientas para analizar los datos de secuenciación del gen 16S rRNA utilizando reconstrucciones metabólicas de la microbiota intestinal humana. Específicamente, presentamos un nuevo paquete de Python llamado q2-metnet, que contextualiza los datos de secuenciación del gen 16S rRNA en redes metabólicas y proporciona una puntuación cuantitativa para reacciones y subsistemas. Mediante diferentes reconstrucciones metabólicas, los usuarios pueden caracterizar muestras de datos y extraer características funcionales para diferenciar entre condiciones clínicas.