Aperçu Général
L’analyse de bilan de flux (FBA) est une méthode de modélisation basée sur des contraintes qui prédit le flux de métabolites à travers un réseau biochimique sans nécessiter de paramètres cinétiques détaillés. La FBA représente le métabolisme comme une matrice stœchiométrique où chaque colonne est une réaction et chaque ligne est un métabolite. En supposant que la cellule est en état stationnaire, les concentrations de métabolites sont constantes, le système d’équations linéaires devient sous-déterminé, et une fonction objectif telle que la production de biomasse ou la synthèse d’ATP est optimisée par programmation linéaire pour produire une distribution de flux physiologiquement significative.
Concepts Clés
La matrice stœchiométrique code la topologie du réseau de réactions. Les contraintes bornent les flux de réaction : taux d’absorption de l’environnement, irréversibilité thermodynamique et capacités enzymatiques maximales. La fonction objectif formalise ce que la cellule optimise, typiquement le taux de croissance dans les modèles microbiens. L’analyse de variabilité de flux sonde les solutions optimales alternatives en maximisant et minimisant chaque flux tout en maintenant une valeur objective quasi optimale. Les modèles métaboliques à l’échelle génomique (GEM) englobent désormais des milliers de réactions et de métabolites et sont reconstruits à partir de génomes annotés à l’aide de bases de données telles que KEGG et MetaCyc.
Applications
La FBA prédit les taux de croissance, l’essentialité des gènes et les stratégies d’ingénierie métabolique. Elle identifie des cibles de suppression optimales pour la surproduction de biocarburants ou de produits pharmaceutiques dans des châssis microbiens. En recherche biomédicale, des modèles spécifiques au contexte reconstruits à partir de données omiques révèlent des vulnérabilités métaboliques dans les cellules cancéreuses. La FBA se connecte directement aux voies métaboliques classiques comme la glycolyse et le cycle de l’acide citrique, et dépend de données précises de régulation enzymatique pour contraindre les flux de réaction avec des informations cinétiques ou régulatrices.
Protocole Pratique
Une reconstruction de modèle métabolique à l’échelle génomique (GEM) dans la COBRA Toolbox commence par le génome annoté. Utilisez la fonction getModelFromSEED ou téléchargez un modèle curé depuis BiGG Models. Dans MATLAB/Octave, initialisez l’environnement COBRA : initCobraToolbox. Chargez un modèle avec readCbModel('model.xml') ou utilisez un GEM standard comme readCbModel('ecoli_core_model.mat'). Inspectez les propriétés du modèle : printRxnStats(model), model.rxns, model.mets et model.S (la matrice stœchiométrique). Définissez la fonction objectif sur la production de biomasse : model = changeObjective(model, 'BIOMASS_Ecoli_core_w_GAM'). Définissez les contraintes environnementales en fixant les taux d’absorption : model = changeRxnBounds(model, 'EX_glc(e)', -10, 'l') fixe une absorption maximale de glucose de 10 mmol/gDW/h. Exécutez FBA avec solution = optimizeCbModel(model, 'max') ; la sortie contient solution.f (valeur objective, c’est-à-dire taux de croissance) et solution.x (vecteur de flux). Effectuez une analyse de variabilité de flux (FVA) pour explorer les optimums alternatifs : [minFlux, maxFlux] = fluxVariability(model, 90), où 90 signifie les solutions à 90 % de l’optimum. L’analyse d’essentialité des gènes supprime systématiquement chaque gène : [grRatio, grRateKO, grRateWT] = singleGeneDeletion(model) pour identifier les gènes essentiels. La reconstruction de modèles spécifiques au contexte à partir de données omiques utilise l’algorithme iMAT : model_ctx = createTissueSpecificModel(model, expression_data, 'iMAT'). Pour visualiser les résultats, utilisez drawFlux pour cartographier les flux sur un diagramme de réseau métabolique. Comparez les taux de croissance prédits avec les mesures expérimentales et affinez les contraintes en ajoutant des informations thermodynamiques ou régulatrices provenant de données de cinétique enzymatique. Le package COBRApy Python fournit des fonctionnalités équivalentes pour ceux qui travaillent dans des environnements Python.
