基于肝脏代谢组的吉布斯自由能景观揭示了机体在禁食和肥胖条件下的热力学稳健性
《iScience》:The Gibbs free energy landscape based on liver metabolome revealed thermodynamic robustness against fasting and obesity
【字体:
大
中
小
】
时间:2026年09月26日
来源:iScience 4.5
编辑推荐:
重点摘要
• GLEAM 从代谢组学数据估计反应吉布斯自由能景观
• 禁食期间尽管代谢物发生转变,肝脏自由能景观仍保持稳健
• 潜在限速步骤持续存在;稳健性与酶成本之间存在权衡
• 肥胖肝脏尽管代谢紊乱仍保持野生型样自由能景观
摘要
哺乳动物肝脏代谢在禁食期间发生显著转变,
重点摘要
• GLEAM 从代谢组学数据估计反应吉布斯自由能景观
• 禁食期间尽管代谢物发生转变,肝脏自由能景观仍保持稳健
• 潜在限速步骤持续存在;稳健性与酶成本之间存在权衡
• 肥胖肝脏尽管代谢紊乱仍保持野生型样自由能景观
摘要
哺乳动物肝脏代谢在禁食期间发生显著转变,然而反应吉布斯自由能变化(ΔrG′)——一个定义反应驱动力并约束代谢方向性的基本热力学量——在完整器官中仍缺乏表征。在此,我们利用绝对代谢物浓度和 GLEAM(Gibbs free energy of reaction landscape estimation from metabolome assisted by variance-covariance matrix,由方差-协方差矩阵辅助的代谢组反应吉布斯自由能景观估计)——本文开发的一种计算方法——绘制了小鼠肝脏葡萄糖代谢在禁食期间的 ΔrG′ 景观。尽管代谢物浓度波动,ΔrG′ 景观仍保持稳健,变化微小,甚至对于糖酵解和糖异生之间方向反转的反应亦是如此。热力学推断的潜在限速步骤在禁食期间得以维持。酶成本分析进一步表明,在糖酵解切换过程中,热力学稳健性与酶需求之间存在权衡。肥胖小鼠肝脏尽管代谢紊乱,仍表现出热力学稳健性。我们的框架为完整器官代谢提供了新颖的热力学视角,揭示了禁食和肥胖条件下关键热力学特征的保留。
图释摘要
引言
哺乳动物中血糖稳态对于为器官提供稳定能量来源和维持健康至关重要。在禁食期间,肝脏通过将代谢从糖酵解转变为糖异生来维持血糖稳态,发挥着核心作用。这种代谢转变是一个高度调节的过程,涉及代谢反应的方向性反转和多种代谢物浓度的波动。肥胖诱导肝脏代谢失调,导致血糖稳态受损及进一步疾病的发生,包括 2 型糖尿病。
代谢过程受热力学定律支配。根据热力学第二定律,在细胞环境中,代谢反应沿反应吉布斯自由能变化(ΔrG′)为负的方向进行,当反应达到平衡时 ΔrG′ 为零。因此,ΔrG′ 指示反应与平衡的距离。在生物化学热力学标记中,ΔrG′ 表示在固定 pH、pMg 和离子强度下的转化反应吉布斯能量变化。这些 pH 和 pMg 通过将不同 H? 和 Mg2? 结合状态的分子视为指定 pH 和 pMg 下的单一平衡混合物来反映(例如,ATP 是 ATP??、HATP3?、H?ATP2?、MgATP2?、MgHATP? 和 Mg?ATP 的平衡混合物)。离子强度的影响通过扩展 Debye-Hückel 方程估计活度系数来纳入,尽管该方程并未明确捕捉大分子拥挤或其他细胞内非理想效应。ΔrG′ 可计算为产物和底物代谢物的生成吉布斯自由能(ΔfG′)之差:
ΔrG′ = Σ S?·ΔfG′? (方程 1)
其中 S? 是反应中代谢物 i 的化学计量系数。ΔfG′ 取决于代谢物活度,实际上由以下浓度代替:
ΔfG′ = ΔfG′° + RT·ln(c) (方程 2)
其中 ΔfG′° 是标准生成吉布斯自由能,代表 1 M 代谢物浓度下的 ΔfG′,R 是气体常数,T 是温度,c 是代谢物浓度。尽管 ΔrG′ 的计算需要绝对代谢物浓度,但基于质谱(MS)的代谢组学分析通常受离子抑制困扰——一种共洗脱化合物通过降低分析物离子化效率而损害定量准确性的现象。然而,先前的研究已成功实现细胞内代谢物的绝对定量,主要通过使用同位素标记内标。这些技术使得能够调查微生物和培养细胞中绝对代谢物浓度以及后续热力学分析,如 ΔrG′ 景观。尽管取得了这些进展,热力学轮廓在体内哺乳动物器官水平的研究很少。此外,所有先前的热力学研究都集中在糖酵解占主导地位的条件下(葡萄糖为主要营养物质),这在我们对禁食期间代谢的理解中留下了巨大空白——一种由糖异生主导的状态。
数学代谢建模是定量系统级理解代谢的重要框架。关于反应方向的热力学原理已广泛用作约束来增加代谢模型的可靠性。此外,ΔrG′ 的重要性不仅限于物理方面(如与平衡的距离和反应方向性),还延伸至多种生理意义,包括通路限速步骤和承载代谢通量的酶需求。代谢控制分析(MCA)是一个数学框架,用于量化单个反应的扰动如何影响通路通量。每个反应施加的通量控制程度由其通量控制系数(FCC)描述,这可受反应热力学(包括 ΔrG′)影响。然而,这些热力学框架几乎未应用于实验数据,特别是来自多细胞生物的数据。
在本研究中,我们利用毛细管电泳-MS(CE-MS)测定的时间序列绝对定量代谢组学数据(该方法可减少离子抑制效应,且无需使用同位素标记标准),探索了小鼠在不同禁食水平下肝脏代谢的 ΔrG′ 景观。我们的结果首次在体内鉴定了哺乳动物中大规模的 ΔrG′ 景观,也是首次阐明任何细胞类型在禁食期间 ΔrG′ 的行为。由于代谢组学数据包含不确定性,我们开发了 GLEAM 来从实验代谢组学数据估计热力学一致的代谢物浓度下的 ΔrG′。禁食期间估计的 ΔrG′ 景观表明,小鼠肝脏中心碳代谢总体上表现出热力学稳健性,表现为尽管代谢物浓度大幅波动,ΔrG′ 值变化微小。我们进一步将 ΔrG′ 与酶动力学整合,以调查 ΔrG′ 景观在限速步骤和代谢切换效率方面的生理意义。除小鼠肝脏对禁食的热力学稳健性外,我们还利用瘦素缺乏型肥胖(ob/ob)小鼠证明了其对肥胖的稳健性。因此,我们的研究从热力学角度为体内哺乳动物肝脏葡萄糖代谢提供了新见解。这些发现将我们对哺乳动物代谢的理解扩展到个体代谢物浓度之外。
结果
尽管代谢物浓度波动,ΔrG′ 景观对禁食保持稳健
在本研究中,我们开发了 GLEAM 从时间序列代谢组和 ΔfG′° 估计 ΔrG′。在整个反应通路中估计 ΔrG′ 的挑战之一是代谢组和 ΔfG′° 数据中固有的不确定性和缺失值。为解决此问题,GLEAM 利用热力学约束和代谢组及 ΔfG′° 数据的方差和协方差,估计完整的热力学一致的代谢物浓度和 ΔfG′° 集合,以及后续的 ΔrG′(见 STAR Methods)。简要来说,GLEAM 通过加权最小二乘法将代谢物浓度和 ΔfG′° 拟合到实验或数据库数据中,范围是使每个反应都满足 ΔrG′ < 0。残差的权重由代谢物浓度和 ΔfG′° 数据的方差和协方差确定。为考虑代谢组学测量的不确定性,ΔrG′ 估计还提供基于参数 bootstrap 采样的置信区间,纳入了实验代谢物浓度的标准差和 GLEAM 中的残差。
通过对小鼠从自由摄食到禁食的时间序列代谢组学数据,以及 eQuilibrator 数据库的 ΔfG′° 数据(表 S1)应用 GLEAM,我们估计了肝脏中糖酵解、糖异生和 TCA 循环(表 S3)的 ΔrG′ 景观(图 1A 和 1B 及表 S2)。在自由摄食时(0 小时禁食),当糖酵解占主导地位时,大多数不可逆反应表现出 ΔrG′ < ?10 kJ/mol,定义为远离平衡反应,例如 PFK 中 ΔrG′ = ?21.56 kJ/mol 和 PDH 中 ΔrG′ = ?34.34 kJ/mol。在 11 个不可逆反应中,仅三个反应(ACO:IDH、PC 和 PCK)表现出 ΔrG′ > ?10 kJ/mol,其中 PC 和 PCK 异常接近平衡,ΔrG′ 分别为 ?3.48 kJ/mol 和 ?3.70 kJ/mol。相比之下,在自由摄食时,大多数可逆反应表现出 ΔrG′ > ?5 kJ/mol,定义为接近平衡反应,例如 GPI 中 ΔrG′ = ?0.24 kJ/mol 和 SDH 中 ΔrG′ = ?0.03 kJ/mol。四个可逆反应(ALDO、LSC、MDH 和 ME)是例外,表现出 ΔrG′ < ?5 kJ/mol。在这些反应中,MDH 在氧化 TCA 循环的反方向上远离平衡,ΔrG′ = ?18.13 kJ/mol。
图 1 ΔrG′ 景观对禁食保持稳健尽管代谢物浓度波动
(显示完整图注)
(A)GLEAM 应用估计小鼠肝脏 ΔrG′ 景观的概述。代谢组学数据来自 WT 和 ob/ob 小鼠禁食期间的肝脏、骨骼肌和血浆(表 S1)。每组使用 n = 5 个生物学重复。GLEAM 估计的代谢物浓度、ΔfG′° 和 ΔrG′ 值见表 S2。
(B)小鼠肝脏在自由摄食和 16 小时禁食后的葡萄糖代谢 ΔrG′ 景观。ΔrG′ 通过箭头颜色表示。阴影文本表示反应名称;带框反应为不可逆反应,无框反应为可逆反应。蓝色阴影表示 ΔrG′ > ?5 kJ/mol 的接近平衡反应,灰色阴影表示其他 ΔrG′ ≤ ?5 kJ/mol 的反应。无阴影文本表示代谢物。[h]、[m] 和 [b] 分别表示肝内、肌内和血液代谢物。反应和代谢物缩写在术语表和表 S3 中定义。
(C)WT 小鼠肝脏在自由摄食和 16 小时禁食后的 ΔrG′ 比较。正方向(ΔrG′ < 0)定义为自由摄食时的反应方向。误差棒显示 95% 置信区间。
(D)WT 小鼠肝脏在自由摄食和 16 小时禁食后的代谢物浓度比较。绘制的代谢物浓度代表按所有七个时间点和两个基因型(共 14 个条件)的平均值归一化的浓度,以消除代谢物间浓度的尺度差异。误差棒显示 95% 置信区间。
(E)跨细胞类型和物种的糖酵解 ΔrG′ 比较。iBMK 细胞、酵母和大肠杆菌的数据使用 LC-MS 和同位素示踪剂测定。标准吉布斯自由能通过将所有代谢物浓度视为 1 M 来计算。垂直轴代表从 GPI 开始的累积 ΔrG′。误差棒显示 95% 置信区间。
肝脏中从糖酵解到糖异生的禁食诱导代谢转变可能导致代谢反应热力学特性的变化,包括通过几种代谢物浓度波动使某些反应的 ΔrG′ 符号反转,即其方向反转。在 16 小时禁食后当糖异生占主导时,肝脏中 ΔrG′ 值保持相似(图 1C),29 个反应中 24 个的变化小于 5 kJ/mol。这种热力学稳健性的结果是,如 ΔrG′ 值微小变化所反映的,16 小时禁食后所有不可逆反应表现出 ΔrG′ < ?10 kJ/mol,表明不可逆反应为远离平衡反应的整体趋势在自由摄食和禁食后得以维持。尽管 PC 和 PCK 在自由摄食时接近平衡,但禁食后这些反应远离平衡,分别表现出 ΔrG′ = ?9.07 kJ/mol 和 ?5.25 kJ/mol。对于可逆反应,尽管一些方向反转以将肝脏代谢从糖酵解切换为糖异生,但在自由摄食时 ΔrG′ > ?5 kJ/mol 的所有可逆反应仍保持 ΔrG′ > ?5 kJ/mol,表明可逆反应为接近平衡反应的整体趋势在自由摄食和禁食后得以维持。与 ΔrG′ 相比,个体代谢物浓度在 16 小时禁食期间大幅波动(图 1D),超过 50% 的代谢物 log? 倍数变化超过 0.5。这一结果表明葡萄糖代谢的热力学结构对禁食具有稳健性,同时代谢物浓度被重新组织。注意,图 1C 和 1D 中 ΔrG′ 和代谢物浓度的稳健性不能通过相关系数直接比较,因为 ΔrG′ 值未经归一化而代谢物浓度已归一化,导致 ΔrG′ 的相关系数高得多。图 1C 中 ΔrG′ 值未归一化的原因是 ΔrG′ 不代表丰度,因此其稳健性应通过差值而非倍数变化来评估。
为评估 ΔrG′ 估计对模型约束的依赖性,我们使用 GLEAM 进行了敏感性分析,移除了可逆反应的方向约束,或放宽了代谢物浓度和辅因子比率的界限。移除方向约束对整体 ΔrG′ 值影响很小(图 S1A),表明 ΔrG′ 估计不强烈依赖于方向约束。
尽管在没有这些约束的情况下,预测部分可逆反应在 16 小时禁食后会沿糖酵解方向进行,但除了 ALDO 之外,$\Delta_rG'$ 与原模型的差异很小。放宽浓度和辅因子界限改变了包括 CS 和 PC 在内的几个反应的 $\Delta_rG'$ 值(图 S1B),但大多数接近平衡和远离平衡反应的分类以及主要的下游结论保持不变。作为额外的对照,用原始测量的代谢物浓度取代 GLEAM 估算值产生了相似的 $\Delta_rG'$ 值,这表明估算的热力学景观并非仅由浓度调整驱动(图 S2)。
为了检验在小鼠肝脏中观察到的代谢反应热力学特征是否跨物种保守,我们将小鼠肝脏糖酵解反应中估算的 $\Delta_rG'$ 与其他生物系统中的值进行了比较。此前的研究确定了永生化小鼠肾上皮(iBMK)细胞、酵母和大肠杆菌糖酵解中的 $\Delta_rG'$,报告指出在这些所有细胞类型中,与小鼠肝脏类似,可逆反应比不可逆反应 PFK 更接近平衡(图 1E)。这一结果表明糖酵解中的热力学特征在物种间广泛保守。一个例外是 PKLR,其在小鼠肝脏中的 $\Delta_rG'$ 值比其他细胞类型小 20 kJ/mol 以上。在涉及 PKLR 的代谢物浓度(或比率)中,小鼠肝脏中的丙酮酸浓度和 ATP/ADP 比率小于哺乳动物 iBMK 细胞、酵母和大肠杆菌(表 S4)。特别是,与其他三种细胞类型相比,小鼠肝脏中的丙酮酸浓度小了两个数量级(3.77× 10?2 mM),而在 iBMK 细胞中为 5.88 mM,酵母中为 9.40 mM,大肠杆菌中为 3.66 mM。
禁食期间$\Delta_rG'$的维持与代谢物浓度波动的关联因途径而异
为了表征伴随禁食诱导代谢转变而出现大幅热力学变化的代谢反应,我们将反应的属性(包括可逆性和所属途径)与 $\Delta_rG'_{16h} - \Delta_rG'_{0h}$ 联系起来,将其定义为禁食期间的 $\Delta_rG'$ 变化(图 2A)。在糖酵解和糖异生的七个不可逆反应中,四个反应(GCK、PFK、PKLR 和 PC)在禁食期间表现出大于 5 kJ/mol 的绝对 $\Delta_rG'$ 变化。请注意,识别这些大幅 $\Delta_rG'$ 变化仅关注 $\Delta_rG'$ 值,不一定对应生物学意义,如反应方向和通量。与不可逆反应相反,尽管在这些条件下可逆反应方向在糖酵解和糖异生之间发生了逆转,但 11 个可逆反应中只有一个(ALDO)显示出超过 5 kJ/mol 的绝对 $\Delta_rG'$ 变化。这一结果表明,尽管 $\Delta_rG'$ 的符号发生逆转,可逆反应比不可逆反应更严格地维持 $\Delta_rG'$。在三羧酸循环中,所有反应在禁食期间的绝对 $\Delta_rG'$ 变化均小于 3 kJ/mol,表明三羧酸循环对禁食反应在热力学上是稳定的。
图 2 禁食期间$\Delta_rG'$的维持与代谢物浓度波动的关联因途径而异
显示完整标题 图形查看器
(A) 绝对 $\Delta_rG'$ 变化 = $|\Delta_rG'_{16h} - \Delta_rG'_{0h}|$。条形图分别描绘了糖酵解和糖异生中的不可逆反应(橙色)、糖酵解和糖异生中的可逆反应(蓝色)、三羧酸循环中的不可逆反应(黄色)、三羧酸循环中的可逆反应(紫色)以及代谢网络中的其他反应(灰色)。误差棒表示 95% 置信区间。
(B) 绝对 $\Delta_rG'$ 变化与自由进食时由绝对 $\Delta_rG'$ 表示的反应偏离平衡距离之间的关系。误差棒表示 95% 置信区间。反应 PC 被高亮显示并在结果部分讨论。
(C) 反应的绝对 $\Delta_rG'$ 变化与代谢物总绝对 $\Delta_fG'$ 变化的比较。绝对 $\Delta_fG'$ 变化取决于反应涉及的代谢物浓度,定义为 $\sum|S(\Delta_fG'_{16h} - \Delta_fG'_{0h})|$。当反应涉及的代谢物的 $\Delta_fG'$ 变化 $= S(\Delta_fG'_{16h} - \Delta_fG'_{0h})$ 相互抵消时,绝对 $\Delta_rG'$ 变化小于总绝对 $\Delta_fG'$ 变化,导致反应被绘制在右下方。绘制的糖酵解、糖异生和三羧酸循环反应与图 2B 相同。误差棒表示 95% 置信区间。反应 GPD、GAPDH:PGK 和 GCK 被高亮显示并在结果部分讨论。
(D) 代表性反应的 $\Delta_rG'$ 变化和 $\Delta_fG'$ 变化的时间序列:GPD(小 $\Delta_fG'$ 变化)、GAPDH:PGK(相互抵消的大 $\Delta_fG'$ 变化)和 GCK(未抵消的大 $\Delta_fG'$ 变化)。红色和灰色线条分别描绘 $\Delta_rG'$ 变化和 $\Delta_fG'$ 变化。误差棒表示 95% 置信区间。
由于禁食期间糖酵解和糖异生中不可逆反应和可逆反应的 $\Delta_rG'$ 变化不同,我们进一步检验了自由进食时偏离平衡距离($|\Delta_rG'|$)与绝对 $\Delta_rG'$ 变化之间的关系(图 2B)。在糖酵解和糖异生中,除了 PC 之外,自由进食时 $|\Delta_rG'| < 5$ kJ/mol 的近平衡反应在禁食期间的绝对 $\Delta_rG'$ 变化均小于 3.5 kJ/mol。只有当响应禁食而糖异生占主导时,PC 才偏离平衡。相比之下,自由进食时 $|\Delta_rG'| \ge 5$ kJ/mol 的反应的绝对 $\Delta_rG'$ 变化在 0 到 10 kJ/mol 之间,且显著大于近平衡反应(通过双尾 Welch t 检验计算,p 值 = 0.037 < 0.05,其中近平衡反应 $|\Delta_rG'| < 5$ 的 n = 12,其他 $|\Delta_rG'| \ge 5$ kJ/mol 的反应 n = 6)。这一结果表明糖酵解和糖异生中近平衡反应的 $\Delta_rG'$ 倾向于被严格维持,而这一倾向在其他反应中则丧失。在三羧酸循环中,无论偏离平衡的距离如何,$\Delta_rG'$ 都得到严格维持。由于缺乏近平衡反应,未对三羧酸循环进行统计检验。
为了调查禁食期间维持 $\Delta_rG'$ 值的原因,我们将绝对 $\Delta_rG'$ 变化与反应涉及的代谢物总绝对 $\Delta_fG'$ 变化进行了比较(图 2C)。代谢物总绝对 $\Delta_fG'$ 变化定义为 $\sum|S(\Delta_fG'_{16h} - \Delta_fG'_{0h})|$,其中 S 是反应中涉及的代谢物的化学计量系数。$\Delta_rG'$ 变化以多种方式与底物和产物的 $\Delta_fG'$ 波动相关联,而这取决于代谢物浓度。例如,当底物和产物浓度保持相对恒定且其 $\Delta_fG'$ 变化较小时,$\Delta_rG'$ 变化也较小(例如,图 2D 中的 GPD)。即使底物和产物浓度大幅波动且其 $\Delta_fG'$ 变化较大,当底物和产物的 $\Delta_fG'$ 变化相互抵消时,$\Delta_rG'$ 变化仍可保持较小。这种情况例如当底物和产物的 $\Delta_fG'$ 值同时增加时就会发生(例如,图 2D 中的 GAPDH:PGK)。相比之下,当底物和产物的 $\Delta_fG'$ 变化没有相互抵消时,$\Delta_rG'$ 变化会变得很大(例如,图 2D 中的 GCK)。在糖酵解和糖异生中,既观察到了因代谢物浓度波动小而导致绝对 $\Delta_rG'$ 变化小的反应(如 GPD),也观察到了因 $\Delta_fG'$ 变化相互抵消而导致绝对 $\Delta_rG'$ 变化小的反应(如 GAPDH:PGK)(图 2C)。对于后一类反应,总绝对 $\Delta_fG'$ 变化通常对应大于 5 kJ/mol,而由此产生的 $\Delta_rG'$ 变化则小几个 kJ/mol。这一结果表明,适度的 $\Delta_rG'$ 变化不能仅用倍数变化的对数压缩来解释,还反映了协调的底物和产物浓度变化之间的相互抵消。在三羧酸循环中,代谢物浓度变化对 $\Delta_rG'$ 的整体贡献很小,相应地,绝对 $\Delta_rG'$ 变化也很小。
热力学限速候选反应在禁食期间得到维持
反应偏离平衡距离的一个生理后果是对稳态途径通量的控制。在代谢控制分析(MCA)中,每个反应的扰动能在多大程度上控制途径稳态通量由通量控制系数(FCC)来量化。为了推断热力学对肝脏通量控制的影响,我们利用 MCA 定理,从酶动力学速率方程出发,解析计算了任意 $\Delta_rG'$ 景观以及小鼠肝脏中观察到的糖酵解(图 3A)、糖异生(图 3B)和三羧酸循环(图 3C)中的 FCC。为了纳入反应偏离平衡的距离,我们使用了一种称为直接结合模块速率方程的可逆动力学作为酶动力学速率方程。在该框架下,通量 v 可以分解为热力学效应 $\eta_{rev}$(图 3D)和底物饱和效应 $\eta_{sat,s}$:
$v = E k_{+cat} \eta_{rev} \eta_{sat,s}$ (方程 3)
$\eta_{rev} = 1 - \exp(\Delta_rG' / RT)$ (方程 4)
$\eta_{sat,s} = \frac{\prod_{i \in M_s} (c_i / K_{m,i})^{|S_i|}}{1 + \prod_{i \in M_s} (c_i / K_{m,i})^{|S_i|} + \prod_{i \in M_p} (c_i / K_{m,i})^{|S_i|}}$ (方程 5)
其中 E 是酶浓度,$k_{+cat}$ 是正向周转数,$K_m$ 是米氏常数,$M_s$ 是底物,$M_p$ 是产物。使用该反应速率方程,我们根据 MCA 中的连接定理和求和定理计算了 FCC(见 STAR 方法)。此 FCC 计算取决于代谢物浓度、$\Delta_fG'^\circ$ 和 $K_m$。对于 $\Delta_fG'^\circ$,我们使用了 GLEAM 中用于置信区间计算的采样值。$K_m$ 值基于 BRENDA 数据库数据从分布中采样获得。代谢物浓度通过以下两种方法获得。
图 3 热力学限速候选反应(TRCs)在禁食期间得到维持
显示完整标题 图形查看器
(A) 计算 FCC 的糖酵解途径。
(B) 计算 FCC 的糖异生途径。
(C) 计算 FCC 的三羧酸循环。MDH 被排除在此三羧酸循环之外,因为其进行方向与氧化型三羧酸循环相反。
(D) $\Delta_rG'$ 与 $\eta_{rev}$ 之间的对应关系。
(E–G) 小鼠肝脏中在糖酵解(E)、糖异生(F)和三羧酸循环(G)中热力学上能够达到相对较大 FCC 的反应中 $\eta_{rev}$ 与 FCC 之间的关系。每个点的 $\eta_{rev}$ 和 FCC 值是根据用于置信区间计算的每个采样的代谢物浓度组和 $\Delta_fG'^\circ$ 值以及基于 BRENDA 数据库采样的 $K_m$ 值计算得出的(见 STAR 方法)。自由进食时的代谢物浓度用于糖酵解(E)和三羧酸循环(G),而 16 小时禁食后的浓度用于糖异生(F)。垂直变化归因于 $K_m$ 值和其他反应条件的差异,而水平变化反映了代谢物浓度和 $\Delta_fG'^\circ$ 的差异。
(H) 基于禁食前后糖酵解和糖异生反应中 $\eta_{rev}$ 的转变,TRC 状态的变化。红色、蓝色和灰色线条分别描绘保持 TRC 状态的反应(5 个反应)、保持非 TRC 状态的反应(10 个反应)以及禁食期间改变其 TRC 状态(变为 TRC 或不再是 TRC)的反应(3 个反应)。黑色虚线指示 TRC 与非 TRC 之间的边界,其中 $\eta_{rev} = 0.86$,即 $\Delta_rG' = -5$ kJ/mol。误差棒表示 95% 置信区间。
我们使用 GLEAM 中用于置信区间计算的采样值调查了小鼠肝脏代谢物浓度的 FCC,以及任意 $\Delta_rG'$ 景观的 FCC,以识别大 FCC 的热力学条件。任意 $\Delta_rG'$ 景观的 FCC 显示,除了位于途径上游的反应外,FCC 值大于 0.5(大于途径中其他反应的 FCC 之和)需要 $\eta_{rev} \approx 1$(图 S3A–S3D)。在小鼠肝脏中,自由进食时 $\eta_{rev} \approx 1$ 的反应包括糖酵解中的不可逆反应 GCK、PFK、PKLR 和可逆反应 ALDO。其中,能达到 FCC $\approx 1$ 的反应是 GCK 和 PFK,而其他反应能达到 0.5 到 0.7 之间的 FCC(图 3E 和 S4A)。我们还发现,位于途径上游的可逆反应 GPI 在 $\eta_{rev} \approx 0.70$ 时能达到 FCC = 0.42。在糖异生中,16 小时禁食后 $\eta_{rev} \approx 1$ 的反应是不可逆反应 PC、PCK、FBP 和 G6PC,它们都能达到 FCC $\approx 1$(图 3F 和 S4B)。所有其他反应仅表现出较小的 FCC 值。在三羧酸循环中,自由进食和禁食后观察到相似的 FCC 分布(图 3G、S4C 和 S4D)。$\eta_{rev} \approx 1$ 的反应是不可逆反应 CS、ACO:IDH、OGDH 和可逆反应 LSC。在这些反应中,CS 和 OGDH 能达到 FCC $\approx 1$,而 ACO:IDH 和 LSC 能达到略低于 0.7 的 FCC。通常,可逆反应不被认为是限速反应,因为它们被认为在定性上比不可逆反应更接近平衡。然而,我们的定量分析表明,可逆反应 GPI、ALDO 和 LSC 能达到 0.4 到 0.7 之间的 FCC,可与几个不可逆反应相媲美。
考虑到 $\Delta rG'$ 景观分析的结果,这些可逆反应较大的通量控制系数(FCC)值可归因于 GPI 位于糖酵解通路的相对上游,以及 ALDO 和 LSC 足够远离平衡状态以表现出 $\eta_{rev} \approx 1$,尽管它们比不可逆反应更接近平衡。如上所述,FCC 大于 0.5 的反应似乎要么足够远离平衡以至于表现出 $\eta_{rev} \approx 1$,要么位于代谢通路的相对上游。由于反应在通路中的位置取决于通路的定义,因此反应足够远离平衡以表现出 $\eta_{rev} \approx 1$ 是该反应具有大 FCC 的关键决定因素,这有时被称为限速步骤。因此,我们引入了“热力学限速候选反应”(TRC)这一概念,定义为 $\eta_{rev} \ge 0.86$(对应 $\Delta rG' \le -5$ kJ/mol)的反应,并考察了在自由摄食(图 3H,0 h)和禁食后(图 3H,16 h)期间,在任意通路定义下哪些反应在热力学上具备成为限速步骤的能力。由于该分析基于方程 3、4 和 5 所描述的反应速率定律,TRC 状态反映了热力学驱动力,并且区别于活化能和底物饱和度。无论是在自由摄食期间还是禁食后,TRC 反应均包括 GCK、PFK、CS 以及其他七个反应,表明这些反应无论禁食程度如何均可能成为限速步骤。
参数 $\eta_{rev}$ 和 TRC 状态(即属于 TRC 或非 TRC)在近平衡区域($\Delta rG' > -5$ kJ/mol)对 $\Delta rG'$ 的变化敏感,而在远离平衡区域($\Delta rG' < -10$ kJ/mol)则不敏感(图 3D)。由于这一特性,在糖酵解和糖异生过程中,18 个反应中有 15 个在自由摄食和禁食后均保持为 TRC(图 3H 中的红线)或非 TRC(图 3H 中的蓝线)状态,其中仅近平衡反应的 $\Delta rG'$ 得到了严格维持。该结果表明,禁食引起的代谢物浓度波动发生在能够维持大多数反应 TRC 状态的范围内。ALDO、PC 和 PCK 这三个反应是例外,它们未能保持为 TRC 或非 TRC 状态(图 3H 中的灰线),这些反应是否成为限速步骤将取决于禁食程度。上述保持 TRC 状态的反应在 $\eta_{rev}$ 从 0.73 到 0.99 的阈值范围内均保持稳定。
**糖酵解和糖异生通过消耗大量酶成本来实现高效的定向切换**
生物学中的一个根本性问题在于理解生物系统是为了何种目标而进行优化的。尽管微生物代谢中优化的目标函数——例如最大化生长或 ATP 产生、最小化酶需求——已有报道,但体内哺乳动物代谢的目标函数仍完全未知。因此,我们通过对 GLEAM 模型推断获得的代谢物浓度和 $\Delta rG'$ 景观进行分析,关注小鼠肝脏代谢的最优性,而非其确切的调控机制。
通过求解关于酶量的直接结合模块化速率定律方程(方程 3),我们得到 $E = \frac{v}{k_{cat}} \cdot \eta_{rev}^{-1} \cdot \eta_{sat,s}^{-1}$(方程 6)。该方程表明,反应越接近平衡状态(即 $\eta_{rev}$ 越小),达到相同通量 $v$ 所需的酶量就越大。在此,我们将“酶成本”(EC)定义为酶量与酶分子量的乘积,并将“EC 最小值”(ECM)定义为在整个通路内最小化总 EC 的理论状态(详见 STAR Methods)。通过将小鼠肝脏中的 EC 和代谢物浓度与 ECM 状态下的相应数值进行比较,我们探讨了小鼠肝脏代谢是否旨在通过优化来减少酶需求。与 FCC 计算一样,我们使用 GLEAM 模型中用于置信区间计算的代谢物浓度和 $\Delta_f G'^\circ$ 的采样值来计算 EC。对于 $K_m$ 值,我们采用 BRENDA 数据库中数据的几何平均值。
我们计算了自由摄食状态下糖酵解反应、16 小时禁食后糖异生反应以及在上述两种条件下三羧酸循环(TCA)反应的 EC 和 ECM(表 S5)。与 ECM 相比,肝脏表现出更大的总 EC,且不同通路之间存在差异。糖酵解和糖异生的总 EC 肝脏/ECM 比值达到 $10^4$ 数量级,而三羧酸循环仅为 $10^1$ 数量级(图 4A)。此外,我们比较了各通路中 ECM 预测的代谢物浓度与肝脏代谢物浓度,发现糖酵解和糖异生的典型倍率误差(typical fold error)为 $10^{RMSE} = 29.79$(RMSE:对数 10 尺度上的均方根误差),而三羧酸循环为 14.40(图 4B)。这些发现表明,肝脏中的酶和代谢物浓度并非针对减少 EC 而优化的,且这一点在糖酵解和糖异生中比在三羧酸循环中更为显著。
**图 4 糖酵解和糖异生通过消耗大量酶成本(EC)来实现高效切换**
(A) 小鼠肝脏代谢物浓度下的总酶成本与 ECM 的比率(肝脏/ECM)。总 EC 的计算对象为糖酵解、糖异生和三羧酸循环,与 FCC 计算中使用的通路相同(图 3A–3C)。分别使用了自由摄食和 16 小时禁食后的代谢物浓度来计算糖酵解和糖异生的 EC。EC 计算中使用的 $K_m$ 值为 BRENDA 数据库中数据的几何平均值(表 S5)。误差棒表示 95% 置信区间。小鼠肝脏中的 EC,以及 ECM 状态下的代谢物浓度和 EC 见表 S5。
(B) 小鼠肝脏与 ECM 中代谢物浓度的比较。绘图数据为实测代谢物,三羧酸循环的散点图包含自由摄食和 16 小时禁食后的数据。RMSE 是 ECM 预测值与小鼠肝脏代谢物浓度比较后的对数 10 尺度上的均方根误差,典型倍率误差(typical FE)= $10^{RMSE}$。误差棒表示 95% 置信区间。绘图数据为实测代谢物。
(C) 糖酵解、糖异生和三羧酸循环中每个反应的 EC。每个反应的左侧和右侧柱状图分别代表小鼠肝脏和 ECM 中的 EC。由于纵轴表示对数尺度,EC 可以通过归一化酶分子量(绿色)、热力学效应(红色,$\eta_{rev}^{-1}$)和饱和度(蓝色,$\eta_{sat,s}^{-1}$)的堆叠柱状图来表示。需要注意的是,尽管 ECM 中整个通路的总吉布斯自由能变化被固定为小鼠肝脏中的值(详见 STAR Methods),但由于 $\eta_{rev}$ 随 $\Delta rG'$ 的非线性增加(图 3D),$\eta_{rev}^{-1}$ 的总和存在差异。误差棒表示 95% 置信区间。
(D) 肝脏或 ECM 中代谢物浓度与用于 MEG 计算时的比较,其中需要进行代谢切换的反应处于平衡状态。绘图数据为实测代谢物。误差棒表示 95% 置信区间。需要进行代谢切换的反应处于平衡状态时的代谢物浓度见表 S6。
为了确定导致小鼠肝脏糖酵解和糖异生总 EC 较大的关键反应,我们将通路的总 EC 分解为单个反应的 EC(表 S5)。小鼠肝脏中的 GAPDH:PGK 反应在糖酵解和糖异生中均表现出最高的 EC,达到 $10^6$ 数量级(图 4C),而三羧酸循环中反应(例如 SDH、ACO:IDH 和 FH)的 EC 最高仅为 $10^2$ 数量级。GAPDH:PGK 的 EC 值分别占糖酵解和糖异生总 EC 的 99% 和 89%,表明 GAPDH:PGK 显著推高了糖酵解和糖异生的总 EC。糖酵解和糖异生中 GAPDH:PGK 的高 EC 归因于两个因素。其中一个因素是底物饱和度低(图 4C,蓝色),这是由于底物代谢物浓度(自由摄食时 GAP 为 $3.4 \times 10^{-3}$ mM,禁食后 3PG 为 $1.3 \times 10^{-2}$ mM)低于各自的 $K_m$ 值(GAP 为 $1.9 \times 10^{-1}$ mM,3PG 为 $3.5 \times 10^{-1}$ mM),导致 $\eta_{sat,s}^{-1}$ 较大。根据方程 6,较大的 $\eta_{sat,s}^{-1}$(表示低底物饱和度)会导致承载特定通量所需的 EC 增加。在此条件下,由于酶水平提高带来的通量增加会受到代谢物浓度波动的抵消。GAPDH:PGK 高 EC 的另一个因素是肝脏热力学特性(图 4C,红色),该反应明显接近平衡状态(自由摄食和禁食后 $\Delta rG'$ 均为 -0.01 kJ/mol),导致 $\eta_{rev}^{-1}$ 较大。当反应接近平衡状态时,增加酶丰度会同时增强正向和反向通量,从而限制净通量的增加。因此,该反应升高的 EC 是低底物饱和度和高反应可逆性共同作用的结果。
由于小鼠肝脏中的糖酵解和糖异生所需的 EC 远大于 ECM,尤其是中游可逆反应由于 $\eta_{rev}^{-1}$ 值较大所致,我们假设其原因可能是这些酶成本是实现在禁食期间从糖酵解向糖异生切换所必需的。为了评估从糖酵解向糖异生定向切换的代谢障碍,我们引入了“代谢物平衡间隙”(MEG),即定向切换所需的代谢物浓度典型倍率变化(表 S6)(详见 STAR Methods)。在糖酵解和糖异生中,小鼠肝脏表现出 MEG = 1.35,而 ECM 状态下的 MEG 为 16.01(图 4D),这表明肝脏能够以远小于 ECM 状态的代谢物浓度变化实现从糖酵解向糖异生的定向切换。与糖酵解和糖异生不同,禁食期间不进行定向切换的三羧酸循环在肝脏中表现出比糖酵解和糖异生更大的 MEG(6.85)。小鼠肝脏在糖酵解和糖异生中所需的酶成本远高于理论最小值,这使其能够以较小的代谢物浓度变化实现定向切换。相反,不进行定向切换的三羧酸循环所需的酶成本小于糖酵解和糖异生。
**肝脏 $\Delta rG'$ 对肥胖的稳健性**
肥胖会扰乱肝脏代谢,导致禁食状态下的稳态调节受损,并随后引发各种疾病。最近的研究报道,与肥胖相关的肝脏代谢失调即使在自由摄食状态下也会发生。为了揭示肥胖引起的代谢紊乱对反应热力学特性的影响,我们计算了禁食期间 ob/ob 小鼠肝脏的 $\Delta rG'$。
ob/ob 小鼠肝脏的 $\Delta rG'$ 景观(图 5A 和表 S2)显示,无论是自由摄食还是 16 小时禁食后,大多数反应的 $\Delta rG'$ 与野生型(WT)小鼠肝脏的差异均小于 5 kJ/mol(图 5B 和 5C)。因此,即使在肥胖状态下,不可逆反应远离平衡($\Delta rG' < -10$ kJ/mol)而可逆反应相对接近平衡($\Delta rG' > -5$ kJ/mol)的整体趋势得以保留。WT 和 ob/ob 小鼠之间相似的 $\Delta rG'$ 值表明,反应底物与产物的浓度比在这两种基因型之间具有可比性。然而,单个代谢物浓度(表 S2)在 WT 和 ob/ob 小鼠肝脏之间显示出差异(图 5D),在自由摄食和 16 小时禁食后,分别有 16/31 和 13/31 的代谢物浓度 $\log_2$ 倍率变化超过 0.5。该结果表明,尽管单个代谢物浓度发生了变化,反应的热力学特性仍对肥胖保持稳健性。特别是,在糖酵解和糖异生的大多数可逆反应中,WT 和 ob/ob 小鼠之间 $\Delta_f G'$ 的差异并未反映在 $\Delta rG'$ 的差异中(图 5E)。该结果显著表明,反应的热力学特性对肥胖具有稳健性,而单个代谢物浓度则较为敏感。
**图 5 肝脏 $\Delta rG'$ 对肥胖的稳健性**
(A) ob/ob 小鼠肝脏在自由摄食和 16 小时禁食后葡萄糖代谢的 $\Delta rG'$ 景观。$\Delta rG'$ 由箭头颜色表示。阴影文本代表反应名称;带框反应为不可逆反应,无框反应为可逆反应。蓝色阴影表示 $\Delta rG' > -5$ kJ/mol 的近平衡反应,灰色阴影表示其他 $\Delta rG' \le -5$ kJ/mol 的反应。无阴影文本代表代谢物。GLEAM 估计的代谢物浓度、$\Delta_f G'^\circ$ 和 $\Delta rG'$ 值见表 S2。
(B) WT 和 ob/ob 小鼠肝脏中 $\Delta rG'$ 的比较。正向($\Delta rG' < 0$)定义为自由摄食时 WT 中的反应方向。
误差线显示95%置信区间。(C) WT小鼠与ob/ob小鼠肝脏之间ΔrG′的差异(ΔrG′ob/ob ? ΔrG′WT)。反应按ΔrG′绝对差异从大到小的顺序从左至右排列。误差线显示95%置信区间。(D) WT小鼠与ob/ob小鼠肝脏中代谢物浓度的比较。图中数据表示所有七个时间点与两种基因型(即14种条件)下均值的归一化浓度,以消除不同代谢物浓度之间的尺度差异。误差线显示95%置信区间。(E) WT小鼠与ob/ob小鼠肝脏之间ΔrG′变化的绝对差异与ΔfG′的总绝对差异(∑|S(ΔfG′ob/ob ? ΔfG′WT)|)的比较。图中数据包括自由进食及16小时禁食后的结果。糖酵解和糖异生反应以及TCA循环与图2B相同。误差线显示95%置信区间。
讨论
我们利用新开发的GLEAM工具,首次从禁食时间序列绝对定量代谢组学数据揭示了小鼠肝脏葡萄糖代谢的ΔrG′景观。在小鼠肝脏中,无论禁食程度如何,ΔrG′景观的总体趋势得以维持(图1B和1C)。在糖酵解和糖异生中的近平衡反应中,如GAPDH:PGK(图2B),尽管代谢物浓度波动较大(图1D和2C),ΔrG′的维持尤为严格;而对于其他反应,如GCK,则不如此严格。在TCA循环中,由于禁食期间代谢物浓度波动极小(图2B和2C),整体ΔrG′变化较小。这种对抗禁食的 termodinamic 稳健性使得在禁食期间能够维持那些可能具有较大FCC的反应,即TRC(图3H),因为FCC值仅在近平衡区域对ΔrG′变化敏感。肝脏中的热力学景观还可能需要比理论最小值更大的EC,从而促进从糖酵解到糖异生的高效切换(图4A–4D)。关于FCC和EC的结果是通过将基于假设动力学参数的模型推断应用于小鼠肝脏中的ΔrG′值得到的。我们还发现WT小鼠与ob/ob小鼠之间具有相似的ΔrG′景观(图5A–5C),而代谢物浓度则差异较大(图5D)。我们的结果表明,与禁食和肥胖引起的单个代谢物浓度波动相比,肝脏能稳健地维持有利于代谢控制的ΔrG′景观。
以往关于ΔrG′景观的报道仅限于在糖酵解占主导地位条件下的微生物和体外培养细胞。与此相反,我们针对禁食期间的小鼠肝脏,在体内哺乳动物器官水平上揭示了不仅糖酵解而且糖异生的ΔrG′景观。因此,我们的发现将代谢网络的热力学理解拓展到了高等生物和不同的代谢模式。此外,本研究还引入了一种分析ΔrG′的新型计算框架(表S7)。此前已有研究提出了从绝对定量代谢组学数据估算热力学一致的代谢物浓度、ΔfG′°和ΔrG′的方法。在这些方法中,ΔfG′°值被固定为模型的输入,或在未考虑协方差的情况下进行估算。然而,共享共同化学基团的代谢物,如ADP和ATP,倾向于表现出相似的ΔfG′°值,因为ΔfG′°取决于代谢物的结构。将协方差信息纳入估算可以更好地反映代谢物之间的潜在化学关系,并使估算值具有更窄的置信区间。通过利用eQuilibrator提供的ΔfG′°协方差矩阵,GLEAM在整个代谢网络中实现了更精确且一致的热力学特性估算。
禁食期间,肝脏酶活性通过激素信号传导、酶表达和别构调节而发生变化,导致代谢通量重新分配及随后代谢物浓度的改变。这些变化的结果是可逆反应的ΔrG′符号发生改变,允许通量逆转,从而促进糖酵解和糖异生之间的转换。因此,ΔrG′值的变化应主要被解释为激素信号传导、酶表达和别构调节的结果,而非调节的直接靶标。尽管如此,对于糖酵解和糖异生中的可逆反应,我们的结果表明,尽管代谢物浓度发生了较大变化,ΔrG′仅小幅波动(图2C)。这一发现表明,在禁食诱导的糖酵解与糖异生切换过程中,ΔrG′景观比底层的代谢物浓度更为稳健。这种 termodinamic 稳健性是否同样适用于其他代谢途径、器官以及生理或病理条件,仍是未来研究的重要问题。
利用所获得的小鼠肝脏ΔrG′景观,我们的研究缩小了能够在途径中实现较大FCC的反应范围,即限速步骤候选反应(图3E–3G及S4)。此前一项研究实验测定了iBMK细胞糖酵解中的FCC,表现出较大FCC的反应包括催化与GCK相同反应的己糖激酶(HK)以及PFK。另一项先前的研究表明,PC在大鼠肝脏糖异生中具有主导性FCC。据我们所知,尚无研究测定TCA循环中的FCC,但CS、IDH和OGDH传统上被认为是限速步骤。本研究中所有上述反应均包含在TRC中,这支持了我们ΔrG′估算的有效性,尽管本研究聚焦于小鼠肝脏代谢。
我们的分析表明,小鼠肝脏在禁食期间维持了TRC(图3H)。TRC在不同代谢状态间的维持可能具有生理优势。由于TRC代表可能强有力控制途径通量的反应,其在代谢转换期间的保守性表明,小鼠肝脏代谢可能依赖于一组在不同生理条件下均能热力学控制途径通量的稳定反应。这种稳定性可能使代谢通量的调节无需大规模重组酶表达或别构调节程序即可高效进行。这一观点与此前的一项标准态分析相一致,该分析显示远离平衡的反应与代谢网络的驱动节点共享拓扑特征。然而,稳定的TRC是否提供代谢调节的功能优势仍有待实验验证。
在计算EC时,我们做了两个假设:假设所有反应具有相同的转换数kcat值,以及在无法从BRENDA数据库获得Km时将饱和度(c/Km)设定为途径的几何平均值。由于难以获得哺乳动物的动力学参数,这些假设是必要的。前者可能导致在总EC最小化中对单个酶加权不准确,后者可能导致η?1sat,s不准确。然而,已有研究在一缺乏kcat和Km信息、仅考虑η?1rev影响的模型中报告了接近ECM的代谢物浓度。这意味着在任何kcat和Km值下,ECM中的ΔrG′景观将相似。因此,关于小鼠肝脏代谢未针对酶成本降低进行优化的结论,无论kcat和Km假设如何都是合理的。
根据公式23、24、30、31、32、33、34、35和38,ΔrG′景观的设计面临FCC集中与酶成本最小化之间的权衡。如果代谢途径中仅少数反应远离平衡且ηrev接近1,则较大FCC很可能集中在这些反应中。在这种情况下,其他反应的ηrev接近零,导致EC较大。这种权衡可以重新表述为在多种条件下灵活响应的能力与在单一条件下降低生存成本之间的权衡,因为当FCC集中在有限反应中时,只需通过最少的酶活性变化即可高效调节途径通量。因此,在小鼠肝脏中,特别是在糖酵解和糖异生中,可能实现较大FCC的反应集中在少数反应中(图3E–3G及S4),而小鼠肝脏与ECM之间在总EC和代谢物浓度上存在较大偏差(图4A和4B)。尽管较大EC并不直接表明酶表达量较大,但这些结果表明小鼠肝脏代谢采用了灵活应对环境和生理条件变化的策略,而非针对某一特定条件进行优化。与此相反,此前针对大肠杆菌的研究表明,酶浓度和代谢物浓度均可在典型的十倍误差范围内由ECM良好预测(图S5)。综合来看,这些事实表明不同细胞类型之间存在代谢调节策略的差异:小鼠肝脏消耗成本以实现灵活的代谢调节,而大肠杆菌则在特定条件下优化生存成本。此外,我们的研究还表明这种代谢调节策略的差异也可能存在于不同途径之间,通过展示糖酵解与糖异生及TCA循环在TRC比例和总EC最优性上的巨大差异来证明这一点。需要注意的是,尽管小鼠肝脏和大肠杆菌的糖酵解共享可逆反应接近平衡(ΔrG′ > ?10 kJ/mol)的共同热力学趋势(图1E),但两者的EC可能大不相同。如公式38和39所示,反应的热力学特性通过η?1rev影响EC,η?1rev表示vtotal/vnet,其中vtotal为正反应和逆反应的总通量,vnet为净通量。在大肠杆菌中,大多数可逆反应表现出ΔrG′ < ?1 kJ/mol,有助于通过η?1rev降低EC(图S6,橙色),η?1rev量级约为10?。与此相反,小鼠肝脏中大多数可逆反应表现出ΔrG′ > ?0.1 kJ/mol,此时η?1rev急剧上升(图S6,绿色),导致EC远大于大肠杆菌。
在糖酵解中,随着可逆反应越接近平衡,切换到糖异生的MEG预期越小。图1E中各细胞类型可逆反应的ΔrG′值之和分别为:小鼠肝脏?8.06 kJ/mol,iBMK细胞?21.14 kJ/mol,酵母?24.41 kJ/mol,大肠杆菌?13.03 kJ/mol。因此,如果MEG较小与可逆反应接近平衡之间的相关性成立,则从代谢物浓度变化的角度来看,小鼠肝脏的代谢有利于从糖酵解向糖异生的过渡。这一推测与肝脏的生理功能——维持全身葡萄糖稳态而非增殖——相一致,支持了MEG与代谢模式切换灵活性之间的特定关联。
对 termodinamic 稳健的ΔrG′景观的功能解释还应考虑肝脏的能量和氧化还原需求。从化学计量学来看,糖酵解从一分子葡萄糖生成两分子丙酮酸,净产生两分子ATP和两分子NADH;而糖异生从两分子丙酮酸生成一分子葡萄糖,消耗四分子ATP、两分子GTP和两分子NADH。因此,禁食诱导的从糖酵解到糖异生的转换不仅涉及反应方向和ΔrG′值的变化,还涉及对高能磷酸化合物和还原当量的需求增加。本研究中,16小时禁食后ATP/ADP比值升高(表S2),表明尽管糖异生存在能量需求,肝脏能量状态仍得以维持。特别是,PGK在我们模型中作为GAPDH:PGK反应的一部分,在16小时禁食后仍接近平衡,这表明ATP/ADP比值的升高可能有助于提供糖异生方向性所需的热力学条件。因此,禁食期间的ATP产生,主要由包括TCA循环和β-氧化在内的线粒体代谢支持,可能在维持葡萄糖代谢 termodinamic 架构的同时为糖异生提供动力。
总之,我们开发了GLEAM以估算小鼠肝脏葡萄糖代谢的ΔrG′,并揭示了其对抗禁食和肥胖的 termodinamic 稳健性。此外,我们提出肝脏中的这些热力学特性通过两种方式有助于高效的代谢控制:维持限速步骤候选反应以及以较小的代谢物波动进行糖酵解与糖异生之间的切换(通过需要较大的酶成本)。因此,本研究为哺乳动物肝脏中所观察到的高度灵活且稳健的代谢调节原理提供了重要见解,为未来研究代谢疾病的治疗靶标铺平了道路。
研究局限性
本研究的一个局限性在于,我们将肝细胞视为单一隔室,并从细胞内平均的代谢物浓度计算ΔrG′。
一些代谢物,包括Cit、AKG和OAA,分布于细胞质和线粒体之间,因此涉及这些代谢物的反应的ΔrG′值在使用全细胞平均浓度计算时可能不够准确。此外,NAD+/NADH和NADP+/NADPH的比率在细胞质和线粒体之间已知存在差异,这可能影响GAPDH、GPD和PDH等氧化还原反应的ΔrG′值。此外,局部浓度可能受到底物通道化的影响。底物通道化是一种现象,其中连续反应的酶形成复合物,使前一种酶的产物能够直接转移至后一种酶的活性位点,而无需释放到溶剂中。对于涉及底物通道化的反应,ΔrG′取决于酶之间有限空间内通道化代谢物的浓度。尽管底物通道化尚未在生物体中得到确认,但MDH和CS之间的草酰乙酸通道化已通过实验得到间接支持,[引用],并且ALDO、TPI和GAPDH也被推测可以形成复合物。[引用]另一个局限性在于,FCC计算仅基于化学计量关系,由于哺乳动物中Ki值的严重缺乏以及计算的简化,未考虑别构调节。纳入别构调节将改变FCC值,从而进一步缩小可能具有较大FCC的反应范围。最后,由于缺乏通量测量数据,基于ΔrG′景观得出的功能解释是有限的。尽管ΔrG′限制了反应方向并反映了热力学驱动力,但它本身并不能决定代谢通量。通量还受酶丰度、周转数、代谢物饱和度和别构调节的影响。因此,热力学稳健性并不等同于功能稳健性。要揭示热力学稳健性与功能稳健性之间的联系,整合通量测量数据是一个重要的未来方向。
资源可用性
主要联系人
如需获取更多信息和资源,应向主要联系人黑田真也(skuroda@bs.s.u-tokyo.ac.jp)提出请求,并将会得到其满足。
材料可用性
本研究未生成新的独特试剂。
数据与代码可用性
• 本研究使用了我们此前研究中野生型(WT)和ob/ob小鼠的代谢组学数据。[引用] 用于FCC计算的动力学参数分布(米氏常数和周转数)以及本研究生成的FCC值已存储于GitHub(https://github.com/tabekawa/Thermodynamics_MouseLiver)。所有其他用于评估本研究结论的数据均在本研究或补充信息中提供。
• 用于GLEAM和FCC及EC分析的MATLAB代码已存储于GitHub,并可在https://github.com/tabekawa/Thermodynamics_MouseLiver公开获取。
• 重新分析本研究中报告数据所需的任何其他信息,均可应请求向主要联系人获取。
致谢
感谢我们的实验室成员对本手稿的批判性阅读。本工作的计算分析部分得到了遗传学研究所(NIG)超算系统的支持,该系统属于信息与系统研究所(ROIS)。
本研究由日本学術振興会(JSPS)科研费(资助编号JP17H06300、JP17H06299、JP18H03979、JP21H04759、JP22K17992、JP23H04946、JP23H04939)(S.K.)资助;由科学技术振兴机构(JST)CREST计划(JPMJCR2123、JPMJCR25T3)和ASPIRE计划(JPMJAP24B1)(S.K.)资助;由上原财团(S.K.)资助;由AMED资助编号JP21zf0127001(T.S.)资助;由JST CREST计划编号JPMJCR2123(T.S.)资助;由文部科学省科研费编号JP23H04946(T.S.)资助;由文部科学省世界顶尖国际研究中心倡议(WPI)人类生物学-微生物组-量子研究中心(Bio2Q)(T.S.)资助;由JSPS科研费JP24K11417(A.H.)资助;由科学技术振兴机构FOREST计划(JPMJFR2052)(A.H.)资助;以及由JSPS科研费JP21K14467(S.O.)资助。
作者贡献
概念设计,T.A.、S.O.和S.K.;形式分析,T.A.;软件,T.A.;方法,T.A.、S.O.、A.H.和T.S.;数据整理,A.H.和T.S.;可视化,T.A.;资金获取,S.O.、A.H.、T.S.和S.K.;项目管理,S.K.;监督,S.K.;原稿撰写,T.A.、S.O.和S.K.;审阅与编辑,T.A.、S.O.、A.H.、T.S.和S.K。
利益冲突声明
作者声明不存在利益冲突。
生成式AI及AI辅助技术在写作过程中的声明
在本工作准备过程中,作者使用了ChatGPT、DeepL和Claude来改善手稿的可读性和语言。在使用这些工具后,作者根据需要审阅和编辑了内容,并对出版物的内容承担全部责任。
STAR★方法
关键资源表
试剂或资源 | 来源 | 标识符
沉积数据 | 禁食期间WT和ob/ob小鼠肝脏和血液中的代谢组学数据(n = 5)| Morita等人 [引用] | N/A
沉积数据 | 禁食期间WT和ob/ob小鼠肝脏中的代谢组学数据(n = 5)| Li等人 [引用] | N/A
软件和算法 | MATLAB R2021b | MathWorks | https://jp.mathworks.com/products/matlab.html
软件和算法 | Gurobi 10.0.3 | Gurobi Optimization | https://www.gurobi.com/product
软件和算法 | Python 3.10 | Python Software Foundation | https://www.python.org/downloads/
其他 | GLEAM(基于方差-协方差矩阵辅助的代谢组反应吉布斯自由能景观估计)| 本研究 | https://github.com/tabekawa/Thermodynamics_MouseLiver
实验模型和研究参与者详情
本研究使用了我们此前研究中WT和ob/ob小鼠的代谢组学数据。[引用]
方法详情
小鼠葡萄糖代谢网络
构建了一个小鼠葡萄糖代谢网络来计算ΔrG′。该网络由肝脏、肌肉和血液中共55个反应和80个代谢物组成(不同区室中相同的反应和代谢物分别计数),涉及糖酵解、糖异生、TCA循环、糖原代谢、丙氨酸代谢和转运体(图S7和表S3)。在55个反应中,我们基于组织特异性全基因组尺度代谢网络定义了23个可逆反应和32个不可逆反应。所有转运体均定义为可逆反应。
由于代谢组学数据中未测量1,3-二磷酸甘油酸,可逆反应GAPDH和PGK被合并为单个可逆反应GAPDH:PGK。根据实验测量的代谢物浓度,可逆反应ACO在所有时间点均沿氧化TCA循环的反方向进行,具有较小的热力学驱动力,在WT和ob/ob小鼠中均如此,从而打断了一条从CS到FH的顺序途径。由于这种长顺序途径对于下游分析(如FCC和EC计算)是必需的,我们将ACO与具有沿氧化TCA循环方向较大热力学驱动力的不可逆反应IDH合并为单个不可逆反应ACO:IDH。
在骨骼肌中,糖异生相关的FBP、G6PC和PCK未纳入代谢网络。尽管PC也参与糖异生,但由于我们无法排除其在骨骼肌中表达的可能性,因此PC被纳入骨骼肌代谢网络。[引用]
在本研究中,我们将肝脏和骨骼肌分别假设为肝细胞和肌细胞的单一区室,未考虑这些细胞的细胞质和线粒体区室以简化建模。因此,本研究计算的ΔrG′值代表细胞内的平均值。
GLEAM算法
我们开发了GLEAM作为一种方法,从对数尺度的代谢组学数据(ln c ∈ ?^(m×h×g))和通过基团贡献法计算的ΔfG′°数据(ΔfG′° ∈ ?^m)中估计一套完整的热力学一致的代谢物浓度和ΔfG′°值,其中m、h和g分别代表代谢物数量、时间点和基因型数量。由于代谢组学和ΔfG′°数据包含不确定性和缺失值,直接将其代入ΔrG′的定义方程(方程1和2)常常违反热力学第二定律。为解决此问题,GLEAM通过在热力学可行空间内基于测量的代谢组学数据计算最合理的值来修正不确定性和缺失值。
我们首先建立一个二次规划问题,在热力学和生理学约束下最小化估计的代谢物浓度和ΔfG′°与实验值及数据库值的偏差:
min_(y∈{ln c, ΔfG′°}, a) Z_QP = Σ_y (1/#y^exp) {(y+a?y^exp)^T Σ^?1(y) (y+a?y^exp) + Σ_i λ |(P_i)^T a / √(D_i·i)|}
s.t. ΔrG′_j < 0 ?i∈M, ?j∈N
ΔrG′_j = Σ_(i∈M) S_(i,j) (ΔfG′°_i + R·T·ln c_i) ?j∈N_cell
ΔrG′_GLUT = R·T·ln [Glu[h]]/[Glu[b]]
ΔrG′_MCT = R·T·ln ([H+[b]]·[Lac[b]])/([H+[h]]·[Lac[h]])
lb_i ≤ ln c_i ≤ ub_i ?i∈M
lb_i ≤ ln (c_i1/c_i2) ≤ ub_i ?(i1, i2)∈M_cofactor
(方程7)
其中c_i是代谢物i的浓度,S_(i,j)是代谢物i在反应j中的化学计量系数,R是气体常数,T是温度。M、N和N_cell分别是代谢物集合、反应集合和细胞内反应集合。M_cofactor是比率受约束的辅因子对集合。Σ是一个方差-协方差矩阵,其特征分解为Σ = PDP^T。a是系统误差,λ是正则化参数。上标exp表示测量值或数据库值。目标函数中花括号内的第一项表示估计的代谢物浓度和ΔfG′°的方差和协方差加权残差,考虑了实验操作带来的系统误差,而第二项表示用于避免过拟合的系统误差正则化项。通过使用ΔfG′°中的协方差作为残差的权重,估计反映了由于共享化学基团而导致的ΔfG′°中的相关性。相比之下,所有代谢物浓度之间的协方差均设为零,使Σ成为对角矩阵,因为预期不存在代谢物浓度方面的先验相关性。
优化问题(7)的解可能无法提供唯一的浓度值,特别是对于未测量的代谢物,这可能导致涉及未测量代谢物的反应的ΔrG′无法确定。为估计唯一的ΔrG′,在目标函数中增加了包含未测量代谢物浓度方差的两项:
Z_QP_unique(y, a) = Σ_y (1/#y^exp) {(y+a?y^exp)^T Σ^?1(y) (y+a?y^exp) + Σ_i λ |(P_i)^T a / √(D_i·i)|} + ?1 · Σ_((h1,h2)∈H_adj) (1/(h2?h1)) · Σ_(i∈M_unmeasured) (ln c_(i,h2) ? ln c_(i,h1))^2 + ?2 · Σ_(i∈M_unmeasured) (ln c_i ? ln?_i)^2
(方程8)
其中H_adj是相邻时间点对的集合,M_unmeasured是未测量代谢物的集合,ln?_i是代谢物浓度上下限的中位数,?1是一个足够小的值,以确保第一项优先于第二项。类似地,?2(?1??2)使第二项优先于第三项。目标函数的第二项(第一个附加项)减少了未测量代谢物在各时间点之间的浓度变化总和,使平滑的浓度变化比不自然的反复升降更可能被估计出来。目标函数的第三项(第二个附加项)减少了估计的未测量代谢物浓度与其上下限中位数的偏差。此项可以通过酶效率提升与渗透压和毒性带来的细胞负担之间的权衡来论证。[引用]
由于?∈{?1, ?2},目标函数中包含量级差异很大的项,难以一次性优化。因此,在实现中,我们首先仅针对第一项求解优化问题,然后将测量的代谢物浓度和ΔfG′°固定为获得的解,接着求解第二项和第三项的优化问题。
代谢网络可能包含可逆反应,其在特定条件下的方向未知。通过引入表示反应方向的二进制变量,GLEAM模型最终以以下混合整数二次规划问题进行形式化:
min_(y∈{ln c, ΔfG′°}, a, v, d) Z_MIQP = Σ_y (1/#y^exp) {(y+a?y^exp)^T Σ^?1(y) (y+a?y^exp) + Σ_i λ |(P_i)^T a / √(D_i·i)|} + ?1 · Σ_((h1,h2)∈H_adj) (1/(h2?h1)) · Σ_(i∈M_unmeasured) (ln c_(i,h2) ? ln c_(i,h1))^2 + ?2 · Σ_(i∈M_unmeasured) (ln c_i ? ln?_i)^2
s.t. d_j · ΔrG′_j < 0 ?i∈M, ?j∈N
Σ_(i∈M) S_(i,j) · (ΔfG′°_i + R·T·ln c_i) < 0 ?i∈M, ?j∈N_cell
ΔrG′_GLUT = R·T·ln [Glu[h]]/[Glu[b]]
ΔrG′_MCT = R·T·ln ([H+[b]]·[Lac[b]])/([H+[h]]·[Lac[h]])
d_j ∈ {?1, 1} ?j∈N_rev
d_j ∈ {1} ?j∈N_irrev_f
d_j ∈ {?1} ?j∈N_irrev_b
d_j · v_j > 0 ?j∈N
Σ_(j∈N) S_(i,j) · v_j = 0 ?i∈M_steady
lb_i ≤ ln c_i ≤ ub_i ?i∈M
lb_i ≤ ln (c_i1/c_i2) ≤ ub_i ?(i1, i2)∈M_cofactor
(方程9)
其中v_j是通过反应j的代谢通量,d_j∈{1, ?1}是表示反应j方向二进制变量,N_rev是可逆反应集合。N_irrev_f和N_irrev_b分别是相对于代谢网络定义方向为正向和反向的不可逆反应集合。M_steady是假定为稳态的代谢物集合。为高效求解此混合整数二次规划问题,GLEAM将其视为双层优化问题,其中二进制变量的优化为上层次问题,连续变量的优化为下层次问题:
min_d Z_MIQP(y*, a*, v*, d)
s.t. y*, a*, v* ∈ arg min_(y, a, v) Z_MIQP(y, a, v, d)
y, a, v, d ∈ Ω_GLEAM
(方程10)
其中Ω_GLEAM是问题(9)中定义的解空间。在双层优化问题中,二进制变量通过遗传算法进行优化,而在二进制变量个体约束下,连续变量通过内点法进行优化(图S8)。遗传算法通过MATLAB函数ga执行,终止条件为FunctionTolerance = 10^?9,种群大小为PopulationSize = 500。下层二次规划问题使用Gurobi MATLAB API求解,对偶可行性容差为OptimalityTol = 10^?9,原始可行性容差为FeasibilityTol = 10^?9。此双层优化从随机初始值执行10次,选择目标函数值最小的解作为最优解。
置信区间的计算
GLEAM估计的置信区间通过使用代谢物浓度和ΔfG′°的参数自助采样法计算。
这些数据首先通过基于每种代谢物浓度和 Δ?????′° 在公式 9 的 ΔrG′ 估算中的方差和残差添加扰动进行重采样,使用实验值和数据库值进行估算。为了生成反映协方差的 Δ?????′° 样本,扰动是在通过方差-协方差矩阵的特征向量的转置矩阵变换 Δ?????′° 向量的基底之后施加的:ln???????=ln???exp??+???????????,???∈??,(公式 11)(??(Δ?????′°)???)T????????′??,??=(??(Δ?????′°)???)T????????′??,??????+√??(Δ?????′??)?????????????,(公式 12)????(??)=??(??),(公式 13)??????~???(0,(??????)2),(公式 14)??????=√1#??exp?1?∑??((??(??)???)T????+(??(??)???)T?????(??(??)???)T?????????√??(??)????????????????)2,(公式 15)?????????=1#??exp?(???+????????????)T?∑?1(??)(???+????????????)(公式 16)其中 b 是自助样本 B 的索引,? 表示使用实验值和数据库值通过公式 9 优化得到的值。δ 是从均值为 0、标准差为 sd? 的正态分布生成的高斯噪声,sd? 代表使用实验值和数据库值进行 ΔrG′ 估算时代谢物浓度和 Δ?????′° 残差的标准差。使用重采样的代谢物浓度和 Δ?????′° 值,我们以与从实验和数据库值估算相同的方式,进行热力学一致的代谢物浓度和 Δ?????′° 的估算。在此优化中,可逆反应的方向被固定为从实验和数据库值中估算得到的方向。此重采样和优化操作执行了 2000 次。通过对所得 2000 组估算值应用百分位法,我们获得了 95% 置信区间。
正则化参数的选择
GLEAM 中用于系统误差的正则化参数 λ 通过约化卡方(??2red)进行选择。??2red 使用从重采样值中估算得到的代谢物浓度和 Δ?????′° 计算:??2red=#??exp??????????????,(公式 17)????????=1#???∑??∈??1#??exp?(?????+??????????????)T?∑?1(??)(?????+??????????????),(公式 18)?????=#??exp2????????(??????????????????)(公式 19)其中 b? 表示从重采样值计算得到的优化值。当 ??2red = 1 时,模型被解释为理想拟合数据;当 ??2red < 1 时,模型被解释为过拟合;当 ??2red > 1 时,模型被解释为拟合不佳。在本研究中,当 λ = 1.51 时 ??2red = 1.03,因此将其选为最佳正则化参数。
GLEAM 在小鼠数据上的应用
我们将 GLEAM 应用于野生型(WT)和 ob/ob 小鼠(n = 5)在 0、2、4、6、8、12 和 16 小时禁食后(表 S1)肝脏、骨骼肌和血浆的绝对定量代谢组学数据,这些数据是在我们之前的研究中测得的。我们使用在每种条件下成功测量三次或三次以上的代谢物的对数均值和方差,并将测量样本数少于两次或两次以下的代谢物视为未测量代谢物。由于样本降解,辅因子 ATP、ADP、GTP、GDP、NAD+、NADH、FAD、FADH2、NADP+ 和 NADPH 无论测量样本数量多少均被视为未测量代谢物,取而代之的是,它们的比率根据之前的报道进行约束(表 S8)。细胞内乳酸也因可能在测量过程中从容器中渗漏而同样被视为未测量代谢物。GLEAM 中许多代谢物的上下界设置为细胞内代谢物浓度的生理学典型范围(下界:10?? M,上界:10?2 M),而某些未测量代谢物的界限则基于生物学知识单独定义(表 S8)。通过贡献度法计算的 Δ?????′° 数据从 eQuilibrator 数据库检索(表 S1)。我们在 eQuilibrator 条件下 pH = 7.2、pMg = 3.0 和离子强度 = 0.15 M 下对肝脏和骨骼肌使用相同的 Δ?????′° 数据。我们还将血液条件设置为 pH = 7.4,因为 MCT 的 ΔrG′ 取决于细胞和血液中的 pH 值。所有区室的温度均设置为 T = 310.15 K。
在肝脏中,假设在 0 小时禁食状态(自由摄食)下糖酵解占主导地位,而在 WT 和 ob/ob 小鼠中均假设到 16 小时禁食时糖异生接替他。在这两个时间点,参与糖酵解和糖异生的可逆反应(GPI、ALDO、TPI、GAPDH:PGK、PGAM、ENO、PGM、GPD、LDH)的方向被固定,并在 GLEAM 计算中被视为不可逆反应。
由于反应速率在禁食期间远快于代谢物和酶水平的时间变化,我们的代谢模型被假设为在每个测量时间点处于伪稳态。这一假设导致代谢网络中间代谢物(G6P、F6P、F1,6BP、DHAP、GAP、3PG、2PG、PEP、丙酮酸、AcCoA、Cit、Isocit、AKG、SucCoA、Suc、Fum、Mal、OAA)的质量平衡。
敏感性分析
我们进行了敏感性分析,以评估 GLEAM 的 ΔrG′ 估算对可逆反应方向假设以及代谢物浓度和辅因子比率界限的依赖性。对于前者分析,我们从 GLEAM 模型中移除了强制反应沿糖酵解或糖异生方向进行的可逆反应方向约束,以估算 ΔrG′。对于后者分析,我们将表 S8 中的下界和上界分别乘以 0.1 和 10,并进行 GLEAM 估算。然而,当上界乘以 10 后的值大于 0.1 M 时,敏感性分析的宽松上界被设置为 0.1 M,以使估算的代谢物浓度保持在生理学合理范围内。
通量控制系数(FCC)的推导
我们从直接结合模块速率律中推导了糖酵解(图 3A)、糖异生(图 3B)和三羧酸循环(图 3C)中的通量控制系数(FCC),该速率律等价于简单可逆单-单反应的 Michaelis-Menten 可逆动力学,使用了代谢控制分析(MCA)的定理。在直接结合模块速率律中,通量可以通过最大速率、热力学和底物饱和度的影响来描述:??=?????+cat???rev???sat,s,(公式 20)??rev=1?exp?(Δ?????′?????),(公式 21)??sat,s=∏??∈??s(??????m,??)∣????∣1+∏??∈??s(??????m,??)∣????∣+∏??∈??p(??????m,??)∣????∣(公式 22)其中 Ms 是底物集合,Mp 是产物集合。从公式 20,我们计算了底物弹性 ????s,?? 和产物弹性 ????p,??:????s,??=???????????????=|????|?(???1rev???sat,s),(公式 23)????p,??=???????????i??=|????|?(1????1rev???sat,p),(公式 24)??sat,p=∏??∈??p(??????m,??)∣????∣1+∏??∈??s(??????m,??)∣????∣+∏??∈??p(??????m,??)∣????∣.(公式 25)我们在此分析的途径的化学计量矩阵是满秩的,且它们的每个零空间是一维的,这意味着稳态通量的自由度为 1。对于这些途径,根据 MCA 中的连接定理和求和定理,以下公式 26 和 27 成立:?????????????=??,(公式 26)∑??????????=1,(公式 27)??????=?????????1??????????????????1????????????,(公式 28)??????=???????1??1?????1???????????????1??????????????(公式 29)其中 ??????={??????,??????}。综合公式 23、24、26 和 27,我们获得了 FCC:????????=????∑??????,(公式 30)其中糖酵解中 GAPDH:PGK 的 α 描述为??=∏ALDO??=0(???????p)?(????TPIs?????TPIp)?∏??+1??=??+1??????s,(公式 31)糖酵解中 GAPDH:PGK 下游反应的 α 描述为??=∏ALDO??=0(???????p)?(????TPIs?????TPIp)?∏???1??=GAPDH:PGK(???????p)?∏??+1??=??+1??????s,(公式 32)糖异生中 ALDO 的 α 描述为??=∏GAPDH:PGK??=0(???????p)?(????TPIs?????TPIp)?∏??+1??=??+1??????s,(公式 33)糖异生中 ALDO 下游反应的 α 描述为??=∏GAPDH:PGK??=0(???????p)?(????TPIs?????TPIp)?∏???1??=ALDO(???????p)?∏??+1??=??+1??????s,(公式 34)其他反应的 α 描述为????=∏???1??=0(???????p)?∏??+1??=??+1??????s.(公式 35)注意,反应索引 j∈{1, ...,N} 的标注方式为 1 代表途径中最上游的反应,N 代表最下游的反应,且 ????0s=????0p=??????+1s=??????+1p=1。
FCC 计算中使用的代谢物浓度和 ???????′° 值
我们在任意 ΔrG′ 景观和肝脏 ΔrG′ 景观下均计算了 FCC。对于两种条件,我们使用了 GLEAM 中用于置信区间计算的采样 Δ?????′° 值。为了生成肝脏 ΔrG′ 景观,我们使用了置信区间计算中采样的代谢物浓度。为了生成任意 ΔrG′ 景观,从生理学合理的解空间 Ωlnc 中均匀采样对数代谢物浓度:Ωln???=?{?{?ln????∣Δ?????′??<0???????≤ln?????≤??????????????=???????=ln??????????∈??blood?{?{?(公式 36)其中 Mblood 代表血液代谢物。代谢物浓度的上下界与 GLEAM 中使用的相同(表 S8)。此采样对每个 Δ?????′° 集合执行了 20 次,使用 Volume-and-Sampling 包中的 MATLAB 函数 polySampler。因此,我们总共获得了 2000 × 20 = 40000 个任意 ΔrG′ 景观。
FCC 计算中使用的 Km 值
在 FCC 计算中,我们对每个 ΔrG′ 景观采样 Michaelis-Menten 常数 Km 以计算反应饱和水平。为了采样 Km,我们首先从 BRENDA 数据库检索了 Mus musculus、Rattus norvegicus、Homo sapiens、Bos taurus、Sus scrofa、Canis lupus familiaris 和 Mammalia 的酶 Km 和周转数 ??cat∈{??+cat,???cat} 值。对于有三个或更多数据点且未报告突变酶数据的 Km 和 kcat 值,我们计算了它们的对数均值和标准差。对于数据点少于三点的 Km 和 kcat,我们将 kcat (/s) 的对数均值设置为 1,标准差为 1.5,Km (mM) 的对数均值设置为 ?1,标准差为 1。利用 Km 和 kcat 的均值和标准差,我们对每个酶从解空间 ΩKP 中均匀采样对数 Km 和 kcat 值:ΩKP,??=?{?{?(log???m,log???cat)?∣log?????m,??,???2?????m,??,??≤log???m,??,??≤log?????m,??,??+2?????m,??,??log?????cat,???2?????cat,??≤log???cat,??≤log?????cat,??+2?????cat,??log???+cat,???log????cat,???∑??∈??slog???|????,??|m,??,??+∑??∈??plog???|????,??|m,??,??=log???eq,????eq,??=exp?(?1??????∑??∈??????,???Δ?????′°??)?{?{?,???∈??,???∈??(公式 37)其中 μ 是均值,σ 是标准差,Keq 是平衡常数。第三个约束反映了 Haldane 关系。这些采样对每个 ΔrG′ 景观执行了 20 次,使用 Volume-and-Sampling 包中的 MATLAB 函数 polySampler。因此,我们最终在任意和肝脏 ΔrG′ 景观下分别使用 20 × 20 × 2000 = 800000 和 20 × 2000 = 40000 组代谢物浓度、Δ?????′° 和 Km 值计算了 FCC。
EC 和总 EC 的定义
通过求解直接结合模块速率律(公式 20)关于酶量的方程,我们可以获得承担特定通量所需的酶需求:??=????+cat????1rev???1sat,s.(公式 38)通过此方程,我们定义酶成本(EC)为酶需求与酶分子重量 w 的乘积:EC=?????.(公式 39)酶分子量从 UniProt 数据库检索。我们还定义途径的总 EC 为该途径中 EC 的总和:totalEC=∑??∈??pathwayEC??(公式 40)其中 Npathway 是途径中包含的反应集合。我们在与 FCC 计算相同的糖酵解(图 3A)、糖异生(图 3B)和三羧酸循环(图 3C)中计算了 EC,使用 GLEAM 中用于置信区间计算的采样代谢物浓度和 Δ?????′° 值,以及从 BRENDA 数据库获得的 Km 值的几何平均值(表 S5)。对于在 BRENDA 数据库中少于三个数据的 Km,我们将它们的 c/Km 值设置为途径的几何平均值。假设同一途径内的 ??+cat 值相同,其影响在本研究中可以忽略,因为我们只关注 EC 的相对值。
总 EC 的最小化
由于 EC 依赖于代谢物浓度,我们定义酶成本最小(ECM)为总 EC 通过代谢物浓度最小化的理论条件。我们通过求解以下非线性优化问题获得 ECM:minln???totalEC=∑??∈??pathwayEC??s.t.EC??=?????????1rev,??????1sat,s,??,??∈????rev,??=1?exp?(Δ?????′???????)??sat,s,??=∏??∈??s(??????m,??,??)∣????,??∣1+∏??∈??s(??????m,??,??)∣????,??∣+∏??∈??p(??????m,??,??)∣????,??∣Δ?????′??=∑??∈??????,???(Δ?????′°,liver??+??????ln?????)<0,??∈?????????≤ln?????≤???????,??∈?????????=???????=ln???mouse??,??∈??blood???????=???????=ln???mouse??,??∈??terminalln?????1????2=(ln?????1????2)mouse,?(??1,??2)∈??cofactor.(公式 41)w 和 v 分别通过最小分子量和通量进行归一化。每个分析途径的相对通量是唯一的,因为这些途径稳态通量的自由度为 1。lncmouse 代表小鼠中的代谢物浓度,即 lnc? 和 lncb?。Mblood 代表血液代谢物集合,Mterminal 代表每个途径末端的细胞内代谢物集合:糖酵解和糖异生中的葡萄糖和丙酮酸,以及三羧酸循环中的 AcCoA、OAA 和 Mal。通过将这些浓度和辅因子比率固定为小鼠肝脏中的值,ECM 中整个途径的总 Gibbs 自由能变化与小鼠肝脏中的一致。ECM 通过 MATLAB 函数 fmincon 计算,终止容差设置为一阶最优性 OptimalityTolerance = 10??,约束违反容差 ConstraintTolerance = 10??,最大函数评估次数 MaxFunctionEvaluations = 1000000,最大迭代次数 MaxIterations = 100000。对单个问题进行 100 次优化,选择最小化目标函数的解作为 ECM。
MEG 的计算
为量化代谢物浓度变化方面的代谢切换效率,我们定义代谢平衡差距(MEG)为反转代谢方向所需的最小浓度变化:MEG=exp?????=minln????√1#???∑??∈??(ln??????ln???sys??)2s.t.Δ?????′??=∑??∈??????,???(Δ?????′°??+??????ln?????)=0,??∈??shiftΔ?????′??=∑??∈??????,???(Δ?????′°??+??????ln?????)<0,??∈?????shift???????≤ln?????≤???????,??∈??(公式 42)其中 sys 代表本研究中肝脏或 ECM 对应目标系统的值。Nshift 是在切换代谢模式时必须反向进行的反应集合;它包括糖酵解和糖异生中的可逆反应以及三羧酸循环中的所有反应。MEG 计算中使用的 Δ?????′° 值与肝脏中的相同(也与 ECM 中的相同)。MEG 使用 Gurobi MATLAB API 计算,对偶可行性容差 OptimalityTol = 10??,原始可行性容差 FeasibilityTol = 10??。
量化与统计分析
统计检验、优化、计算采样以及 ΔrG′、FCC 和 EC 的计算均使用 MATLAB 2021b(The MathWorks Inc.)和 Gurobi(版本 10.0.3)进行。
数据库处理是使用 Python(版本 3.10)进行的。所有统计学检验的详细信息都在结果部分中描述。图形是使用 MATLAB 包“Plot Groups of Stacked Bars”创建的。补充信息(6)下载全部 PDF (1.20 MB) 文档 S1。图 S1–S8 和表 S4、S7 和 S8 电子表格 (3.30 MB) 表 S1。用作 GLEAM 输入的代谢组学和 Δ?????′°数据 电子表格 (29.58 KB) 表 S2。由 GLEAM 估算的热力学一致代谢物浓度、Δ?????′°和 ΔrG′ 电子表格 (28.47 KB) 表 S3。小鼠葡萄糖代谢代谢网络中的代谢物和反应 电子表格 (19.85 KB) 表 S5。小鼠肝脏和细胞外基质 (ECM) 中的 EC 计算 电子表格 (19.46 KB) 表 S6。通过 MEG 计算确定的、代谢切换所需反应处于平衡状态的代谢物浓度