Prédiction in silico de profils métaboliques pour améliorer la découverte des biomarqueurs et le phénotypage métabolique

In silico prediction of metabolic profiles for improved biomarker discovery and metabolic phenotyping

• Auteur / Autrice : Juliette Cooke
• Direction : Fabien Jourdan
• Type : Thèse de doctorat
• Discipline(s) : Infectiologie, Physipoathologie, Toxicologie, Génétique et Nutrition
• Date : Soutenance le 18/12/2023
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Sciences écologiques, vétérinaires, agronomiques et bioingénieries (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Toxalim (Toulouse ; 2011-....)
• Jury : Président / Présidente : Jean-Charles Portais
• Jury : Examinateurs / Examinatrices : Fabien Jourdan, Karl Burgess, Audrey Le Gouëllec, Sophie Colombié, Laurent Le Cam
• Jury : Rapporteurs / Rapporteuses : Karl Burgess, Audrey Le Gouëllec, Sophie Colombié

Mots clés

Mots clés contrôlés

Marqueurs biologiques

Modèles mathématiques

Réseaux métaboliques

Métabolomique

Mots clés libres

Métabolisme

Modélisation

Réseau métabolique

Profil métabolique

Simulation de flux

Metabolism

Modelling

Metabolic network

Metabolic Profile

Flux simulation

Résumé

Le phénotypage métabolique humain permet de déceler des dérives physiologiques anormales via des molécules circulantes dans les biofluides (plasma, urines). Ces profils métaboliques peuvent être obtenus par des dosages cliniques classiques (petit nombre ciblé de molécules) ou par une approche plus globale visant à mesurer sans a priori une gamme large de molécules endogènes : la métabolomique. La métabolomique ne permet pas de couvrir avec une seule technique analytique l’ensemble du métabolome humain. Il est donc indispensable de planifier et d’optimiser les expériences de métabolomique pour s’assurer que le métabolome sera couvert de la façon la plus pertinente possible pour chaque condition. L'hypothèse de ce travail de thèse est que la modélisation globale du métabolisme permettrait de simuler une perturbation métabolique autorisant de dépasser les contraintes actuelles de couverture et d'observabilité de la métabolomique, et ainsi permettre d'assister le design expérimental impliquant ces techniques. L’autre défi auquel fait face la métabolomique appliquée aux biofluides est d’établir un lien entre les profils métaboliques et les perturbations moléculaires métaboliques qui en sont à l'origine. Dans ce contexte, ce travail de thèse vise à proposer une méthode de modélisation permettant de simuler, à partir d'événements moléculaires ou biochimiques, le profil métabolique diagnostique d'une dérive physiologique. L’objectif central de la thèse est donc de créer une approche prédictive qui permet de simuler des perturbations métaboliques et d’y associer les métabolites qui sont le plus affectés. Pour cela, le projet consiste à modéliser le métabolisme humain en modélisant les échanges impliquant l’ensemble des réactions métaboliques qui peuvent avoir lieu chez l’homme. Cette modélisation, dite sous contrainte, permet de simuler les flux métaboliques (taux de production et de consommation de métabolites) pour prédire quels métabolites seront produits ou consommés par l’organisme. Dans cette thèse, une approche de modélisation sous contraintes est développée et appliquée pour prédire in silico les profils métaboliques qui sont les plus susceptibles d'être différentiellement abondants lors d’une perturbation métabolique donnée en utilisant la simulation de flux. Dans les réseaux métaboliques à l'échelle du génome, les flux des réactions d'échange, également connues sous le nom de réactions qui transportent les métabolites vers l'extérieur, peuvent être simulés et comparés entre les conditions de contrôle et de maladie afin de calculer les changements dans l'import et l'export des métabolites. Ces différences de flux d'import et d'export devraient induire des changements dans le niveau de ces métabolites dans les biofluides circulants, qui peuvent alors être interprétés comme des métabolites d'intérêt potentiels. SAMBA (SAMpling Biomarker Analysis), développé pour ce projet, est une approche qui simule les flux dans les réactions d'échange suite à une perturbation métabolique en utilisant le random sampling (ou échantillonnage aléatoire), compare les distributions de flux simulées entre la condition de base et la condition modulée, et ordonne les métabolites prédits comme différentiellement échangés en tant que biomarqueurs potentiels de la perturbation. Les résultats du projet montrent qu'il existe une bonne correspondance entre les profils d'échanges métaboliques simulés et les métabolites différentiels expérimentaux détectés dans le plasma, tels que les données sur les patients de la base de données sur les maladies OMIM, et les associations entre trait métabolique et SNP trouvées dans les études mGWAS. Ces recommandations de profils métaboliques peuvent donner un aperçu du mécanisme métabolique ou de la perturbation de la voie métabolique qui se cache derrière les différences de métabolites observées, et suggérer de nouveaux métabolites comme pistes potentielles pour des analyses expérimentales plus poussées.

Human metabolic phenotyping can detect abnormal physiological changes via metabolites circulating in biofluids (plasma, urine). These metabolic profiles can be obtained by classical clinical assays (small targeted number of molecules) or by a more global approach aimed at measuring a wide range of endogenous molecules without a priori knowledge, known as metabolomics. However, metabolomics approaches cannot cover the entire human metabolome with a single analytical technique. It is therefore essential to plan and optimise metabolomics experiments to ensure that the covered metabolome will be as relevant as possible for the condition studied. The hypothesis of this thesis work is that global modelling of metabolism makes it possible to simulate a metabolic disturbance by being free from the constraints of coverage and observability of metabolomics, and thus assist the experimental design involving these techniques. The other challenge that metabolomics applied to biofluids faces is understanding how to link metabolic profiles with the molecular metabolic perturbations that caused them. In this context, the thesis work aims at proposing a modelling method to simulate, from a molecular event (e.g. inhibition of an enzymatic activity), the metabolic profile signalling the physiological drift. The central objective of the thesis is therefore to create a predictive model which can simulate metabolic perturbations, and to recommend the most changed metabolites associated with them. For this, the project consists in modelling human metabolism by modelling the exchanges involving all the metabolic reactions that can take place in humans. This modelling, known as constraint-based modelling, makes it possible to simulate metabolic fluxes (rate of production and consumption of metabolites) and thus to predict which metabolites will be produced or consumed inside the body. In this thesis, a constraint-based modelling approach is developed and applied to predict in silico profiles of metabolites that are more likely to be differentially abundant under a given metabolic perturbation (e.g. due to a genetic disease) using flux simulation. In genome-scale metabolic networks, the fluxes of exchange reactions, also known as the reactions which transport metabolites externally, can be simulated and compared between control and disease conditions in order to calculate changes in metabolite import and export. These import/export flux differences are expected to induce changes in circulating biofluid levels of those metabolites, which can then be interpreted as potential metabolites of interest. SAMBA (SAMpling Biomarker Analysis), developed for this project, is an approach which simulates fluxes in exchange reactions following a metabolic perturbation using random sampling, compares the simulated flux distributions between the baseline and modulated conditions, and ranks predicted differentially exchanged metabolites as potential biomarkers for the perturbation. The project’s results show that there is a good fit between simulated metabolic exchange profiles and experimental differential metabolites detected in plasma, such as patient data from the disease database OMIM, and metabolic trait-SNP associations found in mGWAS studies. These metabolic profile recommendations can provide insight into the underlying mechanism or metabolic pathway perturbation lying behind observed metabolite differential abundances, and suggest new metabolites as potential avenues for further experimental analyses.