Modelización del ciclo metabólico de la levadura mediante la integración estadística de datos de metabolómica, expresión génica y modificación de histonas

Abstract

En los últimos años la biología de sistemas se ha posicionado como una de las áreas más interesantes en la investigación biológica. La comprensión de la célula como un sistema integrado promete el descubrimiento de nuevas propiedades emergentes nunca antes descritas. Sin embargo, aunque el avance de las tecnologías ómicas ha permitido la generación de grandes cantidades de datos, su integración e interpretación siguen siendo un reto a superar. En este contexto uno de los modelos más estudiados es el ciclo metabólico de la levadura (YMC, de sus siglas en inglés). Este ciclo aparece en situaciones de limitación de nutrientes y se caracteriza por una oscilación periódica de la expresión génica. Recientes estudios sugieren que dicha oscilación es producto de cambios en el metaboloma que podrían afectar a la estructura de la cromatina. Esto hace al YMC un modelo perfecto para el análisis de la relación entre metaboloma, transcriptoma y estado de la cromatina. Con el objetivo de desarrollar nuevos protocolos de integración estadística de datos ómicos, se utilizaron datos de RNA-Seq, ChIP-Seq y metabolómica del YMC. Para ello se emplearon diferentes modelos estadísticos: modelos multivariantes (PLS) y de regresión lineal múltiple (MORE). Tras su aplicación se encontraron diferencias entre ambos modelos. Finalmente se realizó una interpretación biológica de los resultados.

En els últims anys la biologia de sistemes s'ha posicionat com una de les àrees més interessants en la investigació biològica. La comprensió de la cèl·lula com un sistema integrat promet el descobriment de noves propietats emergents mai abans descrites. No obstant això, encara que l'avanç de les tecnologies òmiques ha permès la generació de grans quantitats de dades, la seva integració i interpretació segueixen sent un repte a superar. En aquest context un dels models més estudiats és el cicle metabòlic del llevat (YMC, de les seves sigles en anglès). Aquest cicle apareix en situacions de limitació de nutrients i es caracteritza per una oscil·lació periòdica de l'expressió gènica. Recents estudis suggereixen que aquesta oscil·lació és producte de canvis en el metaboloma que podrien afectar l'estructura de la cromatina. Això fa a l'YMC un model perfecte per a l'anàlisi de la relació entre metaboloma, transcriptoma i estat de la cromatina. Amb l'objectiu de desenvolupar nous protocols d'integració estadística de dades òmics, es van utilitzar dades de RNA-Seq, ChIP-Seq i metabolòmica del YMC. Per a això es van emprar diferents models estadístics: models multivariants (PLS) i de regressió lineal múltiple (MORE). Després de la seva aplicació es van trobar diferències entre els dos models. Finalment es va realitzar una interpretació biològica dels resultats.

In the last years system biology has become in one of the most exciting fields in biological research. The understanding of the cell as an interactive network, instead of separated layers, could be decisive in the comprehension of human diseases and development. This is because the interaction analyses may uncover emerging proprieties that lie hidden. Despite nowadays technology allows researchers to produce large amount of data from different omic technology; the statistical integration and interpretation is not easy and available tools are far to be perfect. Consequently, the ideal system model is not achieved yet and more efforts are needed. In this context, one of the most studied models is the yeast metabolic cycle (YMC). This cycle is defined by a periodic oscillation of genetic expression. Based on recent studies, during this cycle the regulation of the genes could be done by metabolic changes which affects the chromatin structure. This makes the YMC a perfect model to study the relation between metabolomic, transcriptomic and ChIP-seq data in an integrative way. The objective of this research is the contribution to the development of a statistical and computational pipeline for the integration of RNA-Seq, ChIP-Seq and metabolomic data from YMC. To achieve it different statistical approaches were used: multivariate models (PLS) and multiple lineal regression models (MORE). Clear differences between models were found and discussed. Finally, a biological interpretation of the results was done.