Integración de redes para identificar respuestas metabólicas clave de microbiomas de suelos perturbados
El método MEMPIS permite identificar genes y reacciones metabólicas específicas a ciertas condiciones mediante la incorporación de perfiles metabólicos y de expresión de genes. Sin embargo, no permite establecer las conexiones entre los genes específicos de ciertas condiciones (GEC) y otros genes, así como el papel que juegan en la respuesta del microbioma que se está analizando. En este estudio se integran redes de co-expresión de genes con rutas metabólicas para revelar las relaciones fundamentales entre GEC y su centralidad en microbiomas de suelo.
Se obtuvieron muestras de suelos de tres locaciones distintas y en laboratorio se sometieron a dos tipos distintos de perturbación: adición de nutrientes (glicina) o estrés por humedad (seco o húmedo). Submuestras de cada muestra se utilizaron para análisis metatranscriptómico y de composición metabólica que se sometieron al algoritmo MEMPIS para identificar rutas específicas a cada condición (los elementos representativos de cada condición se obtuvieron usando el paquete de python scikit-learn).
En este estudio se lograron identificar GEC: 8 para seco, 4 para húmedo y 10 para glicina. Para entender las implicaciones funcionales, se identificaron los conjuntos de genes en una red maestra obtenida de KEGG. Muchos de los genes asociados a sequía resultaron formar parte del metabolismo de trehalosa, mientras que los genes asociados a humedad se encuentran distribuidos en distintas rutas. La mayoría de los genes asociados a la condición de glicina están relacionados con el metabolismo del butanoato y al almacenamiento y disponibilidad de nitrógeno, fósforo y oxígeno.
Para inferir una red de co-expresión del microbioma de suelo se integraron los datos de las tres condiciones y se analizaron usando Context Likelihood of Relatedness (CLR) (valor de corte Z=4.2), lo que permitió obtener una red de 1,096 nodos y 2,000 conectores. El cluster central de esta red se extrajo como una subred de 1,061 nodos y 1,978 conectores. Se utilizaron dos medidas de centralidad: grado (número de conectores, nodos críticos para rutas más pequeñas) e intermediación (nodos que actúan como puente entre puntos lejanos de la red). Los genes de alta centralidad pertenecen a rutas centrales como gluconeogénesis y metabolismo de almidón y sucrosa, así como a síntesis/resistencia a antibióticos. Los GEC de sequía ocupan un grado mucho mayor de centralidad en comparación con aquellos de humedad y glicina. Para determinar la relación de estos GEC de sequía con otros procesos, se determinó su relación con otros genes formando una subred de 55 genes y 178 conectores, donde estaban enriquecidas las funciones de biosíntesis de metabolitos secundarios (ansamicinas y sideróforos) y de metabolismos del carbono, indicando que estos procesos son importantes para la respuesta del microbioma ante sequía. Las condiciones de sequía también inducen otro tipo de estrés (falta de nutrientes, cambios en concentración de sales, etc.) pudiendo esto explicar la importancia y centralidad de los GEC de sequía.
Este enfoque de integración de redes contrasta con el tradicional análisis de metabolitos por GC-MS, el cual está sujeto a varios sesgos ambientales y metodológicos que no se pueden evaluar rigurosamente. En este caso, los autores reportan que los metabolitos identificados en su estudio fueron prácticamente idénticos entre las tres condiciones y que eran ubicuos a muestras ambientales típicas.
Con este trabajo se muestra que la integración de dos modelos de datos provenientes de distintas condiciones no solo permite la predicción de genes únicos y rutas que corresponden a cada condición, sino que permite observar relaciones y estructuras centrales. Al combinar dos modelos complementarios se consigue un mejor entendimiento de la respuesta de las comunidades microbianas de suelo a perturbaciones específicas.
Referencia: McClure, R., Lee, J., Chowdhury, T., Bottos, E., White, R., Kim, Y., Nicora, C., Metz, T., Hofmockel, K., Jansson, J., Song, H. (2020) Integrated network modeling approach defines key metabolic responses of soil microbiomes to perturbations. Scientific Reports. 10: 10882.
