מאמר סקירה

מולטי-אומיקס ואנליטיקה אינטגרטיבית בגילוי מוצרים טבעיים

1.5K צפיות

⸱

DOI:

10.3791/69458

⸱

28 בנובמבר 2025

 ,  ,  ,  ,  ,  , 
1Department of Oncology, Deyang People's Hospital of Chengdu University of Traditional Chinese Medicine, 2Laboratory of Translational Medicine Research, Deyang People's Hospital of Chengdu University of Traditional Chinese Medicine, 3School of Medical Sciences, University Sains Malaysia, 4Inflammation & Allergic Diseases Research Unit, The Affiliated Hospital of Southwest Medical University

במאמר זה

סיכום

סקירה זו מדגישה מתודולוגיות מולטי-אומיקס מתקדמות, כולל מטבולומיקה, גנומיקה, טרנסקריפטומיקה ופרוטאומיקה, המשולבות עם בינה מלאכותית ולמידת מכונה, וכן ניתוח רשתות, כדי לשפר את הגילוי והאימות הפונקציונלי של מוצרים טבעיים חדשים.

תקציר

מוצרים טבעיים (NPs) היו מזה זמן רב מקור חיוני לתרכובות ביואקטיביות חדשות לגילוי תרופות; עם זאת, שיטות מסורתיות לסינון ובידוד תרכובות אלו עשויות להיות איטיות ולעיתים מניבות תשואות פוחתות. למזלנו, מולטי-אומיקס מתקדמות וגישות חישוביות מציעות פתרונות עוצמתיים לאתגרים אלה. סקירה זו מדגישה שיטות חדשניות המשלבות מטבולומיקה, גנומיקה, טרנסקריפטומיקה ופרוטאומיקה עם ביואינפורמטיקה וכימיה אנליטית כדי להאיץ את גילוי NP. לדוגמה, פלטפורמות מטבולומיקה לא ממוקדות כמו כרומטוגרפיה נוזלית ברזולוציה גבוהה – ספקטרומטריית מסה טנדם (LC-MS/MS) ורשת מולקולרית של Global Natural Products Social (GNPS) מאפשרות פרופילינג מקיף של תרכובות חדשות, בעוד שאסטרטגיות תיוג איזוטופים ממוקדות משפרות את התהליך הזה. בנוסף, כלי כריית גנום ומטאגנום כגון אנטיביוטיקה ומעטפת ניתוח מטבוליטים משנית (antiSMASH), אשכול גנים ביוסינתטי עמוק (DeepBGC) וצינור לשחזור סינתזות משולבות של מטבוליטים (PRISM) מזהים במהירות אשכולות גנים ביוסינתטיים (BGCs) הן באורגניזמים מתורבתים והן באורגניזמים לא מתורבתים, לעיתים תוך שימוש בביטוי הטרולוגי לאימות מוצרים. ניתוחים טרנסקריפטומיים, כולל ריצוף RNA (RNA-seq), רשתות ביטוי משותף ופלוקסמומיה, מסייעים להבהיר כיצד מסלולים מווסתים, בעוד שטכניקות פרוטאומיקה כמותיות כמו תגיות מסה טנדם/תגיות איזובאריות לכימות יחסי ואבסולוטי (TMT/iTRAQ) ושיטות ללא תווית, יחד עם גישות כימופרוטאומיקה כמו מבחן הזזה תרמית תאית ופרופיל פרוטאום תרמי (TPP), חושפים מטרות מולקולריות ומנגנוני פעולה שלהן. סקירה זו שמה דגש משמעותי גם על תפקיד הבינה המלאכותית (AI) ולמידת מכונה (ML) באינטגרציה של נתוני מולטי-אומיקס, הכוללת פעילויות החל מבניית רשתות קורלציה גנטית-מטבוליטית ועד לניצול גרפי ידע ורשתות עצביות גרפים למיזוג נתונים וחיזוי פונקציונלי. לבסוף, סקירה זו מסתיימת בדיון ביתרונות הסינרגטיים של מולטי-אומיקס לגילוי מוצרים טבעיים, התמודדות עם אתגרים טכניים עכשוויים, וחקר כיוונים עתידיים לאינטגרציה חכמה של נתונים בתפוקה גבוהה למחקר NP מהדור הבא.

מבוא

מוצרים טבעיים, שהם מולקולות המיוצרות על ידי אורגניזמים שונים, כולל מיקרובים וצמחים, שימשו מזה זמן רב כמקור חיוני לתרופות, החל מאנטיביוטיקה כמו פניצילין ועד תרופות אנטי-סרטניות כמו טקסול. חלק משמעותי מהאנטיביוטיקה והתרופות הכימותרפיות הנוכחיות שלנו נגזר מהתרכובות הטבעיותהללו. 1. עם זאת, השיטות המסורתיות לגילוי NPs חדשים, כגון גידול מיקרובים ושימוש בבידוד מונחה ביואסה, הפכו לקשות יותר ויותר. בסוף המאה ה-20, העניין של תרופות ב-NPs ירד כאשר חברות התמודדו עם תשואות פוחתות; תרכובות רבות שהיו קלות למציאה כבר התגלו מחדש, והאתגרים הטכניים שהיו כרוכים בסינון ואפיון התרכובות הפכו את התהליך לדורש עבודה רבה. למזלנו, המגמה הזו מתהפכת כעת. התקדמות אחרונה באומיקס וטכנולוגיות אנליטיות מחדשת מחדש את החיפוש אחר NPs 2,3. לדוגמה, ריצוף DNA בקצב גבוה מאפשר לחוקרים לחקור גנומים של אשכולות גנים ביוסינתטיים נסתרים (BGCs), בעוד שספקטרומטריית מסה רגישה במיוחד (MS) יכולה לזהות כמויות זעירות של מטבוליטים חדשים בתערובות מורכבות. החידושים הטכנולוגיים הללו מגיעים בתקופה קריטית, כאשר יש ביקוש עולמי דחוף לטיפולים חדשים, במיוחד אנטיביוטיקה שיכולה להילחם בחיידקים עמידים לתרופות4. המחקר המודרני ב-NPs מתקדם כדי להתמודד עם אתגר זה על ידי שילוב מומחיות מסורתית ב-NPs עם טכניקות ניתוח גנומי וכימי מתקדמות.

אינטגרציה של מולטי-אומיקס היא מרכזית להתקדמות הנוכחית במחקר הביולוגי. המושג "מולטי-אומיקס" כולל ניתוח סימולטני של שכבות נתונים ביולוגיות שונות, כגון DNA (גנום) של אורגניזם, תמלילי mRNA, חלבונים ומטבוליטים. יישום גישות האומיקס שינה את המחקר ב-NPs, ואפשר סינון בקצב גבוה, זיהוי מהיר של תרכובות חדשות, וחקר מעמיק של הרשתות המורכבות שמעצבותמערכות ביולוגיות. על ידי שילוב מערכי נתונים רב-שכבתיים אלו, חוקרים יכולים לקשר ישירות בין גנים למטבוליטים שהם מקודדים, ובכך לבנות הבנה מקיפה יותר של הביוסינתזה של NPs6. לדוגמה, אלגוריתמים של כריית גנום יכולים לאתר אשכול גנים שעשוי לקודד אנטיביוטיקה חדשה, בעוד שנתוני טרנסקריפטומיה יכולים להצביע האם הגנים הללו מבוטאים באופן פעיל. בנוסף, פרופיל מטבולומי יכול לזהות את מולקולת האנטיביוטיקה המתאימה בתמצית התרביתשל האורגניזם 7,8,9. גישה משולבת זו מזרזת משמעותית את גילוי התרכובות החדשות ואת הבנת מסלולי הביוסינתזה שלהן. חשוב יותר, זיהוי יעדי תרופות מסתמך יותר ויותר על גישות מולטי-אומיקס משולבות, שמחליפות בהדרגה את האסטרטגיות המסורתיות של סינגל-אומיקס10. התקדמויות עדכניות בכימיה אנליטית, כולל כרומטוגרפיה נוזלית ברזולוציה גבוהה - MS (LC-MS) ותהודה מגנטית גרעינית (NMR), מאפשרות לחוקרים לזהות ולנתח מבנית NPs חדשים מדגימות ביולוגיות מורכבות11,12. טכניקות אלו מייצרות כמויות עצומות של נתונים, וכאן הביואינפורמטיקה ולמידת מכונה (ML) הופכות לחיוניות. אלגוריתמים של בינה מלאכותית (AI) וניתוחים מבוססי רשת משמשים יותר ויותר לניתוח נתוני מולטי-אומיקס, וחושפים דפוסים ותחזיות משמעותיים שיהיה קשה לזהות ידנית13,14. על ידי מיזוג טכנולוגיות אומיקס מתקדמות עם כריית נתונים מונעת בינה מלאכותית, חוקרים יכולים כעת להקים מסלול חזק לגילוי וניתוח מהיר ושיטתי של NPs מאי פעם.

בעוד שאסטרטגיות מולטי-אומיקס קידמו משמעותית את גילוי ה-NPs, היישום המוצלח שלהן נשען במידה רבה על תכנון ניסויי קפדני. לדוגמה, סוג ואיכות הדגימות הם קריטיים; חיוני לאסוף תרביות מיקרוביאליות משומרות, מבודדים סביבתיים או חומרים קליניים בתנאים שממזערים את פירוק חומצות הגרעין והמטבוליטים15. עומק הריצוף ממלא גם תפקיד חיוני בפתרון נתונים: ריצוף גנום מלא דורש בדרך כלל כיסוי של לפחות 30× להרכבה מדויקת, בעוד שפרופילינג טרנסקריפטומי דורש לעיתים עשרות מיליוני קריאות לזיהוי תמלילים בעלי שפע נמוך, כפי שהומלץ על ידי Genohub16. בנוסף, עבור מטבולומיקה, נדרשים ממסים ושיטות חילוץ מתאימות ללכידת מחלקות כימיות מגוונות; יש לבחור במודע פרוטוקולי חילוץ שממזערים הטיה וממקסמים את השחזוריות17. עם זאת, שיטות אלו מגיעות עם אתגרים משלהן. שילוב מאגרי נתונים גדולים והטרוגניים יכול להיות אינטנסיבי חישובית, וחוסר היציבות או השפע הנמוך של מטבוליטים עלולים לסבך ניתוחים מאוחריםיותר 18. יתרה מזאת, העלויות הגבוהות או גודל המדגם המוגבל עלולים להגביל את עיצוב המחקרים19. זיהום והטיה בנתוני ריצוף, במיוחד בדגימות בעלות קלט נמוך או מדולל, מהווים גם הם סיכונים משמעותיים, כפי שהדגישו Lusk ואחרים בנוגע לזיהום בריצוף בתפוקה גבוהה20. על ידי הכרה במגבלות המעשיות והטכניות הללו, החוקרים יכולים לקבל החלטות מושכלות לגבי שילובי מולטי-אומיקס מתאימים ולפרש את תוצאותיהם בזהירות הנדרשת.

סקירה זו מדגישה את השיטות החדשניות שחוללות מהפכה בגילוי NPs באמצעות שימוש במולטי-אומיקס ואנליטיקה אינטגרטיבית. הוא גם בוחן את החשיבות הגוברת של למידת מכונה ובינה מלאכותית בקישור זרמי הנתונים השונים, כולל בניית רשתות קורלציה בין גנים למטבוליטים וזיהוי אשכולות גנים שצפויים לייצר תרכובות ביואקטיביות חדשות. בנוסף, הוא בוחן את המשמעות והפוטנציאל העתידי של גישה משולבת זו. לסיכום, השילוב של טכנולוגיות אומיקס שונות עם אנליטיקה מתקדמת לא רק מזרז את גילוי ה-NPs החדשים כיום, אלא גם סולל את הדרך לפיתוח תרופות מהדור הבא שנדרשות בדחיפות על ידי החברה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

סקירה ופרספקטיבה

כדי לערוך סקירה זו, ביצענו חיפוש ספרות מקיף במגוון מסדי נתונים ופלטפורמות אינדוקס, כולל PubMed, Scopus, Web of Science, ScienceDirect ו-Google Scholar. החיפוש כלל פרסומים מינואר 2015 ועד יולי 2025. מילות מפתח ושילובים בוליאניים כללו: "גילוי מוצרים טבעיים," "אומיקים," "מטבולומיקה," "גנומיקה," "טרנסקריפטומיקה," "פרוטאומיקה," "למידת מכונה," "בינה מלאכותית," "אשכולות גנים ביוסינתטיים," ו"שילוב מולטי-אומיקס." רשימות מקורות של מאמרים מרכזיים וסקירות עדכניות נבדקו גם הן כדי לזהות פרסומים רלוונטיים נוספים. בנוסף למחקרים שעברו ביקורת עמיתים, נבדקו מספר מוגבל של מאמרים טרום-הדפסה מפלטפורמות כמו bioRxiv ו-medRxiv כאשר סיפקו תובנות רלוונטיות ועדכניות שטרם היו זמינות בספרות שפורסמה. כל הפרה-הדפסות מסומנות בבירור כדי לשמור על שקיפות. חלק זה סוקר את ההתפתחויות האחרונות והתחזיות העתידיות בתחומים מרכזיים של גילוי NPs מבוססי אומיקס, עם דגש מיוחד על מטבולומיקה, גנומיקה, טרנסקריפטומיקה ופרוטאומיקה. וגם את האינטגרציה שלהם דרך AI/ML. הכלים והמשאבים העיקריים שנדונו בתחומים אלו נאספו לעיון בטבלה 1.

1. מטבולומיקה בגילוי NPs

  1. פלטפורמות אנליטיות למטבולומיקה
    מטבולומיקה חיונית לגילוי NPs, שכן היא מאפשרת ניתוח מפורט של המולקולות הקטנות שנוצרות על ידי אורגניזמים שונים. הכלים האנליטיים העיקריים המשמשים לאפיון מטבולומים של NPs כוללים טכניקות MS ברזולוציה גבוהה, כגון LC-MS/MS וכרומטוגרפיית גז-MS (GC-MS), יחד עם ספקטרוסקופיית NMR21,22. תהליכי עבודה לא ממוקדים של LC-MS/MS, כמו LC-MS בעל ביצועים על-גבוהים יחד עם MS/MS, מאפשרים זיהוי מגוון רחב של מטבוליטים בתערובות מורכבות, בעוד ש-GC-MS מצטיין בפרופיל תרכובות נדיפות. בנוסף, שיטות חדשות כמו הזרקה ישירה של טנדם טנדום וטרשת נפוצה משפרות את ערכת הכלים למטבולומיקה עבור NPs23,24. טכניקות ספקטרומטריות מסה מתקדמות, כולל טרשת נפוצה רב-מודלית, המשלבת מצבי יון חיובי ושלילי או משתמשת בפריסת MSn רב-שלבית, ושיטות עם מקף כמו LC-MS בשילוב עם NMR, מציעות תובנות מבניות עמוקות יותר לגבי המטבוליטים שמזוהים25,26.
  2. עיבוד נתונים וכלים חישוביים
    כלי תוכנה מיוחדים ממלאים תפקיד מרכזי בעיבוד ופרשנות נתוני מטבולומיקה. תוכנות כמו XCMS, MZmine ו-OpenMS משמשות לעיתים קרובות לזיהוי ויישור תכונות כרומטוגרפיות או פיקים, בעוד שלבי קדם-עיבוד נתונים מדוקדקים כמו יישור שיא, נרמול וסינון הם חיוניים להשגת פרופילים מטבוליים ששכפוליים27. זיהוי התרכובות נתמך על ידי ספריות ספקטרליות של MS/MS, כולל NIST ו-mzCloud, וכן בכלי פיצול סיליקו כמו SIRIUS ו-MetFrag28. פלטפורמת Global Natural Products Social (GNPS) הפכה למשאב מרכזי לרשתות מולקולריות, המארגנת ספקטרום קשורים של MS/MS כדי להדגיש משפחות כימיות ולהקל על דה-שכפול של תרכובות ידועות29. לדוגמה, ניתוח שהשתמש ב-GNPS על נתוני LC-MS/MS מתרביות Streptomyces זיהה בהצלחה אנטיביוטיקות ידועות כמו ספירמיצין ואקטינומיצין, לצד אנלוגים שלא דווחו קודם לכן 30,31. טכניקת הרשתות המולקולרית קיבצה ביעילות ספקטרום לא ידוע קשור, והוספת רשתות זהות יונים שיפרה את הקישוריות של התכונות. ניתוחים מבוססי רשת אלו, כאשר משולבים עם כלים סטטיסטיים רב-משתניים כגון ניתוח רכיבים עיקריים וניתוח הבחנה של ריבועים חלקיים אורתוגונליים, וכן ניתוח רשת קורלציה, יכולים לקשר דפוסי ייצור מטבוליטים לתנאים ביולוגיים או סביבתיים מסוימים. במחקר מסוים, רשתות מולקולרית של תמציות תסיסה מ-Streptomyces המקושרת לצמחים הדגימה פרופילי מטבוליטים מובחנים שהשתנו בהתאם למתווך הצמיחה בו השתמשו. מטבוליטים ידועים, כולל ספירמיצין, אקטינומיצין ותרכובת מסרטנת בשם לינגביאטוקסין; עם זאת, רבים מצמתים ברשת לא התאימו לאף ערך במסדי נתונים ספקטרליים32. ממצא זה מצביע על נוכחות מטבוליטים חדשים באמת, ומדגיש כיצד מטבולומיקה לא ממוקדת, יחד עם GNPS, יכולה לזהות NPs פוטנציאליים חדשים לחקירה נוספת.
    שילוב סקר מטבולומי עם בדיקות ביולוגיות פונקציונליות מקל על מתן עדיפות מהירה לזנים או לתמציות שמייצרות תרכובות ביואקטיביות. בנוסף, משאבים קהילתיים מתפתחים כמו אטלס המוצרים הטבעיים (NPAtlas), יחד עם צינורות ניתוח משולבים של מטבולום-גנום, הם חיוניים בקישור מטבוליטים שזוהו לבין ה-BGC שלהם באורגניזמים המקוריים33,34. אסטרטגיה אינטגרטיבית זו מאפשרת לחוקרים לקשר בין אותות מטבוליטים לנתונים גנומיים, ובכך לשפר את יעילות זיהוי NPs ומעקב אחר מקורם.

2. גנומיקה בגילוי NPs

בעשור האחרון, מחקר NPs מיקרוביאליים נכנס לעידן "כרייה עמוקה" מהפכני, שהונע על ידי התקדמות כמו ריצוף בתפוקה גבוהה, טרשת נפוצה רגישה במיוחד ברזולוציה גבוהה, וגישות משולבות מולטי-אומיקס35. כלים אלו העבירו את מאמצי הגילוי מבידוד מקרי לחקירה ממוקדת ומונחית נתונים. צינורות כריית גנום, כולל antiSMASH 7.0 ו-DeepBGC, מאפשרים כיום זיהוי שיטתי של BGCs מסתוריים, במיוחד בטקסונים36,37 שלא נחקרו מספיק.

  1. רצף בתפוקה גבוהה והרכבה היברידית
    טכנולוגיות ריצוף DNA בתפוקה גבוהה, כמו ריצוף DNA קצר-קריאה גבוהה בשילוב פלטפורמות ריצוף לקריאה ארוכה, שינו משמעותית את המחקר הגנומי של אורגניזמים שמייצרים NPs. באמצעות אסטרטגיות הרכבה היברידיות המשלבות קריאות ארוכות וקצרות, חוקרים יכולים להשיג הרכבות גנום בעלות רציפות גבוהה, החיוניות ללכידת BGCs שלמים בתוך גנום38. בנוסף, ריצוף מטגנומי, הכולל שחזור גנומים שהורכבו במטאגנום, מרחיב את גילוי BGCs למיקרובים לא מתורבתים, ומאפשר למדענים לחקור DNA סביבתי לפוטנציאל הביוסינתטי שלו. במקרים שבהם שיטות הרכבת גנום קונבנציונליות אינן מצליחות לפתור אשכולות גנים גדולים או חוזרים, ניתן להשתמש בטכניקות מבוססות ספרייה, כגון ספריות כרומוזומים מלאכותיים של קוסמידים או חיידקים, לבידוד ושכפול קטעים גנומיים משמעותיים. גישה זו מקלה על אפיון אשכולות גנים שלמים באמצעות ריצוף ממוקד או ביטוי הטרולוגי, ובכך מעמיקה את הבנתנו את הבסיס הגנטי לביוסינתזה של NPs40,41.
  2. כלי כריית גנום
    כלים ביואינפורמטיים מיוחדים חיוניים לניתוח נתוני גנום לזיהוי חתימות מובחנות של מסלולי מטבוליטים משניים. תוכניות כמו antiSMASH, PRISM ו-DeepBGC ממלאות תפקיד מרכזי בתהליך זה על ידי זיהוי אוטומטי של BGC מועמדים. הם עושים זאת על ידי זיהוי דומיינים ביוסינתטיים ספציפיים, כגון אלו הקשורים לסינתזות פפטידיות לא-ריבוזומליות, סינתאזות פוליקטידים, מסלולי פפטיד מסונתזים ריבוזומלית ועיבוד לאחר תרגום (RiPP), וציקלאזות טרפנ, בין היתר. כדי לסייע בדרדפליקציה, מסדי נתונים כמו MIBiG, שמאגד BGCs ידועים ומוצריהם, ו-NPAtlas, שמקטלג NPs ידועים, מסייעים לחוקרים להתאים רצפים או תרכובות חדשות לדוגמאות מבוססות 37,42,43. אלגוריתמים לאשכולות, כמו BiG-SCAPE, יחד עם כלים כמו CORASON, מארגנים BGCs קשורים למשפחות, ומציעים תצוגת רשת של מגוון ביוסינתטי ומאפשרים זיהוי משפחות אשכולות חדשות באמצעות השוואות עם משפחות ידועות44. ניתוחים ביואינפורמטיים נוספים, כולל חיפושי BLAST וסריקות מודל מרקוב נסתרות, יכולים לחזות את התפקודים הפוטנציאליים של אנזימים המקודדים בתוך BGC, בעוד שגישות גנומיקה השוואתיות, כמו ניתוח סינטני והאבולוציה המשותפת של גנים, מסייעות לחדד תחזיות פונקציונליות אלו45. יתרה מזאת, נתונים גנומיים מאפשרים הערות של אלמנטים רגולטוריים הקשורים לביוסינתזה של NPs, כולל פרומפטורים ספציפיים למסלול ומוסלים לשעתוק46. תובנות אלו מספקות בסיס להנדסת מסלולים; לדוגמה, טכניקות ביולוגיה סינתטית כמו שיבוט רקומבינציה הקשור לטרנספורמציה ושילוב Red/ET מעצימות חוקרים ללכוד ולהביע BGCs שקטים או מוצפנים באורגניזם מארח הטרולוגי, ובכך להפעיל את ייצור המטבוליטיםשלהם.
    מאמצי כריית הגנום הובילו בהצלחה לגילוי NPs חדשים על ידי התמקדות באותות גנטיים ספציפיים. לדוגמה, חיפוש שיטתי אחר גנים הקשורים לעמידות לאנטיביוטיקה של גליקופפטיד חשף מספר BGCs יוצאי דופן שצפויים לקודד אנטיביוטיקות חדשות. שיטה זו הביאה לזיהוי שתי תרכובות חדשות, קומפסטטין וקוברמיצין, ששניהם מציגים מנגנוני פעולה ייחודיים על ידי מיקוד באוטוליזינים חיידקיים48. באופן דומה, חקר המיקרוביום האנושי לתכולת הגנים הביוסינתטיים הניבה מועמד לאנטיביוטיקה של ליפופפטיד הידוע בשם "הומיצין", המוכר בזכות יעילותו הפוטנציאלית נגד סטפילוקוקוס ומיני סטרפטוקוקוס 49. במקרים אלו, התרכובות זוהו תחילה באמצעות שיטות חישוביות, כאשר מבנם הכימי נחזה על סמך נתונים גנומיים. בהמשך, המולקולות החזויות הללו סונתזו כימית והראו את פעילות האנטיביוטיקה הצפויה, ובכך אישרו את אסטרטגיית הגילוי מבוססת הגנום. בקנה מידה רחב יותר, ריצוף רחב היקף של חיידקים שונים, כולל אקטינומיקוטים נדירים רבים, חושף שפע של אשכולות גנים "מסתוריים" של BGCs שמוצריהם עדיין לא ידועים. לדוגמה, מחקרים על גנומים של Streptomyces חשפו אלפי BGCs לא מאופיינים50. גישה מתפתחת לקישור אשכולות יתומים אלה למטבוליטים אמיתיים כוללת שילוב ניתוחים מטבולומיים עם סקרים גנומיים. על ידי קישור נוכחות או ביטוי של אשכול גנים לזיהוי תכונות מטבוליטיות ייחודיות דרך פלטפורמות כמו GNPS או מסדי נתונים ספקטרליים של מסה, חוקרים יכולים להתחיל להקצות מוצרים כימיים ראשוניים ל-BGCs הרבים החדשים, ובכך להקל על גילוי NPs חדשים באמת מנתוני גנום.

3. טרנסקריפטומיקה בגילוי מוצרים טבעיים

ניתוחים טרנסקריפטומיים מציעים פרספקטיבה דינמית על פעילות ה-BGC על ידי מדידת ביטוי mRNA בתנאים שונים. באופן ספציפי, ניסויי RNA-seq יכולים לחשוף אילו BGCs מתועתקים באופן פעיל וכיצד רמות הביטוי שלהם משתנות בתגובה לשינויים סביבתיים או ניסיוניים. על ידי השוואת רמות תמלול בתנאים שונים, ניתוח ביטוי דיפרנציאלי, באמצעות כלים כמו DESeq2 או edgeR, יכול לזהות BGCs המוסדרים או מופחתים, ובכך להדגיש אשכולות גנים שעשויים להיות ניתנים להשראה או להישאר שקטים בתנאים סטנדרטיים51. למרות ש-RNA-seq קונבנציונלי המבוצע על תאים מתורבתים בכמויות גדולות הוא הגישה הטיפוסית לחקר ביטוי BGC, טכניקות מתקדמות יותר כמו RNA-seq חד-תאי מתחילות להיות בשימוש במיקרוביום מורכב. שינוי זה מאפשר תצפית על ביטוי גנים באורגניזמים סביבתיים שקשה לגדל אותם 52,53. תהליך RNA-seq סטנדרטי כולל בדרך כלל מיפוי קריאות לגנום ייחוס באמצעות אליינרים כמו STAR או HISAT2, כימות ביטוי גנים באמצעות כלים כמו featureCounts או Kallisto, ונירמול הנתונים לזיהוי שינויים משמעותיים בביטוי. לאחר מכן, ניתוח רשת ביטוי משותף, שמתבצע לעיתים קרובות עם חבילת WGCNA, יכול לאכול גנים המציגים דפוסי ביטוי דומים. כאשר גם נתוני מטבוליטים זמינים, ניתן להרחיב את הרשתות הללו לשילוב מטבוליטים, ובכך לקשר בין תרכובות ספציפיות לגנים מבוטאים יחד54.

נתוני טרנסקריפטומיה הוכיחו את עצמם כבעלי ערך בזיהוי מסלולים ביוסינתטיים פעילים מותנית. דוגמה בולטת לגישה זו נמצאת בהשוואה מפורטת בין ארבעה זנים51 של Salinispora. במחקר זה התגלה כי יותר ממחצית מה-BGC בכל זן התבטאו במידה מסוימת, כאשר אשכולות רבים שהיו לא פעילים בזן אחד הראו ביטוי בזן אחר. על ידי ניתוח פרופילי ביטוי גנים בין זנים אלו, הצליחו החוקרים לזהות מספר גורמים רגולטוריים שנראו כמשתיקים או מפעילים אשכולות מסוימים. שיטה אינטגרטיבית זו הובילה לזיהוי משפחה לא ידועה קודם של NPs, הידועה כסליניפוסטין. נתונים טרנסקריפטומיים הצביעו על אשכול גנים קריפטי כמקור פוטנציאלי לתרכובת לא מזוהה; כאשר אשכול זה הושר להתבטא (באמצעות שינויים רגולטוריים), נוצר מולקולות סליניפוסטין, שבודדו לאחר מכן ואופיינו מבנית. מחקר זה מדגים כיצד טרנסקריפטומיקה יכולה לסייע בגילוי NPs: באמצעות ניתוח ביטוי גנים שונה, החוקרים יכולים להדגיש BGCs מועמדים, והמתאם בין ביטוי גנים לבין פרופילי מטבוליטים מספק ראיות תומכות לקשרי גן-מטבוליטים שניתן לאמת באמצעות ניסויים ממוקדים.

4. פרוטאומיקה בגילוי NPs

  1. גישות ברובה ציד ופרוטאומיקה ממוקדת
    פרוטאומיקה, הכוללת מחקר רחב היקף של חלבונים, מספקת פרספקטיבה חיונית במחקר NPs על ידי מדידה ישירה של האנזימים והחלבונים שממלאים תפקידים במסלולים ביוסינתטיים. באופן כללי, גישות פרוטאומיות ניתן לסווג לשני סוגים עיקריים: פרוטאומיקה עם רובה ציד (לא ממוקדת) ופרוטאומיקה ממוקדת. בפרוטאומיקה של רובה ציד, חלבונים שמופקים מדגימות מיקרוביאליות או צמחים עוברים עיכול אנזימטי, בדרך כלל עם טריפסין, והפפטידים המתקבלים מנותחים באמצעות LC-MS/MS ברזולוציה גבוהה, לעיתים תוך שימוש בספקטרומטרי מסה מתקדמים כגון QTOF (זמן טיסת קוואדרופול) או ספקטרומטרים למלכודת מסילה ברזולוציהגבוהה 55. נתוני ה-MS שנאספים, הידועים כספקטרום MS/MS, מותאמים לאחר מכן לרצפי פפטידים על ידי חיפוש מול מסד נתונים חלבונים שמקורו בגנום האורגניזם או מין קרוב לכך, תוך שימוש בכלי תוכנה כמו MaxQuant או Mascot56,57. תהליך זה מאפשר לכימות שינויים בשפע החלבונים בתנאים שונים, שניתן להשיג בשיטות ללא תוויות או באמצעות טכניקות תיוג איזוטופים, כגון תיוג איזוטופים יציב באמצעות חומצות אמינו בתרבות תאים (SILAC) או תיוג איזובארי עם מגיבים TMT/iTRAQ, כדי לקבוע אילו אנזימים ביוסינתטיים מוקלטים או מוורדים58, 59. לעומת זאת, שיטות פרוטאומיקה ממוקדת, כולל ניטור תגובה נבחרת (SRM) או ניטור תגובה מקבילית (PRM), מתמקדות בסט מסוים של יוני פפטידים, לעיתים פפטידים ייחודיים מאנזימים ביוסינתטיים מרכזיים או חלבונים רגולטוריים, ומאפשרות כימות מדויק ורגיש של פפטידים אלו במספר דגימות60,61.
  2. גישות חדשניות בפרוטאומיקה
    אתגר משמעותי בניתוח הפרוטאומי של מטבוליזם משני הוא זיהוי אנזימים ביוסינתטיים גדולים, כגון סינתזות פפטידים לא-ריבוזומליות וסינתאזות פוליקטידות, שלרוב עולות על 100 קילו-דלטון ומניבות מעט פפטידים ניתנים לזיהוי בפרוטוקולי עיכול סטנדרטיים, מה שמקשה על תצפיתם. כדי להתמודד עם הבעיה הזו, במפוס ואחרים פיתחו שיטה בשם PrISM, המשפרת את זיהוי חלבוני NRPS ו-PKS באמצעות קו-פקטור ספציפי שנמצא באנזימיםאלו. PrISM משלבת פרוטאומיקה קונבנציונלית של רובה ציד עם בדיקת פליטת פוספופנטהאיניל (Ppant). ראוי לציין כי לאנזימי NRPS ו-PKS יש זרוע פנט מחוברת קוולנטית על תחומי נשא האציל או נושא הפפטידיל; במהלך פרגמנטציה של MS/MS, קבוצה פרוסטטית זו מייצרת לעיתים קרובות יון מקטע ייחודי, המכונה יון "פליטת פנט". על ידי סינון חישובי של נתוני LC-MS/MS עבור יון אבחון זה, שיטת PrISM יכולה להדגיש ביעילות פפטידים שמקורם באנזימי NRPS ו-PKS בתוך תערובת מורכבת של כל חלבוני התא. אסטרטגיה זו חשפה בהצלחה מסלולים ביוסינתטיים נסתרים דרך פרוטאומיקה. לדוגמה, תהליך העבודה של PrISM אפשר זיהוי פפטידים מהקומפלקס הסינתטאז גרמיצידין S (GrsA/GrsB) בתרביות של Bacillus brevis, ויצר קשר ישיר בין אנזימי NRPS אלו לייצור האנטיביוטיקה גראמיצידין S באורגניזם62. חשוב לציין כי זיהוי פרוטאומית של GrsA/GrsB לא דרש ידע גנומי מוקדם על B. brevis, מה שממחיש כי במקרים מסוימים, ניתוח פרוטאומי לבדו יכול לחשוף מסלולים ביוסינתטיים פעילים של NPs גם באורגניזמים שהגנומים שלהם טרם רוצפו.
  3. פרוטאומיקה מונחית גנום
    כאשר רצף גנום זמין, ניתן לשפר משמעותית את כוחו של פרוטאומיקה באמצעות שימוש במאגר נתונים ייחודי לזן לזיהוי פפטידים. לדוגמה, במחקר שניתח את הפרוטאום של Streptomyces lilacinus, החוקרים ערכו שתי ניתוחים: אחד על ידי חיפוש ספקטרום מול מאגר חלבונים כללי ואחד על בסיס נתונים מותאם אישית שמקורו בגנום המרצף של הזן63. הניתוח המבוסס על גנום הניב פי עשרה יותר פפטידים מזוהים וזיהה פפטידים הקשורים לשישה BGCs שונים בתוך האורגניזם. ראוי לציין ששלושה מהאשכולות שזוהו התאימו למטבוליטים "יתומים" ידועים בעבר, כולל גרייבקטין, רקיסידין D וסידרופור ספציפי, כאשר האנזימים הביוסינתטיים שלהם אושרו כבועים. האשכולות שנותרו שזוהו נראו חדשים ולא מאופיינים. דוגמה זו מראה ששילוב מידע גנומי בתהליכי עבודה פרוטאומיים יכול לאשר אילו מסלולים ביוסינתטיים מתבטאים באופן פעיל בזן, ובכך להעדיף את אשכולות הגנים הללו לבידוד ואפיון מוצריהם.
    בנוסף, שיטות פרוטאומיות יכולות להאיר את המטרות המולקולריות ודרכי הפעולה של NPs, תחום המכונה לעיתים פרוטאומיקה כימית. לדוגמה, פרופיל חלבונים מבוסס פעילות (ABPP) עושה שימוש בגלאי מולקולות קטנות, בדרך כלל נגזרות או אנלוגיות של NPs, שמגיבים עם היעדים התאיים של התרכובת, ומסמנים את החלבונים להעשרה וזיהוי באמצעות MS64. טכניקה זו יכולה לחשוף את מטרות החלבון שאליהן נקשרת NP ספציפית או מולקולה קרובה בתוך התא. שיטה נוספת, פרופיל תרמי פרוטאום (TPP), כוללת חימום דגימות חלבון בנוכחות או בהיעדר תרכובת כדי לקבוע אילו חלבונים מראים יציבות תרמית משתנה, מה שמעיד על אינטראקציה קשירה65. גישות פרוטאומיות כימיות אלו הן יקרות ערך לאימות המטרות הביולוגיות של NPs ולהבהרת מנגנוני הפעולה שלהן, ובכך משלימות את גילוי ה-NPs עצמן.

5. ML ובינה מלאכותית לאינטגרציה וחיזוי אומיקס

  1. אינטגרציה של נתוני מולטי-אומיקס עם למידת מכונה
    חזית מרגשת בגילוי NPs היא יישום למידת מכוונה ובינה מלאכותית לאינטגרציה של נתוני אומיקס לחיזוי פונקציונלי. בתחום הגנומיקה, פותחו אלגוריתמים מפוקחים של למידת מכה, כולל יערות אקראיים, מכונות וקטוריות תמיכה ורשתות עצביות עמוקות, לזיהוי דפוסים ב-BGCs הקשורים לסוגים מסוימים של NPs. לדוגמה, מודלים אלו של למידת מכונה יכולים לסווג BGCs על פי המחלקה הכללית של המולקולות שהם מייצרים, או אפילו לחזות מאפיינים מסוימים של המבנה הכימי שמקורו ברצף הגנים. סקירה של דייסון MS ועמיתיו מדגישה כלים שונים ללמידת מכונה שנועדו לפענח את "שפה" של BGCs, תוך שימוש בנתוני רצף DNA או חומצות אמינו כדי להסיק את המבנים והפעילות הביולוגית של ה-NPs המתאימים66. מודלים אלו מסתמכים בדרך כלל על מאגרי מידע נרחבים של אשכולות גנים ותרכובות ידועים כדי ללמוד את הקשרים ביניהם, מה שמאפשר חיזוי לגבי הפעילות הביולוגית הפוטנציאלית של תרכובות חדשות. לדוגמה, הם יכולים להעריך האם מוצר מ-BGC לא מאופיין עשוי להיות בעל תכונות אנטיביוטיות או אנטי-סרטניות. התקדמויות משמעותיות שאפשרו יכולות אלו כוללות שימוש במאגרי נתוני אימון גדולים, כגון אלפי מבני NP ואשכולות גנים ידועים, טכניקות ייצוג חדשניות כמו הטמעות-רצף ורשתות עצביות גרפיות הלוכדות את תכונות אשכולות גנים ומבנים כימיים, ומודלים רב-פרמטריים המשלבים תיאורים גנומיים וכימיים שונים לשיפור דיוק החיזוי.
    בתחום המטבולומיקה, טכניקות AI משפרות משמעותית את הפרשנות של נתוני ספקטרום מסה מורכבים. דוגמה בולטת היא הכלי CSI:FingerID, המשתמש בלמידת מכונה, כדי לחזות את טביעת האצבע המבנית של מולקולה מתוך ספקטרום ה-MS/MS שלה. יכולת זו מסייעת בזיהוי מטבוליטים לא ידועים על ידי הצעת תת-מבנים פוטנציאליים ותרכובות מועמדות67. באופן דומה, מודלים של למידה עמוקה שימשו לאנוטציה ספקטרלית; רשתות עצביות קונבולוציוניות ובשנים האחרונות ארכיטקטורות מבוססות טרנספורמרים, כמו מודל "DreaMS", לומדות דפוסי פיצול מספריות ספקטרליות נרחבות. מודלים אלה יכולים להציע מבנים לספקטרום לא ידוע בהתבסס על הדפוסים שלמדו, לעיתים קרובות מתפקדים על שיטות היוריסטיות מסורתיות, במיוחד עבור מטבוליטים שאין להם התאמה מדויקת במאגרי נתונים קיימים68. מעבר להערות מבניות, למידת מכונה תורמת גם למטבולומיקה על ידי זיהוי דפוסים גלובליים. לדוגמה, אלגוריתמים של ויזואליזציה לא מפוקחת כגון t-SNE (הטמעת שכנים סטוכסטיים מבוזרת t) ו-UMAP (קירוב והיטל אחיד של מניפולדים) יכולים להפחית את הממד של מאגרי נתונים מטבולומיים לא ממוקדים, ולהקל על קיבוץ דגימות בהתבסס על דמיון בפרופילי המטבוליטים שלהם. בינתיים, מסווגים מפוקחים יכולים לקשר חתימות מטבוליטיות ספציפיות לתכונות פנוטיפיות או לפעילות ביולוגית של הדגימות, ולהעשיר עוד יותר את הניתוח69,70,71.
    למידת מכונה משמשת יותר ויותר לשילוב מאגרי נתוני אומיקס שונים, ליצירת הבנה מקיפה יותר של הביוסינתזה והתפקוד של NPs. על ידי מיזוג נתונים מגנומיקה, טרנסקריפטומיקה, פרוטאומיקה ומטבולומיקה, מודלים אינטגרטיביים יכולים לחשוף קשרים שעלולים להתעלם מהם כאשר בוחנים כל סוג נתונים בנפרד. לדוגמה, חוקרים יכולים לבנות רשתות קורלציה בין גנים למטבוליטים שמקשרות בין רמות הביטוי של גנים או חלבונים לרמות הייצור של מטבוליטים. מודלים של למידת מכונה, המאומנים על נתונים משולבים אלה, יכולים אז לחזות אילו אשכולות גנים ככל הנראה אחראים למטבוליטים ספציפיים או לפעילויות ביולוגיות ספציפיות72,73. טכניקות מתקדמות רב-משתניות, כגון ניתוח גורמים מולטי-אומיקס (הזמין בכלים כמו MOFA) ושיטות רב-משתניות רגולריות (שנמצאות בחבילות כמו mixOmics), מסייעות בזיהוי גורמים חבויים הכוללים סוגי נתונים שונים, כגון קבוצת גנים מבוטאים יחד לצד קבוצת מטבוליטים המתרחשים בו זמנית74,75,76. במונחים מעשיים, לגילוי NPs, גישות שונות מסייעות בהעדפת אשכולות גנים מועמדים על ידי הדגמת קשר למטבוליטים או פנוטיפים שנצפו. דוגמה בולטת לאסטרטגיה אינטגרטיבית מונחית בינה מלאכותית זו היא גילוי משפחה חדשה של ריפוסים מסונתזים ו-RiPPs באמצעות אלגוריתם DecRiPPter. אלגוריתם זה עושה שימוש במודל מבוסס מכונת וקטור תמיכה (SVM) לניתוח נתוני גנום עבור פפטידים קדומים של RiPP קריפטיים, ולאחר מכן משווה תחזיות אלו לניתוח פאן-גנום כדי להסיר תרכובות ידועות. כאשר מיושם ל-1,295 Streptomyces Genomes, DecRiPPter זיהה בהצלחה 42 משפחות RiPP חדשות לכאורה שבעבר הוחמצו בשיטות כריית גנום מסורתיות. מבין האשכולות החזויים, אחד מהם אומת בניסוי לייצור לנטיפפטיד מחלקה V חדשה, שהחוקרים כינו "פריסטינין A3". על ידי השראת הביטוי של אשכול גנים שקט זה, התרכובת פריסטינין A3 בודדה, ומבנהו נקבע באמצעות NMR וטרשת נפוצה, וחשף שני אנזימים ליצירת לנתיונין לא ידועים קודם לכן המקודדים במסלול77. הישג זה מדגיש כיצד ניתוחים מונעי בינה מלאכותית יכולים לחשוף NPs נסתרים: מודל ה-ML זיהה אות גנטי שלא זוהה אחרת, והנחה מאמצים ניסיוניים לגילוי מולקולה חדשה.
  2. יישומים מתפתחים של בינה מלאכותית
    בנוסף ליישומים הנוכחיים, מספר אסטרטגיות מתפתחות מונעות בינה מלאכותית צפויות לחולל מהפכה נוספת במחקר האחיות המקצועיות. תחום מבטיח הוא רטרוסינתזה חישובית ועיצוב מסלולים, שבו מודלים של למידה עמוקה מפותחים כדי להציע מסלולים ביוסינתטיים או שלבי כימיה סינתטית עבור NPs ידועים ומקביליהם, שיכולים לשפר משמעותית את העיצוב והייצור של תרכובות חדשות78,79. גבול מרגש נוסף הוא חיזוי תפקוד האנזימים באמצעות בינה מלאכותית. באמצעות כלים מודרניים לחיזוי מבנה חלבונים המבוססים על אלגוריתמים של למידה עמוקה, לצד טכניקות למידת מכונה כמו למידה ניגודית על רצפי חלבונים, החוקרים מתחילים להסיק את הפעילות הסבירה של אנזימים לא מאופיינים ב-BGCs. זה יכול לספק תובנות לגבי סוגי הטרנספורמציה הכימית שאנזימים אלו מזרזים 80,81,82. צינורות אומיקס-לכימיה משולבים במלואם מפותחים, שבהם פלטפורמות בינה מלאכותית שואפות לחבר אוטומטית תכונות ספקטרליות מסה לנתונים גנומיים83,84. בעיקרון, מערכת כזו יכלה לנתח מאגר נתונים של LC-MS/MS מדגימה מורכבת לצד רצפי גנום מאותה סביבה, ולאפשר לה לחזות איזה אשכול גנים אחראי לכל מטבוליט לא מזוהה על ידי ציון התאמות בין אשכולות גנים למטבוליטים. למרות שגישות אלו עדיין בראשיתן, הן מרמזות על עתיד שבו בינה מלאכותית תוכל לקשר גנים למולקולות באופן אוטונומי, ולהאיץ משמעותית את התהליך מנתוני אומיקס לגילוי NPs חדשים.
  3. אתגרים של ממשל נתונים ואתיקה בגילוי NPs בסיוע בינה מלאכותית
    מחקר מולטי-אומיקס מודרני מייצר כמות משמעותית של נתונים מגוונים, אך יעילות תחזיות הבינה המלאכותית תלויה במידה רבה באיכות ובעקביות של מאגרי הנתונים הללו. כאשר מערכי אימון מוסמרים בצורה לקויה או מוטים, הם עלולים להוביל לתוצאות מטעות ולאימות כושל85. כדי להתמודד עם סוגיה זו, חוקרים צריכים ליישם את עקרונות FAIR – ניתן למצוא, נגיש, אינטרופרבילי וניתן לשימוש חוזר – כדי לקדם שקיפות נתונים, שחזוריות ושימוש חוזר נרחב86. גישה זו כוללת שיתוף תוצאות חיוביות ושליליות, תיעוד מעמיק של צינורות עיבוד נתונים מוקדמים, ומתן קוד ניתוח שיקל על אימות עצמאי. בנוסף, אימוץ תשתיות דיגיטליות מתפתחות, כגון מחברות ניידות אלקטרוניות (ELNs) ותהליכי עבודה במכולות, הוא חיוני לשיפור לכידת הנתונים ולהבטחת אוצרות סטנדרטית87,88.
    בעוד שהבינה המלאכותית מזרזת משמעותית את גילוי ה-NPs, היא גם מעלה חששות אתיים חשובים. אלגוריתמים המאומנים על מאגרי נתונים לא שלמים או מוטים יכולים לחזק אי-שוויונות קיימים, ולהדגיש את הצורך בנתוני אימון מגוונים ומייצגים89. בנוסף, שימוש בשיטות בינה מלאכותית ניתנות להסבר הוא חיוני לשיפור השקיפות ולסיוע למדענים להבין תחזיות, כדי להבטיח שהבינה המלאכותית תשמש ככלי תומך תחת שליטה אנושית ולא ככלי של קבלת החלטות. שיקולים אתיים כוללים גם פרטיות נתונים, במיוחד כאשר משתמשים במאגרי נתונים קליניים או שמקורם בבני אדם, וכן בהשלכות על כוח העבודה כאשר האוטומציה משפיעה יותר ויותרעל סביבת המחקר. כדי להתמודד עם נושאים אלו, מערכות AI צריכות להיות כפופות לביקורות שוטפות, הערכות הטיה ופיקוח רגולטורי מחמיר, שיסייעו לשמור על הוגנות, אחריות ואמינות בתחום המחקר של NPs.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מסקנות

המצב הנוכחי של גילוי NPs משלב שילוב של כימיה אנליטית וביואינפורמטיקה, ויוצר סינרגיה עוצמתית. כפי שמתואר באיור 1, טכנולוגיות אומיקס מתקדמות כגון מטבולומיקה של LC-MS, ריצוף בתפוקה גבוהה, RNA-Seq ופרוטאומיקה משתפות פעולה עם אנליטיקה חישובית, כולל רשתות ולמידת מכונה, כדי ליצור צינור יעיל לגילוי. פיתוחים אחרונים בתחום כוללים אומיקסים חד-תאיים, המאפשרים זיהוי יצרנים נדירים, וכן ספריות ספקטרליות משופרות וכלי בינה מלאכותית המסייעים ב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

כל המחברים מצהירים שאין מערכות יחסים פיננסיות או אישיות שיכולות להיתפס כניגודי עניינים פוטנציאליים.

תודות

עבודה זו נתמכה על ידי הקרן הלאומית למדעי הטבע של סין (32500813), תוכנית המלגות לפוסט-דוקטורט של CPSF (GZC20251503), תוכנית המדע והטכנולוגיה של סצ'ואן (2024ZYD0149), קרן המחקר המיוחדת לתוכנית הפוסט-דוקטורט של מחוז סצ'ואן (TB2024017), פרויקט מחקר ופיתוח מרכזי של לשכת המדע והטכנולוגיה של דייאנג (2024SZY016, 2023SZZ009), מרכז בניית יכולות והכשרה מתמשכת של ועדת הבריאות הלאומית (GWJJMB202510025060), וקרן מיוחדת לפרויקטי חממה של בית החולים העם של דייאנג (FRH202501, FHT202501). אנו מכירים בכך שאיור 1 נוצר באמצעות BioRender,

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

מקורות

  1. Newman, D. J., Cragg, G. M. Natural products as sources of new drugs over the nearly four decades from 01/1981 to 09/2019. J Nat Prod. 83 (3), 770-803 (2020).
  2. Shang, X., et al. Natural products in antiparasitic drug discovery: Advances, opportunities and challenges. Nat Prod Rep. 42 (9), 1419-1458 (2025).
  3. Atanasov, A. G., et al. Natural products in drug discovery: Advances and opportunities. Nat Rev Drug Discov. 20 (3), 200-216 (2021).
  4. Xie, S., Zhan, F., Zhu, J., Xu, S., Xu, J. The latest advances with natural products in drug discovery and opportunities for the future: A 2025 update. Expert Opin Drug Discov. 20 (7), 827-843 (2025).
  5. Sahana, S., et al. Multi-omics approaches: Transforming the landscape of natural product isolation. Funct Integr Genomics. 25 (1), 132(2025).
  6. Zhang, H. W., et al. Application of omics- and multi-omics-based techniques for natural product target discovery. Biomed Pharmacother. 141, 111833(2021).
  7. Blin, K., et al. antiSMASH 5.0: Updates to the secondary metabolite genome mining pipeline. Nucleic Acids Res. 47 (W1), W81-W87 (2019).
  8. Song, C., et al. Comparative transcriptomics unveil the crucial genes involved in coumarin biosynthesis in Peucedanum praeruptorum Dunn. Front Plant Sci. 13, 899819(2022).
  9. Bayona, L. M., De Voogd, N. J., Choi, Y. H. Metabolomics on the study of marine organisms. Metabolomics. 18 (3), 17(2022).
  10. Du, P., Fan, R., Zhang, N., Wu, C., Zhang, Y. Advances in integrated multi-omics analysis for drug-target identification. Biomolecules. 14 (6), 692(2024).
  11. Elgahamy, A. A., El-Desoky, A. H., Otify, A. M., El Fishawy, A. M., El-Beih, A. A. Molecular networking derived from untargeted LC-MS/MS analysis to discover inhibitors of RANKL-induced osteoclastogenesis from Egyptian marine sponge-associated fungi. Sci Rep. 15 (1), 27137(2025).
  12. Bustamam, M. S. A., et al. Complementary analytical platforms of NMR spectroscopy and LCMS analysis in the metabolite profiling of Isochrysis galbana. Mar Drugs. 19 (3), 139(2021).
  13. Hu, G., Qiu, M. Machine learning-assisted structure annotation of natural products based on MS and NMR data. Nat Prod Rep. 40 (11), 1735-1753 (2023).
  14. Gaudencio, S. P., et al. Advanced methods for natural products discovery: Bioactivity screening, dereplication, metabolomics profiling, genomic sequencing, databases and informatics tools, and structure elucidation. Mar Drugs. 21 (5), 308(2023).
  15. Sedighikamal, H., Mashayekhan, S. Critical assessment of quenching and extraction/sample preparation methods for microorganisms in metabolomics. Metabolomics. 21 (2), 40(2025).
  16. Recommended Coverage and Read Depth for NGS Applications. , https://genohub.com/recommended-sequencing-coverage-by-application/?utm_source (2025).
  17. Brockbals, L., Ueland, M., Fu, S., Padula, M. P. Development and thorough evaluation of a multi-omics sample preparation workflow for comprehensive LC-MS/MS-based metabolomics, lipidomics and proteomics datasets. Talanta. 286, 127442(2025).
  18. Graw, S., et al. Multi-omics data integration considerations and study design for biological systems and disease. Mol Omics. 17 (2), 170-185 (2021).
  19. Han, E., Kwon, H., Jung, I. A review on multi-omics integration for aiding study design of large-scale TCGA cancer datasets. BMC Genomics. 26 (1), 769(2025).
  20. Lusk, R. W. Diverse and widespread contamination evident in the unmapped depths of high-throughput sequencing data. PloS one. 9 (10), e110808(2014).
  21. Queiroz, E. F., Guillarme, D., Wolfender, J. L. Advanced high-resolution chromatographic strategies for efficient isolation of natural products from complex biological matrices: From metabolite profiling to pure chemical entities. Phytochem Rev. 23 (5), 1415-1442 (2024).
  22. Huang, Z., Bi, T., Jiang, H., Liu, H. Review on NMR as a tool to analyse natural products extract directly: Molecular structure elucidation and biological activity analysis. Phytochem Anal. 35 (1), 5-16 (2024).
  23. Li, T., et al. Direct infusion-tandem mass spectrometry combining with data mining strategies enables rapid chemome characterization of medicinal plants: A case study of Polygala tenuifolia. J Pharm Biomed Anal. 204, 114281(2021).
  24. Zou, Y., Tang, W., Li, B. Exploring natural product biosynthesis in plants with mass spectrometry imaging. Trends Plant Sci. 30 (1), 69-84 (2025).
  25. Zhang, A., et al. Qualitative and quantitative determination of chemical constituents in Jinbei oral liquid, a modern Chinese medicine for coronavirus disease 2019, by ultra-performance liquid chromatography coupled with mass spectrometry. Front Chem. 11, 1079288(2023).
  26. Liu, Y., et al. Discovery of bioactive-chemical Q-markers of Acanthopanax sessiliflorus leaves: An integrated strategy of plant metabolomics, fingerprint and spectrum-efficacy relationship research. J Chromatogr B Analyt Technol Biomed Life Sci. 1233, 124009(2024).
  27. LC-MS analysis: Mini review frequently used open source softwares. Binanto, I., Warnars, H. L. H. S., Sianipar, N. F., Abbas, B. S. 2019 6th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), , IEEE. 1-5 (2019).
  28. Blazenovic, I., Kind, T., Ji, J., Fiehn, O. Software tools and approaches for compound identification of LC-MS/MS data in metabolomics. Metabolites. 8 (2), 31(2018).
  29. Wang, M., et al. Sharing and community curation of mass spectrometry data with Global Natural Products Social Molecular Networking. Nat Biotechnol. 34 (8), 828-837 (2016).
  30. Leclair, M. M., et al. Discovery of Levesquamide B through Global Natural Products Social Molecular Networking. Molecules. 27 (22), 7794(2022).
  31. Yanagisawa, K., et al. A new pyranonaphthoquinone, actinoquinonal A, and its congeners from the combined-culture of Streptomyces sp. 23-50 and Tsukamurella pulmonis TP-B0596. J Antibiot (Tokyo). 78 (6), 350-358 (2025).
  32. Kum, E., Ince, E. Metabolomics approach to explore bioactive natural products derived from plant-root-associated streptomyces. Appl Biochem Biotechnol. 196 (10), 7293-7306 (2024).
  33. Poynton, E. F., et al. The Natural Products Atlas 3.0: Extending the database of microbially derived natural products. Nucleic Acids Res. 53 (D1), D691-D699 (2025).
  34. Zhang, S., et al. Global analysis of natural products biosynthetic diversity encoded in fungal genomes. J Fungi (Basel). 10 (9), 653(2024).
  35. Wang, Z., et al. The deep mining era: Genomic, metabolomic, and integrative approaches to microbial natural products from 2018 to 2024. Mar Drugs. 23 (7), 261(2025).
  36. Blin, K., et al. antiSMASH 7.0: New and improved predictions for detection, regulation, chemical structures and visualisation. Nucleic Acids Res. 51 (W1), W46-W50 (2023).
  37. Hannigan, G. D., et al. A deep learning genome-mining strategy for biosynthetic gene cluster prediction. Nucleic Acids Res. 47 (18), e110(2019).
  38. Sanchez-Navarro, R., et al. Long-read metagenome-assembled genomes improve identification of novel complete biosynthetic gene clusters in a complex microbial activated sludge ecosystem. mSystems. 7 (6), e0063222(2022).
  39. Waschulin, V., et al. Biosynthetic potential of uncultured Antarctic soil bacteria revealed through long-read metagenomic sequencing. ISME J. 16 (1), 101-111 (2022).
  40. Xu, M., et al. Functional genome mining for metabolites encoded by large gene clusters through heterologous expression of a whole-genome bacterial artificial chromosome library in Streptomyces spp. Appl Environ Microbiol. 82 (19), 5795-5805 (2016).
  41. Liu, Z., Zhao, Y., Huang, C., Luo, Y. Recent advances in silent gene cluster activation in Streptomyces. Front Bioeng Biotechnol. 9, 632230(2021).
  42. Blin, K., et al. antiSMASH 6.0: Improving cluster detection and comparison capabilities. Nucleic Acids Res. 49 (W1), W29-W35 (2021).
  43. Skinnider, M. A., et al. Comprehensive prediction of secondary metabolite structure and biological activity from microbial genome sequences. Nat Commun. 11 (1), 6058(2020).
  44. Navarro-Munoz, J. C., et al. A computational framework to explore large-scale biosynthetic diversity. Nat Chem Biol. 16 (1), 60-68 (2020).
  45. Zhu, S., et al. Computational advances in biosynthetic gene cluster discovery and prediction. Biotechnol Adv. 79, 108532(2025).
  46. Zhao, C., et al. Genome sequencing provides potential strategies for drug discovery and synthesis. Acupunc Herbal Med. 3 (4), 244-255 (2023).
  47. Bomfiglio, I. F., Mendes, I. S. M., Bonatto, D. A review of DNA restriction-free overlapping sequence cloning techniques for synthetic biology. Biotechnol J. 20 (7), e70084(2025).
  48. Culp, E. J., et al. Evolution-guided discovery of antibiotics that inhibit peptidoglycan remodelling. Nature. 578 (7796), 582-587 (2020).
  49. Chu, J., et al. Discovery of MRSA active antibiotics using primary sequence from the human microbiome. Nat Chem Biol. 12 (12), 1004-1006 (2016).
  50. Kloosterman, A. M., et al. Expansion of RiPP biosynthetic space through integration of pan-genomics and machine learning uncovers a novel class of lanthipeptides. PLoS Biol. 18 (12), e3001026(2020).
  51. Amos, G. C. A., et al. Comparative transcriptomics as a guide to natural product discovery and biosynthetic gene cluster functionality. Proc Natl Acad Sci U S A. 114 (52), E11121-E11130 (2017).
  52. Imdahl, F., Saliba, A. E. Advances and challenges in single-cell RNA-seq of microbial communities. Curr Opin Microbiol. 57, 102-110 (2020).
  53. Llorens-Rico, V., Simcock, J. A., Huys, G. R. B., Raes, J. Single-cell approaches in human microbiome research. Cell. 185 (15), 2725-2738 (2022).
  54. Hirsch, P., et al. ABC-HuMi: The Atlas of biosynthetic gene clusters in the human microbiome. Nucleic Acid Res. 52 (D1), D579-D585 (2024).
  55. Tyanova, S., Temu, T., Cox, J. The MaxQuant computational platform for mass spectrometry-based shotgun proteomics. Nat Protoc. 11 (12), 2301-2319 (2016).
  56. Lepretre, M., et al. From shotgun to targeted proteomics: rapid Scout- MRM assay development for monitoring potential immunomarkers in Dreissena polymorpha. Anal Bioanal Chem. 412 (26), 7333-7347 (2020).
  57. Rani, P., Alam, S. I., Singh, S., Kumar, S. Elucidation of peptide screen for targeted identification of Yersinia pestis by nano-liquid chromatography tandem mass spectrometry. Sci Rep. 15 (1), 1096(2025).
  58. Beller, N. C., Hummon, A. B. Advances in stable isotope labeling: Dynamic labeling for spatial and temporal proteomic analysis. Mol Omics. 18 (7), 579-590 (2022).
  59. Meng, J. Y., et al. Identification of differentially expressed proteins in sugarcane in response to infection by Xanthomonas albilineans using iTRAQ quantitative proteomics. Microorganisms. 8 (1), 76(2020).
  60. Vidova, V., Spacil, Z. A review on mass spectrometry-based quantitative proteomics: Targeted and data independent acquisition. Anal Chim Acta. 964, 7-23 (2017).
  61. Rauniyar, N. Parallel reaction monitoring: A targeted experiment performed using high resolution and high mass accuracy mass spectrometry. Int J Mol Sci. 16 (12), 28566-28581 (2015).
  62. Bumpus, S. B., Evans, B. S., Thomas, P. M., Ntai, I., Kelleher, N. L. A proteomics approach to discovering natural products and their biosynthetic pathways. Nat Biotechnol. 27 (10), 951-956 (2009).
  63. Albright, J. C., Goering, A. W., Doroghazi, J. R., Metcalf, W. W., Kelleher, N. L. Strain-specific proteogenomics accelerates the discovery of natural products via their biosynthetic pathways. J Ind Microbiol Biotechnol. 41 (2), 451-459 (2014).
  64. Chen, X., et al. Target identification with quantitative activity-based protein profiling (ABPP). Proteomics. 17 (3-4), (2017).
  65. Cui, Z., Li, C., Chen, P., Yang, H. An update of label-free protein target identification methods for natural active products. Theranostics. 12 (4), 1829-1854 (2022).
  66. Dason, M. S., Cora, D., Re, A. Sequence modeling tools to decode the biosynthetic diversity of the human microbiome. mSystems. 10 (7), e0033325(2025).
  67. Ludwig, M., Duhrkop, K., Bocker, S. Bayesian networks for mass spectrometric metabolite identification via molecular fingerprints. Bioinformatics. 34 (13), i333-i340 (2018).
  68. Bushuiev, R., et al. Self-supervised learning of molecular representations from millions of tandem mass spectra using DreaMS. Nat Biotechnol. , (2025).
  69. Tian, M., et al. Pure ion chromatograms combined with advanced machine learning methods improve accuracy of discriminant models in LC-MS-based untargeted metabolomics. Molecules. 26 (9), 2715(2021).
  70. Mildau, K., et al. Effective data visualization strategies in untargeted metabolomics. Nat Prod Rep. 42 (6), 982-1019 (2025).
  71. Yuan, X., Smith, N. S., Moghe, G. D. Analysis of plant metabolomics data using identification-free approaches. Applications in Plant Sciences. 13 (4), e70001(2025).
  72. Ji, J., Jung, S. PredCMB: Predicting changes in microbial metabolites based on the gene-metabolite network analysis of shotgun metagenome data. Bioinformatics. 41 (1), btaf020(2024).
  73. Wang, X., Kadarmideen, H. N. Metabolite genome-wide association study (m GWAS) and gene-metabolite interaction network analysis reveal potential biomarkers for feed efficiency in pigs. Metabolites. 10 (5), 201(2020).
  74. Argelaguet, R., et al. Multi-Omics Factor Analysis-a framework for unsupervised integration of multi-omics data sets. Mol Syst Biol. 14 (6), e8124(2018).
  75. Rohart, F., Gautier, B., Singh, A., Le Cao, K. A. mixOmics: An R package for 'omics feature selection and multiple data integration. PLoS Comput Biol. 13 (11), e1005752(2017).
  76. Arikan, M., Muth, T. Integrated multi-omics analyses of microbial communities: A review of the current state and future directions. Mol Omics. 19 (8), 607-623 (2023).
  77. Kloosterman, A. M., et al. Integration of machine learning and pan-genomics expands the biosynthetic landscape of RiPP natural products. bioRxiv. , (2020).
  78. Sathyanarayana, S. V., et al. DeepRetro: Retrosynthetic pathway discovery using iterative LLM reasoning. arXiv e-prints. , (2025).
  79. Zheng, S., et al. Deep learning driven biosynthetic pathways navigation for natural products with BioNavi-NP. Nat Commun. 13 (1), 3342(2022).
  80. Wang, W., Shuai, Y., Zeng, M., Fan, W., Li, M. DPFunc: Accurately predicting protein function via deep learning with domain-guided structure information. Nat Commun. 16 (1), 70(2025).
  81. Yu, T., et al. Enzyme function prediction using contrastive learning. Science. 379 (6639), 1358-1363 (2023).
  82. Casadevall, G., Duran, C., Osuna, S. AlphaFold2 and deep learning for elucidating enzyme conformational flexibility and its application for design. JACS Au. 3 (6), 1554-1562 (2023).
  83. Lee, Y. Y., et al. HypoRiPPAtlas as an Atlas of hypothetical natural products for mass spectrometry database search. Nat Commun. 14 (1), 4219(2023).
  84. Leao, T. F., et al. NPOmix: A machine learning classifier to connect mass spectrometry fragmentation data to biosynthetic gene clusters. PNAS Nexus. 1 (5), pgac257(2022).
  85. Hermann, E., Hermann, G., Tremblay, J. C. Ethical artificial intelligence in chemical research and development: A dual advantage for sustainability. Sci Eng Ethics. 27 (4), (2021).
  86. Mugahid, D., et al. A practical guide to FAIR data management in the age of multi-OMICS and AI. Front Immunol. 15, 1439434(2024).
  87. Lin, C. L., et al. Addressing standardization and semantics in an electronic lab notebook for multidisciplinary use: LabIMotion. J Cheminform. 17 (1), 75(2025).
  88. Alser, M., et al. Packaging and containerization of computational methods. Nat Protoc. 19 (9), 2529-2539 (2024).
  89. Blanco-Gonzalez, A., et al. The role of AI in drug discovery: Challenges, opportunities, and strategies. Pharmaceuticals (Basel). 16 (6), 891(2023).
  90. Mirakhori, F., Niazi, S. K. Harnessing the AI/ML in drug and biological products discovery and development: The regulatory perspective. Pharmaceuticals (Basel). 18 (1), 47(2025).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

מאמרים קשורים