Multi-omika i integratywna analityka w odkrywaniu produktów naturalnych

Podsumowanie

Niniejszy przegląd kładzie nacisk na najnowocześniejsze metodologie multiomiki, w tym metabolomikę, genomikę, transkryptomikę i proteomikę, które są zintegrowane ze sztuczną inteligencją i uczeniem maszynowym oraz analizą sieci, aby usprawnić odkrywanie i funkcjonalną walidację nowych produktów naturalnych.

Streszczenie

Produkty naturalne (NP) od dawna stanowią niezbędne źródło nowych bioaktywnych związków do odkrywania leków; jednak tradycyjne metody przesiewania i izolowania tych związków mogą być powolne i często przynosić malejące korzyści. Na szczęście zaawansowane podejścia multi-omics i obliczeniowe stanowią potężne rozwiązania tych wyzwań. Niniejszy przegląd podkreśla innowacyjne metodologie integrujące metabolomikę, genomikę, transkryptomikę i proteomikę z bioinformatyką i chemią analityczną, aby przyspieszyć odkrywanie NP. Na przykład nieukierunkowane platformy metabolomiki, takie jak wysokorozdzielcza chromatografia cieczowa z tandemową spektrometrią mas (LC-MS/MS) oraz sieci molekularne Global Natural Products Social (GNPS), umożliwiają kompleksowe profilowanie nowych związków, podczas gdy strategie ukierunkowanego oznaczania izotopów wspierają ten proces. Dodatkowo, narzędzia do eksploracji genomu i metagenomu, takie jak antybiotyki i analiza wtórnych metabolitów (antySMASH), Deep Biosynthetic Gene Cluster (DeepBGC) oraz Pipeline for Reconstructing Integrated Syntheses of Metabolites (PRISM), szybko identyfikują biosyntetyczne klastry genowe (BGC) zarówno w organizmach hodowanych, jak i niehodowanych, często wykorzystując heterologiczną ekspresję do weryfikacji produktów. Analizy transkryptomiczne, w tym sekwencjonowanie RNA (RNA-seq), sieci współekspresji oraz fluxomika, pomagają wyjaśnić, jak szlaki są regulowane, podczas gdy techniki ilościowej proteomiki, takie jak tagi masowe tandemowe i izobaryczne do ilościowania względnego i absolutnego (TMT/iTRAQ) oraz metody bez oznakowania, wraz z podejściami chemoproteomicznymi, takimi jak test termiczny przesunięcia komórkowego i profilowanie termicznego proteomu (TPP), odkrywają cele molekularne i ich mechanizmy działania. Niniejszy przegląd kładzie również duży nacisk na rolę sztucznej inteligencji (AI) i uczenia maszynowego (ML) w integracji danych wieloomicznych, obejmując działania od budowy sieci korelacji gen-metabolit po wykorzystanie grafów wiedzy i sieci neuronowych grafów do fuzji danych i przewidywania funkcjonalnego. Na koniec przegląd kończy się omówieniem synergicznych korzyści płynących z multi-omiki dla odkrywania produktów naturalnych, rozwiązywania obecnych wyzwań technicznych oraz poszukiwania przyszłych kierunków w kierunku wysokoprzepustowej, inteligentnej integracji danych dla badań nad NP nowej generacji.

Wprowadzenie

Produkty naturalne, czyli cząsteczki produkowane przez różne organizmy, w tym mikroby i rośliny, od dawna stanowią kluczowe źródło leków, od antybiotyków takich jak penicylina po leki przeciwnowotworowe, takie jak Taxol. Znaczna część naszych obecnych antybiotyków i leków chemioterapeutycznych pochodzi z tych naturalnych związków:¹. Jednak tradycyjne metody wykorzystywane do odkrywania nowych NP, takie jak hodowla mikroorganizmów czy stosowanie izolacji sterowanej bioasejem, stają się coraz trudniejsze. Pod koniec XX wieku zainteresowanie farmaceutycznymi NP spadło, gdy firmy zaczęły czerpać zyski; Wiele związków, które łatwo było znaleźć, zost....