Derleme makalesi

Doğal Ürünler Keşfinde Çok Omik ve Bütünleşik Analitik

1.4K görüntüleme

⸱

DOI:

10.3791/69458

⸱

28 Kasım 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

Bu makalede

Özet

Bu inceleme, yapay zeka ve makine öğrenimi ile ağ analiziyle entegre edilen metabolomik, genomik, transkriptomik ve proteomik gibi ileri düzey çoklu omik metodolojilerini vurgulayarak yeni doğal ürünlerin keşfini ve işlevsel doğrulamasını geliştirmektedir.

Özet

Doğal ürünler (NP'ler) uzun süredir ilaç keşfi için yeni biyoaktif bileşiklerin temel kaynaklarıdır; Ancak, bu bileşiklerin tarama ve izole edilmesi için geleneksel yöntemler yavaş olabilir ve genellikle azalan getiri sağlar. Neyse ki, gelişmiş çoklu omik ve hesaplamalı yaklaşımlar bu zorluklara güçlü çözümler sunmaktadır. Bu inceleme, metabolomik, genomik, transkriptomik ve proteomiği biyoinformatik ve analitik kimya ile birleştirerek NP keşfini hızlandıran yenilikçi metodolojileri vurgulamaktadır. Örneğin, yüksek çözünürlüklü sıvı kromatografi-tandem kütle spektrometrisi (LC-MS/MS) ve Global Natural Products Social (GNPS) moleküler ağları gibi hedefsiz metabolomik platformları, yeni bileşiklerin kapsamlı profillenmesine olanak tanırken, hedefli izotop etiketleme stratejileri bu süreci geliştirir. Ayrıca, antiantibiyotikler ve ikincil metabolit analiz kabuğu (antiSMASH), Derin Biyosentetik Gen Kümesi (DeepBGC) ve Metabolitlerin Entegre Sentezlerini Yeniden İnşaet Etmek Boru Hattı (PRISM) gibi genom ve metagenom madenciliği araçları, hem kültürlenmiş hem de kültürlenmemiş organizmalarda biyosentetik gen kümelerini (BGC) hızla tanımlar; genellikle ürünlerin doğrulanması için heterologik ifade kullanılır. RNA dizileme (RNA-dizi), ortak ifade ağları ve fluxomik gibi transkriptomik analizler, yolların nasıl düzenlendiğini netleştirmeye yardımcı olurken, nisbətli ve mutlak niceliklendirme için tandem kütle etiketleri/izobarik etiketler (TMT/iTRAQ) ve etiketsiz yöntemler ile hücresel termal kayma testi ve termal proteom profilleme (TPP) gibi kemoproteomik yaklaşımları moleküler hedefleri ve onların etki mekanizmalarını ortaya çıkarır. Bu inceleme ayrıca yapay zeka (AI) ve makine öğreniminin (ML) çoklu omik verilerin entegrasyonunda rolüne önemli vurgu yapmaktadır; gen-metabolit korelasyon ağları oluşturmaktan, veri birleşimi ve fonksiyonel tahmin için bilgi grafikleri ve grafik sinir ağlarının kullanılmasına kadar faaliyetleri kapsar. Son olarak, bu inceleme çok-omiklerin doğal ürün keşfi için sinerjik faydalarını tartışarak, mevcut teknik zorlukları ele alarak ve yeni nesil NP araştırmaları için yüksek verimli, akıllı veri entegrasyonuna yönelik gelecekteki yönleri keşfederek sona erer.

Giriş

Doğal ürünler, mikroplar ve bitkiler dahil çeşitli organizmalar tarafından üretilen moleküller olup, uzun süredir penisilin gibi antibiyotiklerden Taxol gibi antikanser ilaçlara kadar önemli bir ilaç kaynağı olmuştur. Mevcut antibiyotik ve kemoterapi ajanlarımızın önemli bir kısmı bu doğal bileşiklerdentüretilmektedir 1. Ancak, yeni NP'leri keşfetmek için kullanılan geleneksel yöntemler, örneğin mikropların kültürlenmesi ve biyoanaliz rehberli izolasyon kullanımı giderek zorlaşmıştır. 20. yüzyılın sonlarında, şirketlerin azalan getirileriyle karşılaştıkça ilaç sektöründeki NP'lere olan ilgisi azaldı; Kolayca bulunabilen birçok bileşik zaten yeniden keşfedilmişti ve bu bileşiklerin taraması ve karakterizasyonuyla ilgili teknik zorluklar süreci emek yoğun hale getirdi. Neyse ki, bu eğilim şimdi tersine dönüyor. Omics ve analitik teknolojilerdeki son gelişmeler, NP 2,3 arayışını yeniden canlandırıyor. Örneğin, yüksek verimli DNA dizileme araştırmacıların gizli biyosentetik gen kümeleri (BGC) genomlarını keşfetmesini sağlarken, ultra hassas kütle spektrometrisi (MS) karmaşık karışımlar içinde çok küçük miktarda yeni metabolitleri tespit edebilir. Bu teknolojik yenilikler, özellikle ilaçta dirençli bakterilerle mücadele edebilen antibiyotiklere acil bir küresel talep olduğu için kritik bir zamanda ortaya çıkıyor4. NP'lerde modern araştırmalar, geleneksel NP uzmanlığını son genomik ve kimyasal analiz teknikleriyle birleştirerek bu zorluğu karşılamak için yükselmektedir.

Multi-omik entegrasyonu biyolojik araştırmalardaki güncel gelişmelerin merkezinde yer alır. "Multi-omik" kavramı, bir organizmanın DNA'sı (genomu), mRNA transkriptleri, proteinler ve metabolitler gibi çeşitli biyolojik veri katmanlarının eşzamanlı analizini içerir. Omik yaklaşımlarının uygulanması, NP araştırmalarını dönüştürmüştür; yüksek verimli tarama, yeni bileşiklerin hızlı tanımlanması ve biyolojik sistemleri şekillendiren karmaşık ağların daha derinlemesine incelenmesinimümkün kılarak 5. Bu çok katmanlı veri setlerini entegre ederek, araştırmacılar genleri kodladıkları metabolitlerle doğrudan ilişkilendirebilir ve böylece NP'lerinbiyosentezi 6 hakkında daha kapsamlı bir anlayış oluşturabilirler. Örneğin, genom madenciliği algoritmaları yeni bir antibiyotiği kodlayabilecek bir gen kümesini tespit edebilirken, transkriptomik veriler bu genlerin aktif olarak eksprese edilip edilmediğini gösterebilir. Ayrıca, metabolomik profilleme ile organizmanın kültürekstraktı 7,8,9'daki ilgili antibiyotik molekülü tespit edilebilir. Bu entegre yaklaşım, yeni bileşiklerin keşfini ve biyosentetik yollarının anlaşılmasını önemli ölçüde hızlandırır. Daha da önemlisi, ilaç hedefi tanımlaması giderek entegre çoklu omik yaklaşımlara dayanıyor ve bu yaklaşımlar geleneksel tek omik stratejilerin yerini yavaş yavaşalıyor 10. Yüksek çözünürlüklü sıvı kromatografisi-MS (LC-MS) ve nükleer manyetik rezonans (NMR) dahil olmak üzere analitik kimyadaki son gelişmeler, araştırmacıların karmaşık biyolojik örneklerden yeni NP'leri tespit edip yapısal olarak analiz etmesinisağlar 11,12. Bu teknikler büyük miktarda veri üretir ve burada biyoinformatik ve makine öğrenimi (ML) vazgeçilmez hale gelir. Yapay zeka (YZE) algoritmaları ve ağ tabanlı analizler, çoklu omik verileri analiz etmek için giderek daha fazla kullanılmakta, manuel olarak ayırt edilmesi zor olacak önemli kalıplar ve tahminler ortayaçıkarıyor 13,14. En son omik teknolojilerini yapay zeka destekli veri madenciliğiyle birleştirerek, araştırmacılar artık NP'lerin daha hızlı ve sistematik keşfi ve analizi için her zamankinden daha hızlı ve sistematik bir ürün hattı oluşturabiliyor.

Çok amaçlı stratejiler NP'lerin keşfini önemli ölçüde ilerletmiş olsa da, başarılı uygulamaları büyük ölçüde titiz deneysel planlamaya dayanır. Örneğin, örnek türleri ve kalitesi çok önemlidir; İyi korunmuş mikrobiyal kültürler, çevresel izolatlar veya klinik materyallerin nüklein asitler ve metabolitlerin bozulmasını en aza indiren koşullarda toplamakşarttır 15. Dizileme derinliği de veri çözümlemesinde hayati rol oynar: tam genom dizileme genellikle doğru bir montaj için en az %30× kapsama gerektirirken, transkriptomik profilleme genellikle Genohub16'nın önerdiği gibi düşük bolluklu transkriptleri tespit etmek için on milyonlarca okuma gerektirir. Ayrıca, metabolomikler için, çeşitli kimyasal sınıfları yakalamak için uygun ekstraksiyon çözücüleri ve yöntemleri gereklidir; Bilinçli olarak, önyargıyı en aza indiren ve tekrarlanabilirliği maksimize eden çıkarmaprotokollerini seçmelidir 17. Ancak, bu metodolojilerin kendi zorlukları da vardır. Büyük, heterojen veri setlerinin entegre edilmesi hesaplama açısından yoğun olabilir ve metabolitlerin istikrarsızlığı veya düşük bolluğu sonraki analizlerizorlaştırabilir 18. Ayrıca, yüksek maliyetler veya sınırlı örneklem büyüklükleri çalışmaların tasarımını kısıtlayabilir19. Özellikle düşük girdili veya seyreltilmiş örneklerde dizim verilerindeki kirlenme ve yanlılık da önemli riskler teşkil etmektedir; bu, Lusk ve ark. tarafından yüksek verimli dizileme20'de kontaminasyon ile ilgili olarak vurgulanmıştır. Bu pratik ve teknik sınırlamaları fark ederek, araştırmacılar uygun çoklu omik kombinasyonlar hakkında bilinçli kararlar alabilir ve sonuçları gerekli dikkatle yorumlayabilir.

Bu inceleme, çoklu omikler ve bütünleşme analitikleri kullanarak NP'lerin keşfinde devrim niteliğinde yaratan yenilikçi yöntemleri vurgulamaktadır. Ayrıca, gen-metabolit korelasyon ağlarının inşası ve yeni biyoaktif bileşikler üretmesi muhtemel gen kümelerinin belirlenmesi gibi çeşitli veri akışlarını birbirine bağlamada ML ve yapay zekanın artan önemini inceliyor. Ayrıca, bu entegre yaklaşımın önemi ve gelecekteki potansiyeli de incelenmektedir. Sonuç olarak, farklı omics teknolojilerinin gelişmiş analitiklerle birleşmesi, bugün yeni NP'lerin keşfini hızlandırmakla kalmıyor, aynı zamanda toplumun acil ihtiyaç duyduğu yeni nesil ilaçların geliştirilmesinin yolunu da açıyor.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

İnceleme ve perspektif

Bu incelemeyi derlemek için PubMed, Scopus, Web of Science, ScienceDirect ve Google Scholar dahil olmak üzere birden fazla veritabanı ve indeksleme platformunda kapsamlı bir literatür araması yaptık. Arama Ocak 2015'ten Temmuz 2025'e kadar olan yayınları kapsadı. Anahtar kelimeler ve Boolean kombinasyonları arasında: "doğal ürün keşfi," "omik," "metabolomik", "genomik," "transkriptomik", "proteomik", "makine öğrenimi", "yapay zeka," "biyosentetik gen kümeleri" ve "çoklu omik entegrasyonu." yer aldı. Önemli makalelerin referans listeleri ve yakın zamanda incelemeler de incelenerek ek ilgili yayınlar belirlendi. Hakemli çalışmaların yanı sıra, bioRxiv ve medRxiv gibi platformlardan sınırlı sayıda ön baskı makalesi başvurulmuştur; bunlar henüz yayımlanmış literatürde bulunmayan zamanında ve ilgili bilgiler sağlamıştır. Tüm ön baskılar şeffaflığı korumak için açıkça etiketlenmiştir. Bu bölüm, özellikle metabolomik, genomik, transkriptomik ve proteomik alanlarına odaklanarak, omik tabanlı NP keşiflerinin temel alanlarındaki en son gelişmeleri ve gelecek görünümlerini inceler. Ayrıca yapay zeka/makine öğrenimi yoluyla entegrasyonları da var. Bu alanlarda tartışılan birincil araçlar ve kaynaklar, referans için Tablo 1'de derlenmiştir.

1. NP'lerin keşfinde metabolomikler

  1. Metabolomik için analitik platformlar
    Metabolomik, NP'lerin keşfi için çok önemlidir çünkü çeşitli organizmalar tarafından üretilen küçük moleküllerin ayrıntılı analizini sağlar. NP'lerin metabolomlarını karakterize etmek için kullanılan birincil analitik araçlar, LC-MS/MS ve gaz kromatografisi-MS (GC-MS) gibi yüksek çözünürlüklü MS teknikleri ile NMRspektroskopisi 21,22 içerir. Hedeflenmemiş LC-MS/MS iş akışları, örneğin ultra yüksek performanslı LC-MS ile eşleştirilmiş MS/MS, karmaşık karışımlarda geniş bir metabolit yelpazesinin tanımlanmasını sağlarken, GC-MS uçucu bileşiklerin profillenmesinde üstün başarı gösterir. Ayrıca, doğrudan infüzyon-tandem MS ve MS görüntüleme gibi yeni yöntemler,NP'ler 23,24 için metabolomik araç setini geliştirmektedir. Pozitif ve negatif iyon modlarını birleştiren veya çok aşamalı MSn parçalanmasını kullanan multimodal MS gibi gelişmiş kütle spektrometri teknikleri ve LC-MS ile NMR birleşen tireli yöntemler, tespit edilen metabolitler hakkında daha derin yapısal içgörülersunar 25,26.
  2. Veri işleme ve hesaplama araçları
    Özel yazılım araçları, metabolomik verilerinin işlenmesi ve yorumlanmasında hayati bir rol oynar. XCMS, MZmine ve OpenMS gibi programlar genellikle kromatografik özellikleri veya zirveleri tespit etmek ve hizalamak için kullanılırken, zirve hizalama, normalizasyon ve filtreleme gibi titiz veri ön işleme adımları tekrarlanabilir metabolik profiller elde etmek için gereklidir27. Bileşiklerin tanımlanması, NIST ve mzCloud dahil MS/MS spektral kütüphaneleri ile SIRIUS ve MetFrag28 gibi in silico fragmentasyon araçları tarafından desteklenmektedir. Global Natural Products Social (GNPS) platformu, ilgili MS/MS spektrumlarını organize ederek kimyasal aileleri vurgulamak ve bilinen bileşiklerin deçoğalisyonunu kolaylaştırmak için moleküler ağ oluşturma için önemli bir kaynak olarak ortayaçıkmıştır 29. Örneğin, Streptomyces kültürlerinden alınan LC-MS/MS verileri üzerinde GNPS kullanılarak yapılan bir analiz, spiramysin ve aktinomisin gibi bilinen antibiyotikleri daha önce rapor edilmemişanaloglarla birlikte başarıyla tespit etti 30,31. Moleküler ağ tekniği, ilgili bilinmeyen spektrumları etkili bir şekilde grupladı ve iyon kimliği ağı eklenmesi özelliklerin bağlantısını artırdı. Bu ağ tabanlı analizler, ana bileşen analizi ve ortogonal kısmi en küçük kare ayırt edici analiz gibi çok değişkenli istatistiksel araçlarla ve korelasyon ağ analiziyle birleştiğinde, metabolit üretim desenlerini belirli biyolojik veya çevresel koşullara bağlayabilir. Özel bir çalışmada, bitkiye bağlı bir Streptomyces'ten alınan fermentasyon özlerinin GNPS moleküler ağı kullanılan büyüme aracına bağlı olarak değişen farklı metabolit profilleri göstermiştir. Spiramisin, aktinomisin ve lyngbyatoksin adı verilen kanserojen bileşik dahil bilinen metabolitler tespit edildi; Ancak, birçok ağ düğümü spektralveritabanları 32'deki hiçbir girişle eşleşmemiştir. Bu bulgu, gerçekten yeni metabolitlerin varlığını gösteriyor ve hedeflenmemiş metabolomiklerin GNPS ile birlikte potansiyel olarak yeni NP'leri daha fazla araştırma için nasıl tespit edebileceğini ortaya koyuyor.
    Metabolomik taramanın fonksiyonel biyotestlerle birleştirilmesi, biyoaktif bileşikler üreten suşların veya ekstraktların hızlı önceliklendirilmesini kolaylaştırır. Ayrıca, Doğal Ürünler Atlası (NPAtlas) gibi yeni topluluk kaynakları ve entegre metabolom-genom analiz boru hatları, tespit edilen metabolitlerin kaynak organizmadaki BGC'leriyleilişkilendirilmesinde önemli rol oynamaktadır (33,34). Bu bütünleştirici strateji, araştırmacıların metabolit sinyallerini genomik verilerle ilişkilendirmesini sağlar ve böylece NP'lerin tanımlanması ve kökenlerinin izlenmesi verimliliğini artırır.

2. NP'lerin keşfinde genomik,

Son on yılda, mikrobiyal NP araştırmaları, yüksek verimli dizileme, ultra hassas yüksek çözünürlüklü MS ve entegre çoklu omik yaklaşımlar gibi gelişmelerle desteklenen dönüştürücü bir "derin madencilik çağı"na girmiştir. Bu araçlar, keşif çabalarını tesadüfi izolasyondan veri odaklı, hedefli keşiflere kaydırmıştır. AntiSMASH 7.0 ve DeepBGC dahil olmak üzere genom madenciliği boru hatları, özellikle az araştırılmış36,37 taksonlarında şifreli BGC'lerin sistematik olarak tanımlanmasını sağlıyor.

  1. Yüksek verimli dizileme ve hibrit montaj
    Kısa okuma yüksek verimli DNA dizileme teknolojileri, uzun okuma dizileme platformları ile birleşen kısa okuma yüksek verimli DNA dizileme teknolojileri, NP üreten organizmaların genomik çalışmasını önemli ölçüde dönüştürmüştür. Hem uzun hem de kısa okumaları entegre eden hibrit montaj stratejileri kullanarak, araştırmacılar yüksek bitişiklikli genom montajları elde edebilirler; bu, bir genom38 içindeki tüm BGC'leri yakalamak için gereklidir. Ayrıca, metagenomla birleştirilmiş genomların geri kazanılmasını da içeren metagenomik dizileme (BGC) keşfini kültüre ulaşmamış mikroplara genişletir ve bilim insanlarının biyosentetik potansiyeli için çevresel DNA'yıkeşfetmesini sağlar 39. Geleneksel genom montaj yöntemlerinin büyük veya tekrarlayan gen kümelerini çözmede yetersiz kaldığı durumlarda, kozmid veya bakteriyel yapay kromozom kütüphaneleri gibi kütüphane tabanlı teknikler, önemli genomik parçaları izole etmek ve klonlamak için kullanılabilir. Bu yaklaşım, hedefli dizileme veya heterolog ifade yoluyla tam gen kümelerinin karakterizasyonunu kolaylaştırır ve böylece NP'lerin biyosentezinin genetik temelini daha iyi anlamamızısağlar 40,41.
  2. Genom madenciliği araçları
    Özel biyoinformatik araçlar, ikincil metabolit yollarının belirgin imzalarını belirlemek için genomik verilerin analizinde gereklidir. AntiSMASH, PRISM ve DeepBGC gibi programlar, aday BGC'leri otomatik olarak tespit ederek bu süreçte kritik bir rol oynar. Bunu, ribozomal olmayan peptid sentetazları, poliketid sintazlar, ribozomal olarak sentezlenen ve translasyon sonrası modifiye edilmiş peptid (RiPP) yolları ve terpen siklazları gibi spesifik biyosentetik alanları tanıyarak yaparlar. Replikasyondan çıkarmaya yardımcı olmak için, bilinen BGC'leri ve ürünlerini derleyen MIBiG ve bilinen NP'leri kataloglayan NPAtlas gibi veritabanları, araştırmacıların yeni dizileri veya bileşikleri yerleşikörneklerle eşleştirmesine yardımcı olur 37,42,43. BiG-SCAPE gibi kümeleme algoritmaları ve CORASON gibi araçlar, ilgili BGC'leri ailelere organize eder; biyosentetik çeşitliliğe ağ görünümü sunar ve bilinen ailelerle karşılaştırmalar yoluyla yeni küme ailelerinin tanımlanmasınıkolaylaştırır 44. BLAST aramaları ve gizli Markov model taramaları gibi ek biyoinformatik analizler, BGC içinde kodlanan enzimlerin potansiyel işlevlerini tahmin edebilirken, synteny analizi ve genlerin birlikte evrimi gibi karşılaştırmalı genomik yaklaşımlar bu fonksiyonel tahminleri geliştirmeyeyardımcı olur 45. Ayrıca, genomik veriler, NP'lerin biyosentezine bağlı düzenleyici unsurların notasyonunu mümkün kılar; bunlar arasında yol özelleri ve transkripsiyonel düzenleyiciler46. Bu içgörüler, yol mühendisliği için bir temel oluşturur; örneğin, dönüşümle ilişkili rekombinasyon klonlama ve Red/ET rekombineri gibi sentetik biyoloji teknikleri, araştırmacılara heterolog bir konak organizmada sessiz veya gizemli BGC'leri yakalama ve ifade etme gücü verir, böylece metabolitlerinin üretiminiaktive eder 47.
    Genom madenciliği çalışmaları, belirli genetik sinyallere odaklanarak yeni NP'lerin keşfine başarıyla yol açmıştır. Örneğin, glikopeptid antibiyotik direnciyle bağlantılı genlerin sistematik araması, yeni antibiyotikleri kodladığı öngörülen birkaç sıra dışı BGC'yi ortaya çıkardı. Bu yöntem, bakteriyel autolizinleri hedef alarak benzersiz etki mekanizmaları gösteren kompstatin ve kobramisin olmak üzere iki yeni bileşiğintanımlanmasına yol açtı 48. Benzer şekilde, insan mikrobiyomunda biyosentetik gen içeriği açısından araştırıldığında, Staphylococcus ve Streptococcus türlerine karşı potansiyel etkinliği olan "humicin" adlı lipopeptid antibiyotikadayı ortaya çıktı 49. Bu durumlarda, bileşikler başlangıçta hesaplamalı yöntemlerle tanımlanmış ve kimyasal yapıları genomik verilere dayanarak tahmin edilmiştir. Daha sonra, bu tahmin edilen moleküller kimyasal olarak sentezlendi ve beklenen antibiyotik aktiviteleri göstererek genom temelli keşif stratejisini doğruladı. Daha geniş ölçekte, nadir aktinomitler dahil olmak üzere çeşitli bakterilerin büyük ölçekli dizilemeleri, ürünleri bilinmeyen zengin "gizemli" BGC gen kümelerini ortaya çıkarıyor. Örneğin, Streptomyces genomları üzerine yapılan araştırmalar binlerce tanımlanmamış BGC50 ortaya çıkarmıştır. Bu yetim kümeleri gerçek metabolitlerle bağlamak için ortaya çıkan bir yaklaşım, metabolomik analizlerin genomik anketlerle entegre edilmesini içerir. Bir gen kümesinin varlığını veya ifadesini benzersiz metabolit özelliklerinin GNPS veya kütle spektrumu gibi platformlar aracılığıyla tespit etmesiyle ilişkilendirerek, araştırmacılar çok sayıda yeni BGC'ye geçici kimyasal ürünler atamaya başlayabilir ve böylece genomik verilerden gerçekten yeni NP'lerin keşfini kolaylaştırabilir.

3. Doğal ürün keşifinde transkriptomik

Transkriptomik analizler, çeşitli koşullarda mRNA ifadesini ölçerek BGC'lerin aktivitesine dinamik bir bakış açısı sunar. Özellikle, RNA-seq deneyleri, hangi BGC'lerin aktif olarak transkribe edildiğini ve çevresel veya deneysel değişikliklere yanıt olarak ifade seviyelerinin nasıl dalgalandığını ortaya çıkarabilir. Farklı koşullar arasında transkript seviyelerini karşılaştırarak, DESeq2 veya edgeR gibi araçlarla diferansiyel ifade analizi, yukarı veya aşağı regülasyonlu BGC'leri tespit edebilir; böylece standart koşullarda indüklenebilir veya sessiz kalabilecek gen kümelerinivurgulayabilir 51. Toplu kültürlü hücrelerde yapılan geleneksel RNA-seq, BGC ifadesini araştırmak için tipik yaklaşım olsa da, tek hücreli RNA-seq gibi daha gelişmiş teknikler karmaşık mikrobiyomlarda kullanılmaya başlanmaktadır. Bu değişim, kültürü zor olan çevresel organizmalarda gen ifadesinin gözlemlenmesineolanak tanır 52,53. Standart bir RNA-seq iş akışı genellikle STAR veya HISAT2 gibi aligner'lar kullanılarak referans genomuna okuma eşlemelerini, featureCounts veya Kallisto gibi araçlarla gen ifadesinin nicelendirilmesini ve verilerin normalize edilip önemli ifade değişikliklerini tespit edilmesini içerir. Bunun ardından, genellikle WGCNA paketiyle yapılan ortak ifade ağı analizi, benzer ifade desenleri sergileyen genleri kümeleyebilir. Metabolit verileri de mevcut olduğunda, bu ağlar metabolitleri dahil etmek için daha da genişletilebilir ve böylece belirli bileşikler birlikte ekspresyona ulaşmışgenlerle bağlanır 54.

Transkriptomik veriler, koşullu aktif biyosentetik yolların belirlenmesinde değerli olduğu kanıtlanmıştır. Bu yaklaşımın dikkat çekici bir örneği, dört Salinisporasuşunun 51 ayrıntılı karşılaştırmasında görülmektedir. Bu çalışmada, her suştaki BGC'lerin yarısından fazlasının bir dereceye kadar eksprese edildiği, bir suşta aktif olmayan birçok kümenin başka bir suşta ekspresyona sahip olduğu ortaya çıktı. Bu suşlar boyunca gen ifade profillerini analiz ederek, araştırmacılar belirli kümeleri susturan veya aktive eden birkaç düzenleyici faktörü tespit edebildiler. Bu bütünleşici yöntem, daha önce bilinmeyen bir NP ailesinin (salinipostinler) tanımlanmasına yol açtı. Transkriptomik veriler, tanımlanamayan bir bileşik için potansiyel bir kaynak olarak gizemli bir gen kümesini gösterdi; Bu küme (düzenleyici değişikliklerle) eksprese edilmesi sağlandığında, salinipostin moleküllerinin üretimine yol açtı; bu moleküller daha sonra izole edilip yapısal olarak karakterize edildi. Bu çalışma, transkriptomiklerin NP'lerin keşfini nasıl kolaylaştırabileceğini gösteriyor: farklı gen ifadesini analiz ederek araştırmacılar aday BGC'leri öne çıkarabilir ve gen ifadesi ile metabolit profilleri arasındaki korelasyon, hedefli deneylerle doğrulanabilecek gen-metabolit ilişkileri için destekleyici kanıtlar sunar.

4. NP'lerin keşfinde proteomik

  1. Pompalı tüfek ve hedefli proteomik yaklaşımları
    Proteinlerin geniş çaplı incelenmesini içeren Proteomics, biyosentetik yollarda rol oynayan enzimleri ve proteinleri doğrudan ölçerek NP araştırmalarında hayati bir perspektif sağlar. Genel olarak, proteomik yaklaşımlar iki ana tipe ayrılabilir: pompalı (hedefsiz) proteomikler ve hedefli proteomikler. Shotgun proteomiklerinde, mikrobiyal veya bitki örneklerinden çıkarılan proteinler, genellikle tripsin ile enzimatik sindirime uğrar ve ortaya çıkan peptitler, genellikle quadrupol-time-of-flight (QTOF) veya yüksek çözünürlüklü orbital trap kütle spektrometreleri gibi gelişmiş kütle spektrometreleri kullanılarak yüksek çözünürlüklü LC-MS/MS kullanılarak analizedilir 55. Toplanan MS/MS spektrumları olarak bilinen MS verileri, MaxQuant veya Mascot56,57 gibi yazılım araçları kullanılarak organizmanın genomundan veya yakından akraba bir türden türetilen bir protein veritabanına karşı arama yoluyla peptid dizileriyle eşleştirilir. Bu süreç, farklı koşullarda protein bolluğundaki değişikliklerin nicelendirilmesine olanak tanır; bu da etiketsiz yöntemlerle veya izotop etiketleme teknikleri gibi izotop etiketleme teknikleri kullanılarak (hücre kültüründe amino asitlerle (SILAC) veya TMT/iTRAQ reaktifleriyle izobarik etiketleme gibi yöntemlerle gerçekleştirilebilir; böylece hangi biyosentetik enzimlerin yukarı veya aşağı regulasyonlu olduğunubelirlemek için 58, 59. Buna karşılık, seçilmiş reaksiyon izleme (SRM) veya paralel reaksiyon izleme (PRM) dahil olmak üzere hedefli proteomik yöntemler, genellikle ana biyosentetik enzimlerden veya düzenleyici proteinlerden gelen benzersiz peptitler olan belirli bir peptid iyonu setine odaklanır ve bu peptitlerin birden fazla örnekte hassas ve hassas nicelendirilmesinisağlar 60,61.
  2. Proteomikte yenilikçi yaklaşımlar
    İkincil metabolizmanın proteomik analizinde önemli bir zorluk, genellikle 100 kDa'yı aşan ve standart sindirim protokolleriyle az sayıda tespit edilebilir peptid üreten ribozomal olmayan peptid sintezleri ve poliketid sintazlari gibi büyük biyosentetik enzimlerin tespit edilmesidir; bu da gözlemlenmesini zorlaştırır. Bu sorunu çözmek için Bumpus ve arkadaşları, bu enzimlerde bulunan spesifik bir kofaktör kullanarak NRPS ve PKS proteinlerinin tespitini artıran PrISM adlı bir yöntemgeliştirmiştir 62. PrISM, geleneksel pompalı tüfek proteomiklerini fosfopantetheinyl (Ppant) fırlatma testi ile entegre eder. Özellikle, NRPS ve PKS enzimlerinin asil taşıyıcı veya peptidil taşıyıcı domainlerinde kovalent olarak bağlı bir Ppant kolu bulunur; MS/MS parçalanması sırasında, bu protez grup sıklıkla "Ppant atılma" iyonu olarak adlandırılan benzersiz bir parça iyonu üretir. Bu tanı iyonu için LC-MS/MS verilerini hesaplamalı olarak filtreleyerek, PrISM yöntemi, tüm hücresel proteinlerin karmaşık karışımı arasında NRPS ve PKS enzimlerinden türetilen peptitleri etkili bir şekilde ortaya çıkarabilir. Bu strateji, proteomik yoluyla gizli biyosentetik yolları başarıyla ortaya çıkarmıştır. Örneğin, PrISM iş akışı, Bacillus brevis kültürlerinde gramicidin S sentetaz kompleksinden (GrsA/GrsB) alınan peptitlerin tespit edilmesini mümkün kılmıştır ve bu NRPS enzimleri ile o organizmada antibiyotik gramicidin S üretimi arasında doğrudan bir bağlantıkurmuştur. Önemli olarak, GrsA/GrsB'nin proteomik tanımlanması B. brevis hakkında önceden genomik bilgi gerektirmemiştir; bu da bazı durumlarda, genomları henüz dizilenmemiş organizmalarda bile sadece proteomik analizin aktif NP biyosentetik yollarını ortaya çıkarabildiğini gösterir.
  3. Genom bilgili proteomikler
    Bir genom dizisi mevcut olduğunda, peptid tanımlaması için suş spesifik bir veritabanı kullanılarak proteomiklerin gücü önemli ölçüde artırılabilir. Örneğin, Streptomyces lilacinus proteomunu analiz eden bir çalışmada, araştırmacılar iki analiz yaptılar: biri spektrumları genel bir protein veritabanına göre arayarak, diğeri ise osuşun dizilenmiş genomundan türetilen özel bir veritabanına göre 63. Genom bilgili analiz, organizmada altı farklı BGC ile bağlantılı peptidlerin yaklaşık on katı daha fazla tanımlanmış peptid ve tespit edildi. Özellikle, bu tanımlanan kümelerden üçü, daha önce bilinen "yetim" metabolitlere karşılık gelmişti; bunlar arasında graybaktin, rakicidin D ve spesifik bir siderofor bulunuyordu ve biyosentetik enzimlerinin eksprese edildiyi doğrulandı. Kalan tespit edilen kümeler yeni ve karakterize edilmemiş görünüyordu. Bu örnek, genomik bilginin proteomik iş akışlarına entegre edilmesinin, bir suşta aktif olarak ifade edilen biyosentetik yolların doğrulanabileceğini ve böylece bu gen kümelerinin ürünlerinin izolasyonu ve karakterizasyonu için önceliklendirildiğini göstermektedir.
    Ayrıca, proteomik yöntemler, genellikle kimyasal proteomik olarak adlandırılan NP'lerin moleküler hedeflerini ve etki modlarını aydınlatabilir. Örneğin, aktivite tabanlı protein profilleme (ABPP), genellikle NP'lerin türevleri veya analogları olan küçük molekül probları kullanır; bu problar, bileşiğin hücresel hedefleriyle reaksiyona girer ve bu proteinleri MS64 aracılığıyla zenginleştirme ve tanımlama için etiketler. Bu teknik, belirli bir NP veya ilgili molekülün hücre içinde bağlandığı protein hedeflerini ortaya çıkarabilir. Bir diğer yöntem olan termal protom profilleme (TPP), protein örneklerinin varlığında veya yokluğunda ısıtılmasını içerir; böylece hangi proteinlerin değişmiş termal stabilitesi gösterdiği belirlenir ve bu da bağlanmaetkileşimini gösterir 65. Bu kimyasal proteomik yaklaşımlar, NP'lerin biyolojik hedeflerini doğrulamak ve etki mekanizmalarını açıklamak için paha biçilmezdir; böylece NP'lerin keşifini tamamlar.

5. Omik entegrasyonu ve tahmini için ML ve yapay zeka

  1. Çok omik verilerin ML ile entegrasyonu
    NP'lerin keşfinde heyecan verici bir sınır, fonksiyonel tahminler için omik verilerini entegre etmek için makine öğrenimi ve yapay zekanın uygulanmasıdır. Genomik alanında, rastgele ormanlar, destek vektör makineleri ve derin sinir ağları gibi denetli ML algoritmaları, belirli NP tipleriyle ilişkili BGC'lerde kalıpları tanımlamak için geliştirilmiştir. Örneğin, bu ML modelleri BGC'leri ürettikleri genel molekül sınıfına göre kategorize edebilir veya gen dizisinden türetilen kimyasal yapının belirli özelliklerini tahmin edebilir. Dason MS ve meslektaşlarının yaptığı bir inceleme, BGC'lerin "dilini" çözmek için tasarlanmış çeşitli makine öğrenimi araçlarını vurguluyor; DNA veya amino asit dizisi verilerini kullanarak ilgili NP'lerin yapılarını ve biyoaktivitelerini çıkarıyor66. Bu modeller genellikle bilinen gen kümeleri ve bileşiklerin geniş veritabanlarına dayanarak aralarındaki ilişkileri öğrenir ve yeni bileşiklerin potansiyel biyolojik aktiviteleri hakkında tahminler yapılmasını sağlar. Örneğin, tanımlanmamış bir BGC'den alınan bir ürünün antibiyotik veya antikanser özelliklerine sahip olup olmadığını değerlendirebilirler. Bu yetenekleri kolaylaştıran önemli gelişmeler arasında, binlerce bilinen NP yapısı ve gen kümesi gibi büyük eğitim veri setlerinin kullanımı, gen kümelerinin ve kimyasal yapıların özelliklerini yakalayan dizi gömülmesi ve grafik sinir ağları gibi yenilikçi temsil teknikleri ile tahmin doğruluğunu artırmak için çeşitli genomik ve kimyasal tanımlayıcıları birleştiren çok parametrli modeller yer almaktadır.
    Metabolomik alanında, yapay zeka teknikleri karmaşık kütle spektrumal verilerin yorumlanmasını önemli ölçüde geliştirmektedir. Dikkat çekici bir örnek, ML kullanarak bir molekülün MS/MS spektrumundan yapısal parmak izini tahmin eden CSI:FingerID aracıdır. Bu yetenek, potansiyel alt yapılar ve aday bileşikler önererek bilinmeyen metabolitlerin belirlenmesine yardımcı olur67. Benzer şekilde, derin öğrenme modelleri spektral açıklama için kullanılmıştır; konvolüsyon sinir ağları ve daha yakın zamanda "DreaMS" modeli gibi transformasyon tabanlı mimariler, geniş spektral kütüphanelerden parçalanma desenlerini öğrenir. Bu modeller, öğrendikleri desenlere dayanarak bilinmeyen spektrumlar için yapılar önerebilir ve genellikle geleneksel sezgisel yöntemleri geride bırakabilir, özellikle mevcut veritabanlarında tam eşleşmesi olmayan metabolitler için68. Yapısal açıklamanın ötesinde, ML metabolomiklere küresel desenleri belirleyerek katkıda bulunur. Örneğin, t-SNE (t-dağıtılmış stokastik komşu gömüleme) ve UMAP (Uniform Manifold Approximation and Projection) gibi denetimsiz görselleştirme algoritmaları, hedeflenmemiş metabolomik veri setlerinin boyutluluğunu azaltabilir ve örneklerin metabolit profillerindeki benzerliklere göre kümelenmesini kolaylaştırabilir. Bu arada, denetli sınıflandırıcılar, belirli metabolit imzalarını örneklerin fenotipik özellikleri veya biyoaktiviteleriyle ilişkilendirerek analizi daha da zenginleştirebilir69,70,71.
    ML, çeşitli omik veri setlerini entegre etmek için giderek daha fazla kullanılıyor ve böylece NP'lerin biyosentezi ve işlevi hakkında daha kapsamlı bir anlayış yaratıyor. Genomik, transkriptomik, proteomik ve metabolomikten elde edilen verilerin birleştirilmesiyle entegre modeller, her veri tipini ayrı ayrı incelerken gözden kaçabilecek bağlantıları ortaya çıkarabilir. Örneğin, araştırmacılar genlerin veya proteinlerin ifade seviyelerini metabolitlerin üretim seviyelerine bağlayan gen-metabolit korelasyon ağları kurabilirler. Bu entegre veriler üzerine eğitilmiş makine öğrenimi modelleri, hangi gen kümelerinin belirli metabolitlerden veya biyolojik aktivitelerden sorumlu olduğunu tahmin edebilir72,73. MOFA gibi araçlarda bulunan çoklu omik faktör analizi ve mixOmics gibi paketlerde bulunan düzenli çok değişkenli yöntemler gibi gelişmiş çok değişkenli teknikler, farklı veri türlerini kapsayan gizli faktörlerin tanımlanmasını kolaylaştırır; örneğin, birlikte eksprese edilen genlerin bir grup metabolitle birlikte çalışması74,75,76. Pratikte ise, NP'lerin keşfi için, çeşitli yaklaşımlar gözlemlenen metabolitler veya fenotiplerle bağlantı göstererek aday gen kümelerini önceliklendirmeye yardımcı olur. Bu bütünleşmek, yapay zeka yönlendirilen stratejinin dikkat çekici bir örneği, DecRiPPter algoritması kullanılarak ribozom yoluyla sentezlenen ve RiPP yeni bir ailenin keşfidir. Bu algoritma, genomik verileri krizmeli RiPP öncü peptidleri için analiz etmek için destek vektör makinesi (SVM) tabanlı bir model kullanır ve ardından bu tahminleri pan-genom analiziyle çapraz referansla karşılaştırarak bilinen bileşikleri ortadan kaldırır. 1.295 kişiye uygulandığında Streptomyces genomlarında, DecRiPPter daha önce geleneksel genom madenciliği yöntemleriyle gözden kaçan 42 olası yeni RiPP ailesini başarıyla tespit etti. Bu tahmin edilen kümeler arasında, araştırmacıların "pritin A3" adlandırdığı yeni bir sınıf V lanthipeptid üretmek için deneysel olarak doğrulandı. Bu sessiz gen kümesinin ekspresyonunu indükleyerek bileşik pritin A3 izole edildi ve yapısı NMR ile MS kullanılarak belirlendi; böylece yol içinde kodlanmış daha önce bilinmeyen iki lantionin oluşturan enzim ortaya çıktı77. Bu başarı, yapay zeka destekli analizlerin gizli NP'leri nasıl ortaya çıkarabileceğini ortaya koymaktadır: ML modeli, başka türlü tanınmayan bir genetik sinyali tespit ederek yeni bir molekül keşfetmek için deneysel çalışmalara yol göstermiştir.
  2. Ortaya çıkan yapay zeka uygulamaları
    Mevcut uygulamaların yanı sıra, NP araştırmalarını daha da devrim niteliğinde değiştirecek birkaç yeni yapay zeka tabanlı strateji hazırlanıyor. Umut vadeden bir alan, bilinen NP'ler ve benzerleri için biyosentetik yollar veya sentetik kimya adımları önermek amacıyla derin öğrenme modelleri geliştirilen hesaplamalı retrosentez ve yol tasarımıdır; bu da yeni bileşiklerin tasarım ve üretimini önemli ölçüde artırabilir78,79. Bir diğer heyecan verici nokta ise yapay zeka kullanarak enzim fonksiyonunun tahminidir. Derin öğrenme algoritmalarına dayalı modern protein yapısı tahmin araçları ile protein dizilerinde kontrastatif öğrenme gibi makine öğrenimi tekniklerini kullanarak, araştırmacılar BGC'lerde bulunan tanımlanamayan enzimlerin olası aktivitelerini çıkarmaya başlıyorlar. Bu, bu enzimlerin80,81,82 katalizlediği kimyasal dönüşüm türlerine dair içgörüler sağlayabilir. Tam entegre omik-kimya boru hatları geliştirilmekte olup, yapay zeka platformları kütle spektrumu özelliklerini genomik verilere otomatik olarakbağlamayı hedefliyor 83,84. Prensipte, böyle bir sistem, karmaşık bir örnekten aynı ortamdan genom dizileriyle birlikte bir LC-MS/MS veri setini analiz edebilir ve her tanımlanamayan metabolitten sorumlu olan gen kümesinin öngörülmesini sağlar; böylece gen kümesi-metabolit eşleşmelerini puanlayabilir. Bu yaklaşımlar henüz ebekte olsa da, yapay zekanın genleri özerk olarak moleküllere bağlayabileceği bir geleceği öneriyor; böylece omik verilerinden yeni NP'lerin keşfine kadar süreci büyük ölçüde hızlandırıyor.
  3. Yapay Zeka destekli NP keşfinde veri yönetişimi ve etik zorluklar
    Modern çoklu omik araştırmalar önemli miktarda çeşitli veri üretir, ancak yapay zeka tahminlerinin etkinliği büyük ölçüde bu veri setlerinin kalitesi ve tutarlılığına bağlıdır. Eğitim setleri kötü açıklamalı veya önyargılı olduğunda, yanıltıcı sonuçlara ve başarısız doğrulamalara yol açabilir85. Bu sorunu ele almak için, araştırmacılar veri şeffaflığını, tekrarlanabilirliğini ve kapsamlı yeniden kullanılabilirliği teşvik etmek için FAIR ilkelerini — Bulunabilir, Erişilebilir, Birlikte Çalışabilir ve Yeniden Kullanılabilir— uygulamalıdır 86. Bu yaklaşım, hem olumlu hem de olumsuz sonuçların paylaşılmasını, veri ön işleme boru hatlarının kapsamlı şekilde belgelenmesini ve bağımsız doğrulamayı kolaylaştırmak için analiz kodu sağlamayı içerir. Ayrıca, elektronik laboratuvar defterleri (ELN) ve konteynerize iş akışları gibi yeni dijital altyapıların benimsenmesi, veri yakalamayı iyileştirmek ve standartlaştırılmış küratörlüğün sağlanmasıiçin gereklidir 87,88.
    Yapay zeka NP'lerin keşfini önemli ölçüde hızlandırırken, aynı zamanda önemli etik endişeleri de gündeme getirir. Eksik veya önyargılı veri setleri üzerinde eğitilen algoritmalar, mevcut eşitsizlikleri pekiştirebilir ve çeşitli ve temsilli eğitim verilerinin gerekliliğinivurgular89. Ayrıca, açıklanabilir yapay zeka yöntemlerinin kullanılması, şeffaflığı artırmak ve bilim insanlarının tahminleri anlamalarına yardımcı olmak için hayati öneme sahiptir; böylece yapay zeka, karar verici değil, insan kontrolü altında destekleyici bir araç olarak hizmet eder85. Etik hususlar ayrıca veri gizliliğini, özellikle klinik veya insan kaynaklı veri setleri kullanıldığında ve otomasyonun araştırma ortamını giderek daha fazla etkilemesiyle iş gücü üzerindeki etkilerini dekapsar. Bu sorunların üstesinden gelmek için, yapay zeka sistemleri düzenli denetimlere, önyargı değerlendirmelerine ve sıkı düzenleyici denetime tabi tutulmalı; bu da NP araştırmalarında adalet, hesap verebilirlik ve güvenilirliği korumaya yardımcı olacaktır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

NP'nin mevcut keşfi durumu, analitik kimya ve biyoinformatiğin birleşimini kullanarak güçlü bir sinerji yaratıyor. Şekil 1'de belirtildiği gibi, LC-MS metabolomik, yüksek verimli dizileme, RNA-Dizisi ve proteomik gibi gelişmiş omik teknolojileri, ağ ve makine öğrenimi dahil olmak üzere hesaplamalı analitiklerle birlikte çalışarak keşif için etkili bir ürün hattı oluşturur. Alandaki son gelişmeler arasında, nadir üreticilerin ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Tüm yazarlar, potansiyel çıkar çatışması olarak algılanabilecek finansal veya kişisel ilişkiler olmadığını belirtir.

Teşekkürler

Bu çalışma, Çin Ulusal Doğa Bilimleri Vakfı (32500813), CPSF Doktora Sonrası Burs Programı (GZC20251503), Sichuan Bilim ve Teknoloji Programı (2024ZYD0149), Sichuan Eyaleti Doktora Sonrası Programı için Özel Araştırma Vakfı (TB2024017), Deyang Bilim ve Teknoloji Bürosu'nun Ana Araştırma ve Geliştirme Projesi (2024SZY016, 2023SZZ009), Ulusal Sağlık Komisyonu Kapasite Geliştirme ve Sürekli Eğitim Merkezi (GWJJMB202510025060) tarafından desteklendi. ve Deyang Halk Hastanesi Kuluçka Projeleri için Özel Fon (FRH202501, FHT202501). Şekil 1'in BioRender kullanılarak oluşturulduğunu kabul ediyoruz,

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

oklu Omik AnalizleriMetabolomik PlatformlarGenomik Yakla mlarProteomik TekniklerBiyoinformatik Ara larMolek ler A Olu turmaGenom Madencili iYapay Zeka

İlgili makaleler