Existen varios tipos de modelos computacionales del metabolismo, pero básicamente se dividen en dos tipos: modelos dinámicos y modelos de estado estacionario. Como se puede esperar del nombre, los modelos de estado estacionario solo se preocupan por lo que sucede durante el “estado estable” o el “crecimiento equilibrado” en los que los flujos metabólicos, las velocidades de reacción, las concentraciones de metabolitos no cambian con el tiempo. Los modelos dinámicos son todo lo contrario: intentan modelar el comportamiento variable en el tiempo de un sistema metabólico. Si expande un poco el significado del “modelo metabólico”, también podría incluir modelos combinatorios como el juego de pentosa fosfato de Melendez-Hevia (consulte la primera referencia).
Es instructivo pensar en la diferencia en el contexto de una pregunta de ejemplo: “¿cómo reacciona el metabolismo de E. coli a un cambio de glucosa a acetato como la principal fuente de carbono?” Un modelo de estado estacionario sería predecir (quizás incluso con precisión) qué reacciones estarían activas durante el crecimiento alimentado con glucosa y alimentado con acetato, pero no sería capaz de informarle sobre la dinámica de la transición entre las dos. Un modelo dinámico puede hacer esto (ver tercera referencia). Sin embargo, la desventaja de los modelos dinámicos es que son algo más intensivos en términos de computación y requieren datos más precisos sobre los mecanismos catalíticos y las tasas de enzimas. Como tal, es mucho más fácil construir un modelo de estado estacionario de un sistema metabólico completo (ya que requiere mucha menos información que uno dinámico).
Flux Balance Analysis es un modelo (s) de metabolismo de estado estacionario muy popular (familia de) (véase la segunda referencia). Los modelos de FBA asumen 2 cosas: equilibrio de masa (lo que entra debe salir) y todas las reacciones están en estado estacionario. A partir de estas suposiciones, puede escribir un conjunto de ecuaciones para todos los flujos de reacción en su sistema de elección (p. Ej., E. coli). Lo bueno de las versiones estándar de FBA es que requieren una cantidad limitada de datos (una lista de reacciones químicas y sus direcciones permitidas) y se pueden resolver con solucionadores genéricos de programación lineal, por lo que los modelos de FBA a escala de genoma completo se pueden resolver en una cantidad de tiempo razonable. También producen predicciones que coinciden con las mediciones en una variedad de situaciones. Existen modelos genómicos de este tipo disponibles para muchos organismos y tipos de células que van desde bacterias hasta cáncer y cloroplastos vegetales.
A medida que intenta agregar supuestos y datos a los modelos de FBA para hacerlos más representativos de la realidad, se vuelven cada vez más difíciles de resolver. Por ejemplo, los modelos de FBA que incluyen restricciones termodinámicas en la direccionalidad de la reacción son NP-completos. Como regla general, un modelo más enfocado (es decir, un modelo de una sola vía) puede incluir más supuestos y datos y aún así ser computacionalmente tratable.
De todos modos, en pocas palabras, hay muchos modelos disponibles y no es tan difícil construir otros nuevos. La verdadera pregunta es esta: ¿qué quieres estudiar?
Referencias
1. E. Noor, E. Eden, R. Milo, U. Alon, Molecular cell 39, 809 – 20 (2010).
2. NE Lewis, H. Nagarajan, BO Palsson, reseñas de naturaleza. Microbiology (2012), doi: 10.1038 / nrmicro2737.
3. F. Hynne, S. Danø, PG Sørensen, Biophysical Chemistry 94 , 121 – 63 (2001).
