search
ruРусский
banner
Дом / Новости / Временная сегрегация процессов биосинтеза отвечает за метаболические колебания во время клеточного цикла почкующихся дрожжей.
Новости
pageSearch
Последние новости

Временная сегрегация процессов биосинтеза отвечает за метаболические колебания во время клеточного цикла почкующихся дрожжей.

Oct 18, 2023Oct 18, 2023

Природный метаболизм, том 5, страницы 294–313 (2023 г.) Процитировать эту статью

7966 Доступов

2 цитаты

116 Альтметрика

Подробности о метриках

Были идентифицированы многие клеточные биологические и биохимические механизмы, контролирующие фундаментальный процесс деления эукариотических клеток; однако временная динамика биосинтетических процессов во время цикла деления клеток все еще неуловима. Здесь мы показываем, что ключевые процессы биосинтеза временно разделены на протяжении клеточного цикла. Используя почкующиеся дрожжи в качестве модели и одноклеточные методы для динамического измерения метаболической активности, мы наблюдаем два пика синтеза белка: в фазе G1 и S/G2/M, тогда как синтез липидов и полисахаридов достигает максимума только один раз, во время S/G2. /М фаза. Интегрируя предполагаемые скорости биосинтеза в термодинамически-стехиометрическую метаболическую модель, мы обнаруживаем, что эта временная сегрегация в процессах биосинтеза вызывает изменения потока в первичном метаболизме с ускорением потока поглощения глюкозы в G1 и фазовыми колебаниями обмена кислорода и углекислого газа. . Посредством экспериментальной проверки предсказаний модели мы демонстрируем, что первичный метаболизм колеблется с периодичностью клеточного цикла, чтобы удовлетворить изменяющиеся потребности биосинтетических процессов, демонстрируя неожиданную динамику в течение клеточного цикла.

Рост и деление клеток являются фундаментальными биологическими процессами. Хотя у нас есть четкое представление о клеточных биологических и биохимических механизмах, контролирующих цикл клеточного деления, мы знаем гораздо меньше о временной динамике биосинтеза и первичного метаболизма, которые управляют ростом клеток во время клеточного цикла. Хотя известно, что биосинтез ДНК временно ограничен в пределах S-фазы, динамика других основных процессов биосинтеза, таких как синтез белков и липидов, остается неясной; постоянно ли активны биосинтетические процессы на протяжении всего клеточного цикла? Если их активность меняется, одинаково ли изменяются скорости различных биосинтетических процессов? Такие знания необходимы для раскрытия механизмов регуляции клеточного роста, дефекты которых связаны с заболеваниями1,2.

В настоящее время считается, что синтез белка увеличивается либо с экспоненциальной, либо с постоянной скоростью на протяжении всего клеточного цикла дрожжей, что определяется исследованиями на популяционном уровне с радиоактивным мечением3,4,5 и анализом отдельных клеток6,7. Однако недавно мы обнаружили, что скорость производства зеленого флуоресцентного белка (GFP), контролируемая эндогенным промотором TEF1, достигает максимума в G1 (ссылка 8), что указывает на то, что биосинтетическая активность белка на самом деле может быть немонотонной в течение клеточного цикла. Этот вывод согласуется с наблюдаемым пиком содержания рибосомальных белков в G1 (ссылка 9), хотя другие не обнаружили такой динамики10. Аналогичным образом, экспрессия генов, связанных с биогенезом и трансляцией рибосом, также наблюдается с пиком в G1 (ссылки 10,11); однако исследования секвенирования одноклеточной РНК (RNA-seq) сообщили либо о небольшом увеличении мРНК рибосомального белка в G1 (ссылка 12), либо об отсутствии заметных различий в течение клеточного цикла13. Что касается других классов макромолекул, таких как липиды и нуклеиновые кислоты, их биосинтез также ускоряется во время определенных фаз клеточного цикла согласно недавним мультиомным исследованиям9,10. Тем не менее, молекулярное содержание, измеренное в этих исследованиях, предоставляет лишь косвенное свидетельство реальных скоростей биосинтеза. Таким образом, временная динамика биосинтетической активности во время клеточного цикла все еще во многом неуловима. Ответ на этот вопрос, вероятно, потребует динамического измерения скорости клеточного цикла, что на данный момент представляет собой огромные технические проблемы.

Здесь, используя почкующиеся дрожжи в качестве модели и применяя динамическую флуоресцентную микроскопию отдельных клеток с новым методом «останови и ответь», мы обнаружили, что активность биосинтеза белков, липидов и полисахаридов не является ни экспоненциальной, ни постоянной в течение клеточного цикла. В частности, мы обнаружили, что биосинтез белка демонстрирует две волны активности на клеточный цикл, тогда как активность биосинтеза липидов и полисахаридов низкая во время первой волны биосинтеза белка в G1, но высокая во время второй волны в S/G2/M. Мы преобразовали обнаруженные закономерности биосинтетической активности в абсолютные единицы с помощью математической модели динамики клеточной массы, интегрировали их в термодинамически-стехиометрическую метаболическую модель и тем самым сделали выводы о динамике первичных метаболических потоков в клеточном цикле. Поскольку мы смогли экспериментально подтвердить предполагаемые изменения метаболического потока, это предоставило дополнительные доказательства обнаруженных динамических закономерностей биосинтетической активности, а также позволило нам заключить, что временная сегрегация в биосинтетических процессах должна быть ответственна за часовые колебания первичного метаболизма. . Наша работа показывает, что рост клеток в течение клеточного цикла представляет собой совокупность разделенных во времени биосинтетических и первичных метаболических процессов, что дает фундаментальное понимание самых основ клеточной физиологии.

threefold change) and respective cell growth rates (>11-fold change), which are larger spreads than those during the cell cycle (~1.4-fold change of dry mass and ~1.6-fold change of dry mass derivative, as estimated from our data). The changes in protein synthesis rate during the cell cycle that we report here could thus be well hidden in the noise of the cell mass/growth rate data from the other work57. Moreover, cellular composition changes during the cell cycle could potentially confound a direct comparison of the buoyant-mass data57 with our dry-mass-related data (as shown in formula 1 in recent work58). The authors of the paper57 have cautiously not made any conclusion on cell-cycle dynamics of cell growth rate in yeast./p> \Delta \bar t_{\mathrm{START}} \cap E^c = {\mathrm{ME}}\), \(\varphi ^c > \Delta \bar t_{\mathrm{BUD}} \cap E^c = {\mathrm{START}}\) or \(\varphi ^c > \Delta \bar t_{CC} \cap E^c = {\mathrm{BUD}}\). Therefore, we arrived to a smaller or the same set of cells \(S2,\left| {S2} \right| \le \left| {S1} \right|,\) for which we associated the NAD(P)H derivative value Pc with the position in cell cycle φc when perturbation happened. Besides, for each cell \(c \in S2\), we stored the information about the kind of the cell-cycle event closest to perturbation, Ec./p> \overline {F_i} \left( {15 \times 15} \right) + p30\), where Fi is the pixel’s intensity, \(\overline {F_i} \left( {15 \times 15} \right)\) – the mean intensity among the nearest 15 × 15 pixels (roughly, a third of the mother cell) and p30 – the thirtieth percentile among the mother cell’s pixels (Python’s method skimage.filters.threshold_local with block_size = 15, method = ‘mean’, offset = p30 and mode = ‘nearest’). Using the offset p30 helps to discard a small number of cytoplasmic pixels that due to noise happen to be brighter than their neighbors. For the same purpose, after the local thresholding, we removed objects (ensembles of selected pixels) smaller than 25 pixels and having the connectivity equal to 1 (two pixels are connected by one orthogonal step). Eventually, we segmented one object containing the brightest pixels, which represents nucleus. If some pixels inside this object were not selected in the local thresholding (due to noise, some single pixels may be dimmer), then we added these pixels to the selection. To calculate the abundance of the fusion Hta2-mRFP in the mother-cell nucleus, we summed the intensities of the pixels located within the segmented nucleus. Microscopy image processing was performed in Python with the help of the module skimage./p> 0\), where Sij is the coefficient of j = ATP in the reaction i that has the flux \(v_i^{\mathrm{cell}}\left( t \right)\) (mol cell−1 h−1) (due to the steady-state assumption of FBA, the turnover values would be the same if ATP-depletion fluxes only were summed). We showed individual reactions i whose cytoplasmic flux of j = ATP calculated as \(S_{ij}\,v_i^{\mathrm{cell}}\left( t \right)\) is bigger than 0.09 or smaller than −0.09 (mol cell−1 h−1) in at least one cell-cycle phase. In Fig. 4d, for each precursor, we calculated the sum of its fluxes, \(\mathop {\sum}\nolimits_i {S_{ij}v_i^{\mathrm{cell}}(t)}\), in the reactions diverting from central metabolic pathways to the synthesis of major biomass components: for ribose 5-phosphate (r5p), its fluxes in the syntheses of AMP, GMP and UMP as well as phosphoribosyl pyrophosphate; for erythrose 4-phosphate (e4p), its flux in the synthesis of 3-deoxy-d-arabino-heptulosonate 7-phosphate; for phosphoenolpyruvate (pep), its fluxes in the reactions of 3-deoxy-d-arabino-heptulosonate 7-phosphate synthetase and 3-phosphoshikimate 1-carboxyvinyltransferase; for pyruvate (pyr), the l-alanine flux in the reaction of protein biosynthesis; for acetyl-CoA (accoa), its fluxes in the reactions of zymosterol synthesis, homoserine O-trans-acetylase, 2-isopropylmalate synthase and lipid biosynthesis; for glycerol 3-phosphate (g3p), its flux in lipid biosynthesis; for glucose 6-phosphate (g6p), its fluxes in polysaccharide and lipid biosynthesis; for fructose 6-phosphate (f6p), its flux in polysaccharide biosynthesis./p>

Предыдущий: Weir Minerals объявляет о пополнении ассортимента Lewis Следующий: Производство пива от пивоварни до бара
Отправить запрос
Отправлять