嗨，又跟大家见面了，今天给大家安利一个代谢建模的工具！代谢建模已被应用于了解与代谢相关的疾病机制，预测潜在的新药靶点和抗代谢物，识别复杂疾病的生物标志物。尽管知名的建模工具箱COBRA功能强大，但它需要大量的计算时间来进行通量平衡分析，敲除分析和马尔科夫链蒙特卡罗(MCMC)采样，这对于大规模全基因组分析来说是一种局限性。在这里，研究者开发了一个高效且用户友好的工具箱——FastMM，用于大规模的基于约束的个性化代谢建模，它可以作为对COBRA 3.0中现有功能的补充和改进。 FastMM可从GitHub网站获得:https://github.com/GonghuaLi/FastMM。
FastMM:个性化代谢建模的高效工具箱
FastMM的功能构架
(1)高效的通量可变性分析和敲除分析。FastMM的通量可变性分析和敲除分析的基础代码是用C/C++编写的，包括FBA、FVA等6个核心模块，分别代表通量平衡分析、通量可变性分析(FVA)、全基因组单/双基因敲除分析和全基因组单/双代谢物敲除分析，这6个核心程序都调用GLPK或Gurobi求解器；
(2)高效的MCMC采样。MCMC采样的基础代码也是用C/C++编写的，由于采样过程需要大量的线性代数计算，因此研究者使用了最新的基本线性代数子程序(BLAS)库；
(3)Matlab/octave接口和多线程。开发Matlab接口是为了确保FastMM与COBRA 3.0完全兼容，FastMM中的FVA和敲除分析的多线程是使用Matlab并行计算工具箱开发的，用户可以在每个FastMM Matlab接口中定义CPU的数量；(4)“one-command”协议的开发。为了确保那些对代谢建模了解比较少的用户可以便捷地使用FastMM，研究者开发了一个“one-command”协议，该协议首先利用基因(或蛋白)表达信息，通过Fastcore方法或mCADRE重建组织特异性代谢模型。然后，利用预编译的FastMM核心模块进行FVA和敲除分析。唯一的输入是基因表达矩阵，所有结果都存储在中./out子目录。
FastMM的特点
FastMM支持3个LP求解器(GLPK，Gurobi和Cplex)，并且包含核心模块层和Matlab接口层。FastMM的核心模块层是用C/C++编写的，几乎可以在所有平台(Windows、Mac OS和Linux)上编译和运行。FastMM使用很小的内存，可以在不同类型的计算机上运行(如PC、服务器和超级计算机)。Matlab接口层的函数是对输入数据集进行标准化，调用核心模块层的可执行文件，执行多线程并生成输出。总的来说，所有的耗时程序都是用C/C++编写的，这使得FastMM变得高效。相反，其他程序，包括多线程、模型重建、数据集标准化和输入/输出生成，都是用Matlab/Octave封装和编写的，使的FastMM与COBRA 3.0兼容，对用户十分友好。
FastMM的高效性
为了验证FastMM的高效性，研究者应用FastMM和COBRA 3.0来分析一致的通用人类代谢模型Recon 2.03，结果表明，FastMM比COBRA 3.0快2~400倍(见表)。研究者对还将FastMM与FVA和敲除分析的最新应用程序进行了比较，包括Cobrapy，fastFVA，SL-finder和Fast-SL。对于通量可变性分析，FastMM略快于Cobrapy和FastFVA。对于敲除分析，FastMM比包括Cobrapy和Fast-SL要快得多。对于MCMC采样，FastMM比COBRA 3.0快8倍。
基于代谢产物类似物来设计新药是药物设计的热点，代谢产物类似物能竞争性结合酶活性位点，从而抑制相应的反应。FastMM提供了一种有效的方案来寻找候选代谢产物类似物，而其他工具箱则不能。对于FastMM的灵活性，用户不仅可以定义一个或多个目标函数，还可以定义其他约束，例如，用户可以使用singleGeneKO来找出哪个基因敲除会改变分泌代谢物的状态。
FastMM的便捷使用
FastMM可以通过“one-command”模式实现，运行FastMM的唯一要求是参数文件，此文件定义以下信息：①基因表达矩阵文件的路径，②目标函数文件的路径，③基因表达的阈值，④用于执行代谢建模的CPU数量。定义完这些参数后，用户只需在Matlab/Octave中键入一条命令即可：>>FastMM，然后将执行所有代谢建模，包括FVA、基因敲除分析和MCMC模拟，结果将存储在“./out”子目录中。
FastMM的示例和高级用法
由于FastMM非常高效且用户友好，现在可以在大规模疾病研究中进行个性化的全基因组代谢建模。作为例子，将其应用于TCGA中的528例肺癌样本(正常58例，肺癌470例)，以分析个体癌症代谢谱。简单来说，这些可以通过以下五个步骤来执行(见图)：
(1)模型重建。许多方法可以用来重建组织特异性代谢模型(如MBA和FastCore)。在此使用FastCore，因为它在计算耗时和准确性之间取得了平衡，并使用了FastMM matlab函数“ reconstruction_by_fastcore.m”，获得了528个单独的TCGA肺癌模型。从结果来看，RESM>75的基因数量与Ramskold的结果是一致的，其实现模型重建的命令是：>>rxnsmatrix= reconstruction_by_fastcore(consmodel,expr,75)。其中，Matlab的输入是一致cobra模型(-consistent recon 2)、基因表达矩阵和基因表达阈值，输出的是用二进制格式m × n矩阵构建的模型，m是一致输入cobra模型中的反应数，n是样本数(本例中n= 528)。
(2)全基因组单、双基因敲除分析，以确定单个致死基因和协同致死基因。由于程序“doubleGeneKO”既包含单基因敲除结果，也包含双基因敲除结果，因此可以使用8线程通过以下Matlab接口函数来实现单、双基因敲除分析：>> GeneKOout = FastMM_doubleGeneKO_multi(consmodel, rxnsmatrix, 8)。结果表明，在528例TCGA样本中，GUK1缺失在93%的正常人中是致命的，而在71%的肺癌中不是致命的(注：GUK1是许多癌症化疗药物的靶点)。
(3)大规模FVA以推断癌症特异性分泌代谢物，这有助于理解肿瘤环境、机制和基于环境的药物设计。在FastMM中，可以通过以下命令执行多线程通量可变性分析：
>>[fluxmin,fluxmax] = FastMM_FVA_multi(consmodel,rxnsmatrix,8)。结果表明，肺癌肿瘤中特异性分泌了16种代谢物。
(4)全基因组基因敲除分析，以确定影响癌细胞分泌的基因。在确定了癌症特异性分泌代谢物后，我们需要知道哪些基因会影响这些代谢物的分泌，这个过程可以通过敲除分析来执行，该分析的目标函数由用户自定义。以下是Matlab接口函数：>>Out = FastMM_singleGeneKO_multi(consmodel,
rxnsmatrix,8,-f ‘secret_rxns.txt’)，其中“secret_rxns.txt”是用户定义的目标函数文件。结果表明，97个基因只在肿瘤样本中对代谢产物的分泌起重要作用，敲除这些基因，如SLC35D1和UGCG，不会直接影响癌细胞的生长，但会改变癌细胞的微环境。
(5)全基因组单、双代谢物敲除分析，预测致死和协同致死代谢物。确定哪种代谢物对肿瘤生长是必要的且不影响正常细胞，可以提供新的抗癌代谢物靶点。该过程可以通过代谢敲除分析来执行。使用FastMM，只需在Matlab中键入一个命令：>>metout = FastMM_doubleMetKO_multi(model,rxnsmatrix,
8)。结果表明，在93％的对照中，AMP和5-PRPP对具有协同致死作用，而这种作用在肿瘤中只占29％，表明大多数肿瘤样本(71％)中都激活了其他代谢途径。
综上所述，有分析意向（http://gaptechsxr.mikecrm.com/1vdMmqy）生信人WX公众号 FastMM可作为大规模疾病研究中代谢建模的有效工具箱，通过对疾病研究中成百上千的样本进行个性化的代谢建模，能够将基因和代谢物的个性化靶点识别为生物标志物的新候选对象。
代谢建模无需愁，高效工具解君忧
文献：FastMM: an efficient toolbox for personalized constraint-based metabolic modeling