banner
Lar / Notícias / A segregação temporal dos processos biossintéticos é responsável pelas oscilações metabólicas durante o ciclo celular da levedura em brotamento
Notícias

A segregação temporal dos processos biossintéticos é responsável pelas oscilações metabólicas durante o ciclo celular da levedura em brotamento

Oct 18, 2023Oct 18, 2023

Nature Metabolism volume 5, páginas 294–313 (2023)Cite este artigo

7966 Acessos

2 citações

116 Altmétrico

Detalhes das métricas

Muitos mecanismos biológicos e bioquímicos celulares que controlam o processo fundamental de divisão celular eucariótica foram identificados; no entanto, a dinâmica temporal dos processos biossintéticos durante o ciclo de divisão celular ainda é indefinida. Aqui, mostramos que os principais processos biossintéticos são segregados temporalmente ao longo do ciclo celular. Usando leveduras em desenvolvimento como modelo e métodos unicelulares para medir dinamicamente a atividade metabólica, observamos dois picos na síntese protéica, na fase G1 e S/G2/M, enquanto a síntese de lipídios e polissacarídeos atinge o pico apenas uma vez, durante a fase S/G2. /M fase. Integrando as taxas biossintéticas inferidas em um modelo metabólico termodinâmico-estequiométrico, descobrimos que essa segregação temporal nos processos biossintéticos causa mudanças de fluxo no metabolismo primário, com uma aceleração do fluxo de captação de glicose em G1 e oscilações desfasadas nas trocas de oxigênio e dióxido de carbono. . Através da validação experimental das previsões do modelo, demonstramos que o metabolismo primário oscila com a periodicidade do ciclo celular para satisfazer as demandas variáveis ​​dos processos biossintéticos que exibem dinâmicas inesperadas durante o ciclo celular.

O crescimento e a divisão celular são processos biológicos fundamentais. Embora tenhamos um relato sólido dos mecanismos biológicos e bioquímicos celulares que controlam o ciclo de divisão celular, sabemos muito menos sobre a dinâmica temporal da biossíntese e do metabolismo primário que impulsionam o crescimento celular durante o ciclo celular. Embora se saiba que a biossíntese de DNA é temporalmente limitada dentro da fase S, a dinâmica de outros processos biossintéticos importantes, como a síntese de proteínas e lipídios, permanece obscura; os processos biossintéticos estão constantemente ativos durante todo o ciclo celular? Se as suas atividades mudam, as taxas dos diferentes processos biossintéticos alteram-se da mesma maneira? Esse conhecimento é essencial para descobrir os mecanismos por trás da regulação do crescimento celular, cujos defeitos estão associados a doenças1,2.

Atualmente, considera-se que a síntese protéica aumenta com taxa exponencial ou constante ao longo do ciclo celular da levedura, conforme determinado por estudos em nível populacional com marcação radioativa3,4,5 e análises unicelulares6,7. Recentemente, no entanto, descobrimos que a taxa de produção de proteína fluorescente verde (GFP) controlada pelo promotor endógeno TEF1 atinge o pico em G1 (ref. 8), sugerindo que a atividade biossintética da proteína poderia realmente ser não monotônica durante o ciclo celular. Este achado seria consistente com um pico observado de abundância de proteínas ribossômicas em G1 (ref. 9), embora outros não tenham encontrado tal dinâmica. Da mesma forma, a expressão de genes associados à biogênese e tradução do ribossomo também foi observada com pico em G1 (refs. 10,11); no entanto, estudos de sequenciação de RNA unicelular (RNA-seq) relataram apenas um pequeno aumento de mRNA da proteína ribossômica em G1 (ref. 12) ou nenhuma diferença notável ao longo do ciclo celular . Quanto a outras classes de macromoléculas, como lipídios e ácidos nucleicos, também foi sugerido que sua biossíntese acelera durante certas fases do ciclo celular, de acordo com estudos multiômicos recentes9,10. No entanto, as abundâncias moleculares medidas nestes estudos fornecem apenas evidências indiretas das taxas biossintéticas reais. Assim, a dinâmica temporal das atividades biossintéticas durante o ciclo celular ainda é em grande parte ilusória. Responder a esta questão provavelmente exigirá a medição das taxas de uma forma dinâmica e resolvida ao longo do ciclo celular, o que até agora representa enormes desafios técnicos.

Aqui, usando levedura em desenvolvimento como modelo e empregando microscopia dinâmica de fluorescência unicelular com um novo método de parar e responder, descobrimos que as atividades da biossíntese de proteínas, lipídios e polissacarídeos não são exponenciais nem constantes durante o ciclo celular. Especificamente, descobrimos que a biossíntese de proteínas exibe duas ondas de atividade por ciclo celular, enquanto as atividades da biossíntese de lipídios e polissacarídeos são baixas durante a primeira onda de biossíntese de proteínas em G1, mas altas durante a segunda onda em S/G2/M. Convertemos os padrões descobertos de atividades biossintéticas em unidades absolutas através de um modelo matemático de dinâmica de massa celular, integrando-os em um modelo metabólico termodinâmico-estequiométrico e, assim, inferimos a dinâmica do ciclo celular dos fluxos metabólicos primários. Como pudemos validar experimentalmente as mudanças inferidas no fluxo metabólico, isso forneceu evidências adicionais para os padrões dinâmicos descobertos das atividades biossintéticas e também nos permitiu concluir que a segregação temporal nos processos biossintéticos deve ser responsável pelas oscilações em escala horária no metabolismo primário. . Nosso trabalho mostra que o crescimento celular durante o ciclo celular é um agregado de processos biossintéticos e metabólicos primários segregados temporalmente, o que fornece insights fundamentais sobre os fundamentos da fisiologia celular.

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>