Projekte Systembiologie Mikrobieller Gemeinschaften

Genotyp-zu-Phänotyp-Karten in Bakterien

Frühere Arbeiten aus dem Labor haben die Möglichkeit gezeigt, den Einfluss genetischer Varianten auf den Phänotyp des Modellbakteriums E. coli abzuleiten. Bei diesen sogenannten Genotyp-zu-Phänotyp-Modellen besteht noch erheblicher Verbesserungsbedarf: Varianten können beispielsweise Genregulationsprozesse wie die Transkription beeinflussen, die wiederum beobachtbare Phänotypen wie Antibiotikaresistenzen beeinflussen. Wir sind daher daran interessiert, Modelle für den Einfluss genetischer Varianten auf die Genregulation zu entwickeln und wie diese letztendlich Wachstumsphänotypen beeinflussen. Dieses Ziel erreichen wir, indem wir zuvor generierte Daten sammeln und das Transkriptom einer Sammlung natürlicher E. coli-Isolate messen. Wir verwenden eine Kombination von Assoziationen und mechanistischen Modellen, um ein allgemeines Vorhersagemodell für den Einfluss genetischer Varianten auf die Transkription zu entwickeln und zu testen.

Referenzen:
  • Galardini M, Koumoutsi A, Herrera-Dominguez L, Cordero Varela JA, Telzerow A, Wagih O, Wartel M, Clermont O, Denamur E, Typas A, Beltrao P (2017) Phenotype inference in an Escherichia coli strain panel. Elife 6
  • Lees JA, Galardini M, Bentley SD, Weiser JN, Corander J (2018) pyseer: a comprehensive tool for microbial pangenome-wide association studies. Bioinformatics 34(24): 4310-4312.
  • Galardini M, Clermont O, Baron A, Busby B, Dion S, Schubert S, Beltrao P, Denamur E (2020) Major role of iron uptake systems in the intrinsic extra-intestinal virulence of the genus Escherichia revealed by a genome-wide association study. PLoS Genet 16(10): e1009065.
     

Prüfung des Einflusses genetischer Hintergründe auf Antibiotikaresistenzen

Populationsgenetische Studien haben zunehmend den Einfluss des genetischen Hintergrunds auf die Fitnesseffekte von Mutationen gezeigt, was darauf hindeutet, dass unterschiedliche Anpassungswege bei Stämmen derselben Art zugänglich sein könnten. Diese große genetische Variabilität zwischen den Stämmen beeinflusst wahrscheinlich die Fähigkeit, mehr oder weniger leicht eine antimikrobielle Resistenz (AMR) zu entwickeln. Darüber hinaus ist bekannt, dass die Interaktion zwischen genetischen Varianten (d. h. epistatische Effekte) die Anpassung beeinflusst, was zu einer „robusten“ Fitnesslandschaft führt, die für jeden genetischen Hintergrund sehr spezifisch ist. Infolgedessen sind bestimmte Anpassungspfade für einen Stamm möglicherweise nicht zugänglich, während andere bevorzugt werden. Wir verwenden Automated Laboratory Evolution (ALE) bei natürlichen E. coli-Isolaten, um die Interaktion zwischen genetischen Hintergründen und der Evolution von AMR zu verstehen.

Referenzen:
  • Galardini M, Busby BP, Vieitez C, Dunham AS, Typas A, Beltrao P (2019) The impact of the genetic background on gene deletion phenotypes in Saccharomyces cerevisiae. Mol Syst Biol 15(12): e8831.

Pangenomweite Vorhersage der Genfunktion

Das Aufkommen der Hochdurchsatzsequenzierung hat zu der Möglichkeit geführt, die Genomsequenz von Hunderten von Bakterienisolaten mit begrenzten Kosten zu erhalten. Heute wissen wir, dass sich bei Arten wie E. coli einzelne Stämme bis zu 60 % in ihrem Gengehalt unterscheiden. Diese Gene mit geringer Konservierung, auch akzessorische Gene genannt, tragen bekanntermaßen zum Überleben in spezialisierten Nischen bei; für viele von ihnen ist jedoch selbst eine breite funktionelle Charakterisierung nicht verfügbar, mit noch schlechteren Aussichten für Mitglieder des menschlichen Mikrobioms. Chemische Genomik-Ansätze können verwendet werden, um die Funktionen dieser Gene zu rekonstruieren, sind jedoch aus Kosten- und Arbeitsgründen auf einige Dutzend Arten beschränkt. Wir verwenden rechnergestützte Ansätze wie maschinelles Lernen, das auf der Fülle der verfügbaren Daten für Modellorganismen trainiert wurde, und verwenden aus Nukleotidsequenzen extrahierte Merkmale, um die aktuellen Methoden zur Funktionsvorhersage zu verbessern.