Machine Translated by Google

Engqvist BMC Mikrobiologi (2018) 18:177

https://doi.org/10.1186/s12866-018-1320-7

ARTIKEL PENELITIAN Akses terbuka

Menghubungkan anotasi enzim dengan

sejumlah besar suhu pertumbuhan mikroba
mengungkapkan adaptasi metabolik terhadap
pertumbuhan pada suhu yang beragam
Martin KM Engqvist

Abstrak
Latar Belakang: Suhu lingkungan dari semua habitat adalah sifat fisik utama yang membentuk biologi mikroba yang
menghuninya. Oleh karena itu, suhu pertumbuhan optimal (OGT) mikroba merupakan bagian penting dari data yang
diperlukan untuk memahami adaptasi evolusioner yang dimanifestasikan dalam urutan genom mereka. Sayangnya tidak
ada database suhu pertumbuhan atau dataset yang mudah diunduh yang mencakup sebagian besar mikroorganisme yang
dikultur. Dengan demikian kami terbatas dalam menafsirkan data genom untuk mengidentifikasi adaptasi suhu pada mikroba.
Hasil: Dalam karya ini saya berkontribusi secara signifikan untuk menutup celah ini dengan menambang data dari pusat
pengumpulan kultur utama untuk mendapatkan data suhu pertumbuhan untuk kumpulan 21.498 mikroba yang tidak berlebihan.
Kumpulan data (https://doi.org/10.5281/zenodo.1175608 ) mengandung terutama bakteri dan archaea dan mencakup
psychrophiles, mesophiles, thermophiles dan hyperthermophiles. Dengan menggunakan data ini, 43% penuh dari semua entri
protein dalam basis data UniProt dapat dianotasi dengan suhu pertumbuhan spesies dari mana mereka berasal. Saya
memvalidasi dataset dengan menunjukkan korelasi Pearson hingga 0,89 antara suhu pertumbuhan dan rata-rata enzim optima,
sifat fisiologis yang secara langsung dipengaruhi oleh suhu pertumbuhan. Menggunakan dataset suhu saya mengkorelasikan
kejadian genom anotasi fungsional enzim dengan suhu pertumbuhan. Saya mengidentifikasi 319 fungsi enzim yang meningkat
atau menurun seiring dengan suhu. Delapan jalur metabolisme secara statistik diperkaya untuk fungsi enzim ini. Selanjutnya,
saya membangun korelasi antara 33 domain fungsi yang tidak diketahui (DUFs) dengan suhu pertumbuhan mikroba, empat di
antaranya (DUF438, DUF1524, DUF1957 dan DUF3458_C) signifikan pada archaea dan bakteri.

Kesimpulan: Dataset suhu pertumbuhan memungkinkan analisis korelasi skala besar dengan fungsi enzim dan anotasi
tingkat domain. Perubahan yang bergantung pada suhu pertumbuhan dalam kemunculannya menyoroti potensi adaptasi
evolusioner. Beberapa perubahan yang diidentifikasi sebelumnya diketahui, seperti preferensi untuk biosintesis menaquinone
melalui jalur futalosin pada bakteri yang tumbuh pada suhu tinggi. Lainnya mewakili titik awal yang penting untuk studi masa
depan, seperti DUF di mana kemunculannya berubah dengan suhu. Dataset suhu pertumbuhan harus menjadi sumber daya
komunitas yang berharga dan akan menemukan kegunaan tambahan, penting, dalam menghubungkan sifat genomik,
transkriptomik, proteomik, metabolomik, fenotipik atau taksonomi dengan suhu dalam penelitian mendatang.

Kata kunci: Suhu pertumbuhan optimal, Fungsi enzim, Adaptasi suhu metabolisme, Metabolisme Archaeal dan bakteri,
Domain protein yang belum diketahui fungsinya

Korespondensi: martin.engqvist@chalmers.se
Departemen Biologi dan Teknik Biologi, Universitas Teknologi
Chalmers, Gothenburg, Swedia

© Penulis. Akses Terbuka 2018 Artikel ini didistribusikan di bawah ketentuan Lisensi Internasional Creative Commons
Attribution 4.0 (http://creativecommons.org/licenses/by/4.0/), yang mengizinkan penggunaan, distribusi, dan reproduksi
tanpa batas dalam media apa pun, asalkan Anda memberikan kredit yang sesuai kepada penulis asli dan sumbernya,
memberikan tautan ke lisensi Creative Commons, dan menunjukkan jika ada perubahan. Pengabaian Dedikasi Domain Publik
Creative Commons (http://creativecommons.org/publicdomain/zero/1.0/) berlaku untuk data yang disediakan dalam artikel ini, kecuali dinyatakan lain.
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
Latar belakang
Fisiologi dan adaptasi evolusioner makhluk hidup
organisme dibentuk oleh faktor lingkungan yang
menentukan habitat di mana mereka tinggal, tetapi ketersediaan
metadata yang menggambarkan lingkungan setiap habitat adalah
terbatas. Ini berlaku untuk sifat-sifat seperti pertumbuhan
suhu, pH, salinitas dan banyak lagi. Beberapa proyek yang
menangani aspek keterbatasan ini telah dipublikasikan dalam
beberapa tahun terakhir. Yang paling komprehensif dari ini
adalah BacDive [1, 2] yang dibuat dengan mendigitalkan dan
menambang catatan analog yang berisi metadata mikroba
[3]. Sumber daya lainnya termasuk MediaDB, yang menawarkan
database yang dikuratori dengan tangan untuk kondisi pertumbuhan mikroba
[4] dan KOMODO yang memasok komposisi media
untuk ribuan organisme [5]. Catatan tentang
toleransi fenotipik dan lingkungan selama lebih dari 5.000
spesies juga telah tersedia [6]. Satu pendekatan baru-baru ini
memanfaatkan penambangan teks untuk menyimpulkan sejumlah besarseperti pada kolisis gli tradisional [25, 26]. Bahkan dalam taksonomi
ciri-ciri fenotipik dari literatur ilmiah dan
World Wide Web [7].
Di antara faktor lingkungan, suhu adalah unik
dalam hal itu melintasi hambatan fisik. Akibatnya, organisme
tidak dapat secara efisien melindungi diri dari suhu di
cara mereka melindungi diri dari pH atau salinitas eksternal yang
ekstrem dengan mempertahankan konsentrasi yang curam
gradien di atas membran biologis. Sebaliknya, setiap molekul bio
di dalam mikroorganisme harus disesuaikan dengan
suhu di mana mereka tumbuh. Hal ini membuat protein
dan metabolit dari mikroba yang tumbuh pada suhu panas sangat
menarik untuk aplikasi bioteknologi dan industri [8]. Organisme
dapat secara umum
dikategorikan berdasarkan kisaran suhu pertumbuhan optimal
mereka. Tidak ada konsensus yang dicapai mengenai
kisaran suhu yang tepat dari setiap kategori, di sini saya
gunakan yang berikut ini: psikrofil (<15 °C),
mesofil (15–50 °C), termofil (50–80 °C) dan
hipertermofil (>80 °C).
Berbagai adaptasi spesifik terhadap suhu tinggi
diketahui, dengan banyak penelitian yang berfokus pada karakteristik
genom termofilik atau molekul seperti protein
dan lipid [9, 10]. Stabilitas protein termofilik dikaitkan dengan inti
hidrofobiknya, peningkatan jumlah
residu bermuatan dan ikatan disulfida [9, 11, 12].
Membran sel pada thermophiles dicirikan oleh:
penghalang permeabilitas tinggi dan kapasitas untuk
mempertahankan fase kristal cair, karena adanya lemak jenuh
asam pada bakteri, dan lipid eter di archaea [13]. Adaptasi pada
tingkat DNA juga diketahui. Sebagai contoh,
genom thermophiles umumnya lebih kecil dari
orang-orang dari mesophiles, dengan pengurangan jumlah
beberapa anggota keluarga protein [14-16]. Transfer gen horizontal adalah
dengan melakukan analisis metagenomik lingkungan
dianggap sebagai kekuatan pendorong penting untuk termofilik
adaptasi. Misalnya, girase terbalik, yang
terbukti memiliki aktivitas pendamping DNA pelindung panas
Halaman 2 dari 14
[17], dianggap dipindahkan dari archaea ke bac teria [18, 19].
Metabolisme sangat bervariasi di antara termofil dan
kecenderungan umum sulit untuk dibedakan karena sangat sulit
untuk membedakan antara efek spesiasi versus penyesuaian
terhadap lingkungan ekstrem. Sebagai contoh,
Tiga jalur glikolitik utama digunakan oleh bakteri dalam
umum: glikolisis Embden-Meyerhof (EM) tradisional, jalur Entner-
Doudoroff, dan pentosa
jalur fosfat; ketiganya juga dapat ditemukan pada bakteri termofilik
yang berbeda [20-23]. Di archaea, bagaimanapun,
hanya varian modifikasi dari degradasi gula klasik
jalur diidentifikasi [23, 24]. Misalnya, Pyrococ cus furiosus
mengandung variasi nontradisional EM
glikolisis, di mana kinase yang bergantung pada ADP terlibat
dan gliseraldehida-3-fosfat diubah langsung menjadi
3-fosfogliserat, tanpa zat antara 1,3-bifo sfogliserat termolabil
yang sama
domain, set jalur yang digunakan dapat bervariasi. Analisis fluks dari
tiga bakteri yang sangat termofilik menunjukkan bahwa
metabolisme termofil yang dipelajari sangat tinggi
berbeda, dengan perbedaan dalam jalur seperti asam amino
atau metabolisme NADPH [27]. Namun, komunalitas adalah
bahwa ketiga strain sangat bergantung pada glikolisis dan
siklus TCA. Studi tentang Thermus thermophilus, mungkin
thermophile yang paling banyak dipelajari, mengungkapkan alternatif
jalur sintesis asam amino, dengan lisin disintesis oleh jalur alfa-
aminoadipat bukannya jalur dia minopimelat [28] dan homosistein
diproduksi
dari prekursor alternatif, O-asetil-L-homoserin
[29]. T. thermophilus juga dikenal menghasilkan berbagai
poliamina, yang paling umum, spermidine dan
spermine, disintesis menggunakan jalur yang berbeda dari
L-arginin melalui aminopropil agmatine [30]. Analisis dari
genom termofilik lengkap adalah metode yang banyak digunakan
menemukan kedua jalur metabolisme baru, serta enzim potensi
penggunaan bioteknologi [31-33]. Jalur alternatif sintesis
menaquinone (MK) adalah
ditemukan ketika tidak ada gen dari jalur klasik
ditemukan dalam genom beberapa organisme mikro penghasil MK
[34]. Gen yang terlibat dalam sintesis MK baru
jalur hadir dalam berbagai mikroorganisme termofilik, yang mungkin
memainkan peran dalam adaptasi terhadap pertumbuhan
pada suhu tinggi, sebagai salah satu zat antara dalam
jalur klasik, isochorismate, dikenal termo labil [35].
Beberapa penelitian menghindari keterbatasan yang terkait dengan
membandingkan sejumlah kecil spesies termofilik versus mesofilik,
sehingga mengidentifikasi tren yang lebih umum,
sampel dari habitat ekstrim [36, 37]. Sebuah studi yang
membandingkan metagenom yang diperoleh dari gurun yang dingin dan panas
menemukan thermophiles yang memiliki jumlah gen yang lebih tinggi
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 3 dari 14

terlibat dalam metabolisme dan transportasi karbohidrat Hasil

dan metabolit sekunder [38]. Hasil serupa adalah
ditemukan dalam penelitian lain tentang metagenom dari sumber air panas
di India, di mana banyak jalur KEGG [39, 40]
diselidiki [41, 42].
Dalam karya ini saya menyelidiki tren metabolisme dalam beradaptasi
untuk termofilisitas dengan membandingkan keberadaan enzim
metabolisme selama ribuan organisme, tumbuh pada berbagai suhu.
Saya mengidentifikasi 319 individu
reaksi enzimatik yang lebih disukai hadir pada suhu rendah atau
tinggi, yang menunjukkan adaptasi metabolik. Saya mengidentifikasi
delapan jalur yaitu
berlebihan dalam perubahan metabolisme. Ini mungkin merupakan
bagian dari metabolisme yang sangat penting untuk adaptasi
terhadap pertumbuhan di tempat yang berbeda
suhu. Akhirnya, saya menunjukkan bahwa 33 domain protein dari
fungsi yang tidak diketahui (DUF) juga berkorelasi dengan pertumbuhan
suhu, hasil yang dapat memberikan petunjuk penting
untuk fungsi mereka. Mengaktifkan pendekatan ini adalah hal yang unik
kumpulan data 21.498 organisme dengan suhu pertumbuhannya,
yang saya peroleh melalui penambangan data publik
protokol kultur organisme yang tersedia dari pusat pengumpulan
kultur utama. Saya membuat data ini tersedia untuk memungkinkan
peneliti mendapatkan wawasan tambahan tentang
adaptasi evolusioner yang bergantung pada suhu.
Situs web pusat pengumpulan budaya adalah sumber yang kaya untuk
data suhu pertumbuhan
Hipotesis yang mendasari proyek ini adalah bahwa, mengingat
set data yang cukup besar dengan suhu pertumbuhan organisme,
korelasi yang berarti antara suhu pertumbuhan dan adaptasi biologis
dapat dibuat. saya beralasan
bahwa protokol budidaya yang tersedia untuk umum dari
mikroorganisme di pusat pengumpulan stok utama dapat membentuk
sumber daya yang dapat ditambang untuk pertumbuhan tersebut
suhu. Perangkat lunak khusus dengan Python (http://
www.python.org) dirancang untuk secara sistematis mengunduh
semua halaman web publik yang berisi organisme dalam formasi
dari empat pusat pengumpulan stok: ATCC
(http://www.lgcstandards-atcc.org), DSMZ (http://
www.dsmz.de), NCTC (http://www.phe-culturecollec tions.org.uk)
dan NIES (http://www.shigen.nig.ac.jp).
Masing-masing halaman ini kemudian ditambang untuk organisme
nama dan suhu pertumbuhan (Gbr. 1a). Stok kelima
pusat, koleksi saham Institut Pasteur (http://
www.research.pasteur.fr/en/team/biological-resources--
tengah/) menyediakan tabel excel dengan nama organisme
dan suhu pertumbuhan berdasarkan permintaan. Akhirnya, organisme
suhu pertumbuhan dari database BacDive [1, 2]
dikumpulkan menggunakan skrip yang berinteraksi dengan publik

sebuah b

Gbr. 1 Pusat pengumpulan kultur mewakili sumber yang kaya untuk data suhu pertumbuhan. a Skema ikhtisar yang menunjukkan bagaimana pertumbuhan
dataset suhu diperoleh. b Perbandingan basis data yang menunjukkan jumlah organisme unik terbesar yang tidak ada di
yang lain. Total sumber daya menunjukkan jumlah total organisme di setiap basis data, unik untuk sumber daya menunjukkan berapa banyak organisme di dalamnya
database yang unik. c Sebuah plot biola yang menunjukkan distribusi pertumbuhan suhu pertumbuhan dalam dataset untuk masing-masing dari tiga domain
kehidupan. Titik putih mewakili median. Bilah hitam lebar mewakili kuartil atas dan bawah, yang berisi 50% titik data.
Garis hitam tipis mewakili nilai yang berdekatan atas dan bawah. Bentuk plot luar adalah plot kepadatan kernel yang memvisualisasikan probabilitas
distribusi data
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
API. Prosedur ini menghasilkan lebih dari 160.000 catatan,
banyak di antaranya adalah deposisi terpisah untuk hal yang sama
jenis. Penting untuk dicatat bahwa catatan ini berlaku
suhu yang dilaporkan oleh sejumlah besar peneliti individu untuk
kultur organisme dalam berbagai
kondisi pertumbuhan. Dalam beberapa kasus mereka akan mewakili benar
suhu pertumbuhan yang optimal, di lain mereka mungkin hanya
mewakili suhu di mana organisme berada
ditumbuhkan oleh peneliti itu, tanpa optimal yang sebenarnya
telah ditentukan.
Nama-nama organisme diciutkan ke tingkat spesies
(mengabaikan penunjukan regangan) dan suhu pertumbuhan
dalam setiap spesies dirata-ratakan. Prosedur ini adalah
dilakukan untuk memfasilitasi pemetaan taksonomi hilir
dan perbandingan lintas-basis data (lihat di bawah). Pendekatan
ini dibenarkan karena suhu pertumbuhan 99,7% dari
semua strain dalam dataset kurang dari 10 °C dari
rata-rata spesies yang dihitung dan 96,4% kurang dari 5 °C
(Berkas tambahan 1: Gambar S1). Jumlah organisme
di masing-masing database dibandingkan (Gbr. 1b). Jumlah
dari 21.498 nama organisme unik yang digabungkan dengan
suhu pertumbuhan diperoleh. ATCC dan BacDive
memiliki jumlah organisme unik terbesar yang
tidak ada di database lain, dengan 6.852 dan 2.211
masing-masing. Secara berurutan, DSMZ, NCTC, NIES dan Pasteur
memiliki 854, 44, 749 dan 415 organisme yang unik
ada di masing-masing database.
Setiap nama organisme dalam dataset dipetakan ke a
pengenal taksonomi menggunakan sumber daya taksonomi NBCI
(https://www.ncbi.nlm.nih.gov/taxonomy). Data
dari semua database digabungkan menjadi satu
kumpulan data non-redundan, yang disebut sebagai
kumpulan data suhu pertumbuhan. Sebagian besar organisme
dalam dataset (62%) terdiri dari bakteri (Gbr. 1c).
Sebagian besar adalah psikrofil dan mesofil. Hanya
sejumlah kecil adalah termofil. Archaea membentuk 36%
dari semua organisme dalam kumpulan data, dengan distribusi
yang lebih merata antara mesofil, termofil, dan
hipertermofil. Eukariota, terutama terdiri dari jamur
dan protista, hanya 2% dari kumpulan data dan mencakup psikrofil
dan mesofil. Secara umum
kumpulan data berisi lebih banyak psikrofil dan meso fil daripada
termofil dan hipertermofil (Gbr. 1).
1c). Dataset suhu pertumbuhan tersedia
untuk digunakan kembali oleh peneliti lain sebagai file tab-delimited sebagai
serta dalam format xml di Zenodo (https://zenodo.org/
; doi: https://doi.org/10.5281/zenodo.1175609).
Suhu pertumbuhan berkorelasi kuat dengan mean
enzim optimal
Dataset suhu pertumbuhan divalidasi dengan menyelidiki korelasi
antara suhu pertumbuhan
setiap organisme dan suhu optimum enzim dari organisme
tersebut. Untuk validasi ini semua
Halaman 4 dari 14
suhu enzim yang ditentukan secara eksperimental
diekstraksi dari database enzim BRENDA [43]
(https://www.brenda-enzymes.org). Data yang dihasilkan
mengandung suhu yang ditentukan secara eksperimental sebesar
aktivitas enzimatik maksimal ("Suhu"
kategori data optimum” dalam BRENDA) untuk 31.826 enzim,
bersumber dari 3.421 organisme. Dataset ini disebut sebagai
dataset suhu enzim. Secara keseluruhan
distribusi suhu pertumbuhan (Gbr. 2a) berbeda dibandingkan
dengan distribusi suhu enzim secara keseluruhan
optima (Gbr. 2b). Mayoritas (88%) suhu pertumbuhan berada
pada kisaran antara 20 °C dan 40 °C, dengan
penurunan mendadak dalam jumlah organisme yang tumbuh
pada suhu di atas 40 °C. Sebagai perbandingan, sebagian besar
optimal suhu enzim juga berada dalam kisaran antara
20 °C dan 40 °C (64%), tetapi distribusinya menurun
jauh lebih drastis di atas kisaran suhu ini.
Untuk dapat mengkorelasikan suhu pertumbuhan dengan en
zyme optima, organisme yang ada di kedua set data adalah
diidentifikasi (Gbr. 2c). Dari 21.498 organisme dengan pertumbuhan
suhu dan 3.421 organisme dengan enzim
suhu optimal hanya 1.811 yang hadir di keduanya
kumpulan data. Dari ini ditentukan secara eksperimental
suhu optimal untuk 18.135 enzim yang tersedia.
Skor jarak sederhana dihitung dengan mengurangkan
suhu pertumbuhan masing-masing organisme dari masing-masing
individu enzim suhu optimum (Gbr. 2d). Enzim
dengan optima tepat pada suhu pertumbuhan memiliki
skor jarak 0 °C. Mereka yang memiliki optimal
lebih tinggi dari suhu pertumbuhan memiliki skor jarak positif,
dengan besaran yang sama dengan suhu
perbedaan. Enzim dengan nilai optimum lebih rendah dari
suhu pertumbuhan memiliki skor jarak negatif. Enzim dengan
optima antara 20 dan 100 °C bisa jadi
ditemukan di seluruh kisaran suhu pertumbuhan,
menunjukkan bahwa tidak semua enzim cocok dengan organisme
suhu pertumbuhan (Gbr. 2d). Meskipun penyimpangan ini
dari yang diharapkan, setengah (51%) dari pengukuran enzim
sebenarnya berada dalam ±10 °C dari pertumbuhan
suhu dan 67% berada dalam ± 15 ° C dari pertumbuhan
suhu, menunjukkan bahwa suhu pertumbuhan mungkin
indikator yang baik untuk sebagian besar enzim optima.
Korelasi ini diselidiki lebih lanjut dengan membandingkan
suhu pertumbuhan masing-masing organisme dengan rata-rata
en zyme optima dihitung dengan peningkatan jumlah
enzim rata-rata dari organisme itu, mulai dari 1
sampai 100 (Gbr. 2e). Ada kecenderungan yang jelas untuk hubungan
korelasi yang lebih kuat antara pertumbuhan dan suhu enzim ketika
meningkatkan jumlah enzim rata-rata. Hasil ini
menunjukkan bahwa satu enzim yang dipilih secara acak (n = 1) adalah
prediktor yang tidak tepat dari suhu pertumbuhan dengan
Korelasi Pearson sebesar 0,48. (Gbr. 2e, lingkaran paling bawah).
Namun, rata-rata optimum dari setidaknya lima enzim
tidak menampilkan koefisien korelasi Pearson lebih besar
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 5 dari 14

sebuah c

e f

Gbr. 2 Suhu pertumbuhan berkorelasi kuat dengan rata-rata enzim optima. a Distribusi suhu pertumbuhan untuk semua organisme dalam dataset
suhu pertumbuhan. b Distribusi optima yang ditentukan secara eksperimental untuk 31.826 enzim yang diperoleh dari database BRENDA. c Diagram
Venn yang menunjukkan jumlah organisme yang ada di setiap set data suhu pertumbuhan, dataset suhu enzim, serta jumlah organisme yang ada
di keduanya. d Jarak skor suhu optimum enzim individu dengan suhu pertumbuhan. Garis abu-abu horizontal menunjukkan kesepakatan yang
sempurna antara dua nilai. Dua garis putus-putus diagonal menunjukkan optimum suhu enzim mutlak 0 °C dan 100 °C. Warna menunjukkan
kerapatan titik dengan warna yang lebih cerah dan lebih hijau menunjukkan kerapatan yang lebih tinggi. e Sebuah plot sensitivitas menunjukkan
koefisien korelasi Pearson antara suhu optimum enzim dan suhu pertumbuhan. Setiap titik data mewakili koefisien korelasi yang diperoleh antara
suhu optimum rata-rata dari n sampel enzim dalam rentang 1 < = n < = 100 dan suhu pertumbuhan. Rata-rata lima enzim atau lebih mencapai koefisien
korelasi di atas 0,75. f Sebuah scatterplot yang membandingkan suhu pertumbuhan organisme dengan lebih dari lima suhu optimal enzim yang
dilaporkan dengan suhu optimum rata-rata semua enzim yang dilaporkan untuk organisme itu. Garis abu-abu diagonal menunjukkan korelasi positif
sempurna. Garis hitam tebal mewakili regresi polinomial berbobot lokal. Koefisien korelasi Pearson diberikan
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
dari 0,75. Diharapkan katalitik yang optimal
suhu enzim mengikuti suhu pertumbuhan,
korelasi tinggi yang terlihat antara kedua variabel ini adalah
oleh karena itu validasi dataset suhu pertumbuhan.
Banyak fungsi enzim berkorelasi dengan suhu
Berbagai pertanyaan biologis mungkin diselidiki oleh:
mengkorelasikan sifat biologis dengan suhu pertumbuhan yang
dikumpulkan atau organisme. Ini bisa termasuk transkriptomik gen,
sifat proteomik, metabolomik,
omik, fenotipik atau taksonomi. Untuk menguji ide ini, saya
fungsi enzim yang berkorelasi, diklasifikasikan berdasarkan nomor
misi Enzyme Com (nomor EC), dengan suhu pertumbuhan dalam
upaya untuk mengidentifikasi ketergantungan suhu
adaptasi metabolik. Keterbatasan dalam pendekatan ini adalah
bahwa itu hanya berfokus pada fungsi enzim yang diketahui dan
yang baru tidak dapat diidentifikasi secara langsung. Anotasi yang
hilang serta anotasi yang salah juga menimbulkan gangguan di
analisis ini. Selain itu, penting untuk mempertimbangkan
bahwa keberadaan urutan pengkodean enzim dalam a
kumpulan data tidak berarti itu diekspresikan dan berfungsi dalam a
organisme yang diberikan.
Untuk mendapatkan satu set fungsi enzim untuk analisis semua 88.
6 juta catatan protein dari database UniProt [44]
(https://www.uniprot.org/) telah diunduh. Ini,
43% (38,3 juta) dapat dijelaskan dengan pertumbuhan
suhu organisme dari mana mereka berasal -
menggunakan dataset suhu pertumbuhan. nomor EC,
kemudian diperoleh untuk setiap kabel yang cocok, jika ada,
menggunakan alat pemetaan ID UniProt
(https://www.uniprot.org/uploadlists/). Hal ini mengakibatkan
pemetaan 3.551 nomor EC unik, yang kira-kira setengah dari yang
saat ini terdaftar di
database BRENDA. Untuk analisis selanjutnya, ote Eukary
dikeluarkan karena rentang pertumbuhannya yang terbatas
suhu dalam kumpulan data.
Dataset suhu pertumbuhan sangat miring
terhadap organisme yang tumbuh antara 20 °C dan 40 °C
(Gbr. 1c). Kemiringan data ini akan mengganggu
dengan analisis korelasi. Oleh karena itu, untuk setiap nomor EC
individu, rasio organisme yang memiliki
setidaknya satu protein yang membawa anotasi itu - versus
organisme yang tidak - dihitung untuk mendapatkan nilai tunggal
pada setiap suhu pertumbuhan. Ini
menghasilkan distribusi rasio di atas yang dianalisis
suhu untuk setiap nomor EC individu. Pemotongan ditetapkan,
termasuk dalam perhitungan hanya organisme dengan setidaknya
1.000 catatan protein, sebagai
ditentukan oleh plot sensitivitas (Gbr. 3a). Potongan ini
digunakan untuk menghilangkan kebisingan yang disebabkan oleh organisme dengan
sangat sedikit entri di UniProt. Proporsi protein yang dianotasi
sebagai enzim tetap kira-kira
konstan di seluruh suhu pertumbuhan di kedua archaea
dan bakteri (Gbr. 3b).
Halaman 6 dari 14
Dalam dataset suhu pertumbuhan terdapat lebih banyak bakteri
secara proporsional pada suhu pertumbuhan rendah dan
secara proporsional lebih archaea pada suhu pertumbuhan tinggi
(File tambahan 2: Gambar S2). Menghubungkan angka EC dan
suhu pertumbuhan untuk seluruh kumpulan data mungkin
karena itu soroti yang berbeda di antara keduanya
domain kehidupan, bukan yang mewakili sinyal yang benar untuk
adaptasi suhu. Bakteri dan archaea
karena itu dianalisis secara terpisah. Koefisien korelasi Spearman
antara suhu pertumbuhan dan
rasio kejadian enzim dihitung untuk setiap EC
nomor dan koreksi nilai-p yang diperoleh (Tambahan
file 3: Gambar S3). Kekhawatiran dalam analisis ini adalah bahwa
dapat menghasilkan positif palsu yang mewakili fungsi enzim yang
hanya ada pada organisme yang terkait erat dengan a
distribusi suhu pertumbuhan terbatas. Untuk menghapus
positif palsu seperti itu - dan pertahankan hanya yang mungkin
mewakili strategi umum adaptasi suhu - a
tahap penyaringan berdasarkan jarak filogenetik yang dilakukan.
Fungsi enzim dengan korelasi yang signifikan
(nilai p yang dikoreksi di bawah 0,01) dengan demikian disaring untuk
mempertahankan hanya mereka yang memiliki distribusi filogenetik
yang luas, yang ditunjukkan oleh skor jarak filogenetik setidaknya enam
(lihat Metode untuk detailnya).
Dari 3.551 nomor EC yang dipetakan total 319
nomor EC unik yang tersisa setelah penyaringan (total 340
contoh ketika menghitung nomor EC berulang),
sembilan menunjukkan korelasi positif yang signifikan secara statistik dalam
archaea dan 55 pada bakteri (Gbr. 3c dan d, panel atas;
File tambahan 5: significant_ec.tsv). Sebaliknya, 86 enzim dari
archaea menunjukkan korelasi negatif dengan
suhu dan 190 pada bakteri (Gbr. 3c dan d, bawah
panel; File tambahan 5: significant_ec.tsv). 14 nomor EC berulang
baik dalam dataset archaeal dan bakteri dengan
korelasi yang sama dan 7 angka EC menunjukkan kebalikannya
korelasi di archaea dibandingkan dengan bakteri. Bersama,
319 angka EC ini dapat menjelaskan penyesuaian adaptasi
metabolik yang penting untuk pertumbuhan di berbagai
suhu.
Jalur metabolisme tertentu diperkaya untuk
fungsi enzim yang berkorelasi
Untuk mengambil analisis satu langkah lebih jauh, saya menyelidiki
apakah ada bagian metabolisme yang diperkaya untuk fungsi
enzim yang diidentifikasi pada langkah sebelumnya. Pengayaan
tersebut akan melibatkan jalur metabolisme tertentu,
atau serangkaian jalur terkait, dalam proses beradaptasi dengan
suhu pertumbuhan yang berbeda. Fungsi enzim
dipetakan ke KEGG (http://www.genome.jp/kegg)
jalur dan tes hipergeometrik diterapkan untuk menguji
untuk pengayaan. Delapan dari 155 jalur KEGG adalah
secara statistik diperkaya untuk fungsi enzim. Ini
adalah: siklus TCA (KEGG jalur map00020), ubiquin satu dan
biosintesis terpenoid-kuinon lainnya (KEGG
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 7 dari 14

sebuah b

Gambar 3 Banyak fungsi enzim yang berhubungan dengan suhu. a Plot sensitivitas yang menunjukkan jumlah nomor EC yang signifikan (nilai p terkoreksi
< 0,01) diperoleh pada batas yang berbeda untuk jumlah minimum entri UniProt per organisme. Garis putus-putus abu-abu menunjukkan batas yang dipilih. b
Anotasi enzim sebagai bagian dari proteom. Setiap titik mewakili rata-rata untuk semua organisme yang tumbuh pada suhu tertentu. Itu
berarti untuk archaea dan bakteri dihitung secara terpisah. c Peta panas menunjukkan bagaimana terjadinya perubahan angka EC yang signifikan dengan
suhu pertumbuhan di archaea. Setiap baris mewakili nomor EC yang berbeda dan setiap kolom suhu pertumbuhan yang berbeda. Semua termasuk EC
angka-angka tersebut secara statistik berkorelasi (nilai p terkoreksi < 0,01) baik secara positif (merah) atau negatif (biru) dengan suhu pertumbuhan dan minimum
skor jarak filogenetik enam (lihat Metode untuk detailnya). Untuk setiap suhu pertumbuhan yang dilaporkan, rasio organisme yang mengandung masing-masing
anotasi EC spesifik ditunjukkan oleh intensitas warna. Abu-abu menunjukkan suhu di mana tidak ada suhu pertumbuhan yang tersedia di
Himpunan data. d Analisis dan skala warna seperti pada c, tetapi dilakukan dengan data dari bakteri. r menunjukkan koefisien korelasi Spearman

jalur map00130), metabolisme purin (jalur KEGG
map00230), metabolisme sistein dan metionin (KEGG
Pathway map00270), metabolisme piruvat (KEGG path way
map00620), satu kumpulan karbon oleh folat (KEGG path
way map00670), metabolisme metana (Jalur KEGG
map00680), dan jalur fiksasi karbon pada prokariota
(peta jalur KEGG00720).
Untuk menyoroti salah satu jalur ini sebagian dari
“ubiquinone dan biosintesis terpenoid-quinone lainnya
jalur” disajikan pada Gambar. 4a dengan data dari bakteri.
Jalur sintesis ubiquinone mengandung tiga enzim:
yang menunjukkan korelasi negatif dengan suhu pertumbuhan
(Gbr. 4b). Dua jalur metabolisme yang berbeda menyebabkan
sintesis menaquinone dari chorismate. Yang pertama, disebut
jalur futalosin, mengandung tiga enzim yang menunjukkan
korelasi positif dengan suhu (Gbr. 4c). Kedua
Jalur biosintesis menaquinone mengandung lima enzim yang
menunjukkan korelasi negatif dengan pertumbuhan
suhu dan tidak hadir pada suhu tinggi
(Gbr. 4d). Data ini menunjukkan bahwa adaptasi evolusioner
terhadap pertumbuhan pada suhu tinggi di banyak bakteri adalah untuk
biosintesis menaquinone melalui jalur futalosin.
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 8 dari 14

sebuah

b c

Gbr. 4 Jalur metabolisme tertentu diperkaya untuk fungsi enzim yang berkorelasi. a Diagram jalur yang menunjukkan bagian dari jalur KEGG
"ubiquinon dan jalur biosintesis terpenoid-kuinon lainnya" (map00130). Enzim yang kemunculannya secara signifikan berkorelasi dengan pertumbuhan
suhu (nilai p terkoreksi < 0,01) ditunjukkan dengan warna merah (korelasi positif) atau biru (korelasi negatif). b. Adanya enzim
berpartisipasi dalam biosintesis perubahan Ubiquinone dengan suhu. Setiap titik menunjukkan terjadinya nomor EC sebagai rasio nya
kehadiran di semua organisme yang tumbuh pada suhu tertentu. Garis mewakili regresi polinomial berbobot lokal dengan kepercayaan 95%
pita untuk garis regresi yang ditunjukkan dalam warna abu-abu. r menunjukkan koefisien korelasi Spearman. c Kehadiran enzim yang berpartisipasi dalam
biosintesis menaquinone melalui jalur futalosin berubah dengan suhu. d Kehadiran enzim yang berpartisipasi dalam biosintesis
menaquinone melalui jalur klasik berubah dengan suhu

Domain fungsi yang tidak diketahui berkorelasi dengan suhu
Analisis korelasi EC terbatas karena hanya dapat
memanfaatkan fungsi enzim yang telah dikarakterisasi.
Aktivitas yang tidak diketahui "tersembunyi" dan tidak dapat
dikorelasikan. Untuk mengatasi keterbatasan ini saya melakukan
analisis akhir di mana domain fungsi yang tidak diketahui (DUFs) adalah
berkorelasi dengan suhu dengan cara yang sama seperti
nomor EC. DUF adalah domain yang menunjukkan yang dilestarikan
pola dalam urutan primer protein, tetapi untuk yang
fungsi protein di mana mereka terjadi tidak diketahui.
Ini menguntungkan untuk analisis sejauh mereka
dapat diidentifikasi dari data urutan saja dan salah satunya adalah
karena itu tidak terbatas pada apa yang diketahui melalui
eksperimen. Dari 3.918 total DUF, 98 di antaranya berkorelasi
signifikan dengan suhu (File tambahan 4:
Gambar S4), 33 di antaranya juga memiliki distribusi filogenetik
yang luas (Gbr. 5, File tambahan 6: significant_duf.tsv).
Empat dari 33 berkorelasi positif di archaea, dan
delapan berkorelasi negatif (Gbr. 5a). Tujuh belas adalah
berkorelasi positif pada bakteri dan delapan berkorelasi negatif
(Gbr. 5b). Dua di antaranya, DUF438
(PF04282) dan DUF1957 (PF09210), secara positif
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 9 dari 14

sebuah

Gbr. 5 Domain fungsi yang tidak diketahui berkorelasi dengan suhu. a Heat-maps menunjukkan bagaimana terjadinya DUF yang signifikan berubah dengan
suhu pertumbuhan di archaea. Setiap baris mewakili DUF yang berbeda dan setiap kolom memiliki suhu pertumbuhan yang berbeda. Semua DUF yang disertakan adalah
berkorelasi secara statistik (nilai p terkoreksi < 0,01) baik positif (merah) atau negatif (biru) dengan suhu pertumbuhan dan filogenetik minimum
skor distribusi enam (lihat Metode untuk rincian). Untuk setiap suhu pertumbuhan yang dilaporkan, rasio organisme yang mengandung masing-masing DUF . spesifik
anotasi ditunjukkan oleh intensitas warna. Abu-abu menunjukkan suhu di mana tidak ada suhu pertumbuhan yang tersedia dalam dataset. b
Analisis dan skala warna seperti pada, tetapi dilakukan dengan data dari bakteri

berkorelasi di kedua archaea dan bakteri. Juga untuk korelasi
negatif dua domain, DUF3458_C (PF17432)
dan DUF1524 (PF07510), muncul di archaea dan
bakteri.
Diskusi
Dataset yang dikumpulkan dalam karya ini, terdiri dari 21.498
nama organisme dan suhu pertumbuhan, dianggap lebih besar
daripada yang tersedia melalui BacDive [1, 2],
MediaDB [4] dan IJSEM [6]. Kelengkapan dari
dataset ditunjukkan oleh fakta bahwa 43% dari semua
entri di UniProt dapat dijelaskan dengan pertumbuhan
suhu organisme dari mana mereka berasal.
Ini sangat mengesankan mengingat kumpulan data berfokus
pada mikroba dan banyak organisme dalam basis data Uni Prot
tidak termasuk dalam kategori ini – misalnya
urutan mamalia atau tumbuhan. Dalam dataset ada
proporsi organisme mesofilik yang sangat tinggi dibandingkan
untuk termofilik (Gbr. 1c). Penurunan tajam dalam pertumbuhan
suhu di atas 40 °C sangat cocok dengan yang dilihat oleh
Barberan dan rekan [6]. Sejauh mana ini mencerminkan
distribusi suhu pertumbuhan yang sebenarnya secara alami
organisme yang terjadi, dan sejauh mana bias ini disebabkan
oleh apa yang telah dipilih peneliti untuk dipelajari
tidak jelas.
Ketika membandingkan enzim optima (suhu
dengan aktivitas katalitik maksimal seperti yang dilaporkan dalam
Basis data BRENDA) dengan suhu pertumbuhan ada
dua aspek penting: Pertama, protein dari mesofil
cenderung lebih stabil dari yang diharapkan berdasarkan
suhu pertumbuhan. Kedua, protein dari thermophiles dan
hyperthermiphiles cenderung kurang stabil daripada
diharapkan (Gbr. 2d dan f). Bersama-sama, yang tak terduga
stabilitas tinggi dari banyak enzim yang berasal dari mesophilic
organisme, dan stabilitas rendah yang tak terduga dari banyak
enzim dari termofilik dan hipertermofilik
organisme mungkin menjelaskan perataan di atas 40 °C
histogram suhu enzim (Gbr. 2b), dibandingkan dengan histogram
suhu pertumbuhan (Gbr. 2a).
Kecenderungan protein mesofilik menjadi katalitik aktif pada
suhu yang lebih tinggi dari yang diharapkan sesuai dengan
pengamatan yang dibuat oleh Dehouck dan rekan [45]. Yang lemah
korelasi antara optima enzim individu dan pertumbuhan
suhu ditunjukkan dalam penelitian itu, meskipun dengan suhu yang lebih kecil
kumpulan data [45]. Wawasan baru yang diperoleh dalam pekerjaan saat ini adalah
bahwa rata-rata optimal katalitik dari setidaknya lima enzim
berkorelasi kuat (korelasi Pearson > 0,75) dengan
suhu pertumbuhan di seluruh organisme yang dianalisis
(Gbr. 2e dan f). Ini memberikan validasi penting dari
akurasi dataset suhu pertumbuhan.
Mengejutkan bahwa banyak enzim individu dalam mofil dan
hipertermofil memiliki optimalisasi katalitik
jauh lebih rendah dari suhu pertumbuhan (Gbr. 2d). Faktanya,
bahkan stabilitas rata-rata semua enzim yang dicirikan dari
organisme ini berada pada urutan 10 hingga 20 °C
lebih rendah dari suhu pertumbuhan (Gbr. 2f). Telah
diusulkan sebelumnya bahwa adaptasi suhu pada mofil dan
hipertermofil dapat dihasilkan dari faktor ekstrinsik untuk
menstabilkan proteom - selain
adaptasi dalam urutan dan lipatan protein. Ini mungkin termasuk
zat terlarut yang kompatibel [46] seperti digliserol fosfat [47], di-
myo-inositol-fosfat [48], peningkatan
tindakan oleh pendamping, tingkat pergantian protein yang lebih
tinggi, kepadatan molekuler, atau mekanisme lain yang belum
ditemukan. Perbedaan suhu pertumbuhan dan
enzim optima dalam termofil yang disajikan di sini mendukung
gagasan bahwa faktor ekstrinsik seperti itu penting.
Kebutuhan untuk mengembangkan adaptasi untuk menstabilkan secara global
proteom kemungkinan muncul dari fakta bahwa mutasi acak
dalam protein termostabil lebih cenderung mengarah ke
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
penurunan stabilitas dibandingkan dengan mutasi acak pada a
protein yang cukup stabil [49]. Efek ini menjadi lebih
diucapkan dengan meningkatnya suhu pertumbuhan dan
membuatnya semakin sulit untuk mengembangkan protein yang lebih
stabil. Ini juga membuat thermophiles lebih sensitif terhadap
mutasi acak dari mesophiles dan pada dasarnya menempatkan
sebuah "batas kecepatan evolusi" [49]. Saya berspekulasi bahwa
adaptasi yang berkembang (faktor ekstrinsik) yang menstabilkan keseluruhandengan suhu (Gbr. 4a dan b). Sintesis menakuinon
proteome memberikan solusi untuk kedua kesulitan
mengembangkan protein yang sangat stabil serta cara untuk
mengurangi beberapa risiko yang ditimbulkan oleh mutasi acak,
memungkinkan organisme untuk mentolerir tingkat mutasi yang lebih tinggi.bukti bahwa jalur futalosin tidak hanya
Alam memberikan banyak contoh evolusi lainnya
adaptasi yang memodifikasi fisiokimia intraseluler
lingkungan untuk memastikan fungsi protein yang
berfungsi buruk dalam kondisi lingkungan. Misalnya, mengembangkan
heterokista untuk memastikan lingkungan mikrooksik
untuk fiksasi N2 oleh nitrogenase di filamen cyanobacter teria [50],
dan anatomi Krantz untuk berkonsentrasi CO2 untuk
fiksasi karbon oleh Rubisco pada tanaman C4 [51].
Untuk archaea dan bakteri ada beberapa kali
lebih banyak enzim yang kemunculannya berkorelasi negatif dengan
suhu (lebih ada pada pertumbuhan rendah)
suhu) daripada yang berkorelasi positif
(Gbr. 3c dan d; File tambahan 5: significant_ec.tsv). Secara khusus,
terdapat 64 fungsi enzim yang berkorelasi positif dengan suhu dan
276 fungsi yang berkorelasi positif dengan suhu
berkorelasi negatif. Saya berspekulasi bahwa perbedaan ini adalah
hasil langsung dari mesophiles yang telah dipelajari untuk a
derajat yang lebih tinggi dari thermophiles dan hyperthermophiles,
menghasilkan lebih banyak fungsi enzim yang diketahui penting untuk
pertumbuhan pada suhu mesofilik.
Dalam perpanjangan logis dari argumen ini saya mengusulkan bahwa a
sejumlah besar fungsi enzim kemungkinan tetap
ditemukan pada organisme termofilik. Masing-masing dari 319
enzim di sini terbukti hadir secara berbeda pada berbagai suhu
pertumbuhan menyoroti target penting untuk
generasi hipotesis masa depan dan penyelidikan eksperimental.
Secara khusus, studi lebih lanjut diperlukan untuk menentukan
apakah korelasi tersebut mencerminkan kausalitas yang sebenarnya.
Dari delapan jalur KEGG - dengan signifikan
representasi berlebihan dari enzim yang berubah dengan suhu
- empat sebelumnya diidentifikasi sebagai terlalu terwakili dalam
studi metagenomik habitat suhu tinggi [41, 42]:
jalur fiksasi karbon pada prokariota, metabolisme piruvat, metabolisme
metana dan metabolisme purin. Itu
Siklus TCA, jalur KEGG lain yang diperkaya, diketahui
secara luas digunakan dalam tiga bakteri termofilik [27].
Dalam pendekatan saya, dengan mengidentifikasi jalur dengan enzim
yang kemunculannya sangat berkorelasi dengan suhu pertumbuhan,
saya memperkuat argumen bahwa jalur ini adalah
di bawah tekanan evolusioner dalam adaptasi suhu. Dia
oleh karena itu mewakili kemajuan yang jelas dibandingkan membandingkan
sejumlah kecil organisme mesofilik dan termofilik
Halaman 10 dari 14
dan menyoroti bagian-bagian metabolisme di bawah tekanan evolusi
yang lebih tinggi untuk berubah dengan suhu.
Salah satu jalur yang diperkaya yang diidentifikasi di sini berisi
enzim metabolisme kuinon. Sebagian kecil bakteri
mensintesis ubiquinon [52, 53]. Hasil yang didapat dalam
penelitian ini menunjukkan bahwa di antara ini yang melakukan sintesis, the
terjadinya penurunan gen biosintesis ubiquinone
terjadi melalui dua jalur, klasik dan futalosin, dan
gen yang terlibat dalam jalur futalosin hadir dalam a
berbagai mikroorganisme termofilik [34]. Di sini, saya memberikan
hadir dalam organisme termofilik, tetapi sebenarnya yang berlaku
pada suhu pertumbuhan tinggi pada bakteri. Saya
berspekulasi bahwa ini mungkin adaptasi evolusioner
mencerminkan fakta bahwa jalur klasik mengandung
isokorimat menengah termolabil [35].
Untuk memperluas analisis saya ke fungsi protein yang memiliki
belum ditentukan saya mengkorelasikan terjadinya do mains of
unknown function (DUFs) dengan suhu.
33 domain signifikan yang diidentifikasi (Gbr. 5, Tambahan
file 6: signifikan_duf.tsv) dapat mewakili fungsi penting untuk adaptasi
terhadap pertumbuhan pada suhu yang beragam.
Menggunakan pendekatan komputasi untuk mendapatkan wawasan
tentang fungsi DUF telah dilakukan sebelumnya. Untuk
contoh, daftar 238 DUF esensial (eDUFS), adalah
diidentifikasi berdasarkan keberadaan mereka dalam protein esensial
pada bakteri [54]. Pendekatan lain memanfaatkan remote
deteksi kesamaan untuk membangun hubungan struktur-fungsi untuk
614 keluarga DUF, sehingga memberikan petunjuk untuk
fungsinya [55]. Pendekatan eksperimental, terutama
bahwa genomik struktural, juga telah digunakan untuk
mendapatkan informasi tambahan tentang DUF [56]. Sepengetahuan
saya, pendekatan yang diuraikan di sini adalah yang pertama diberikan
bukti yang menghubungkan DUF dengan suhu diduga
adaptasi pada bakteri dan archaea. Dengan demikian, 33 . ini
domain memberikan titik awal yang penting untuk masa depan
studi.
Kesimpulan
Dalam penelitian ini saya menambang dan menyediakan suhu
pertumbuhan untuk 21.498 organisme. Kumpulan data ini komprehensif
dan memungkinkan anotasi suhu pertumbuhan 43% dari
semua urutan di UniProt. Anotasi ini dapat digunakan untuk
menghubungkan fungsi enzim dan tingkat domain
anotasi untuk menyoroti tergantung pada suhu pertumbuhan
perubahan dalam kejadiannya. Dalam beberapa kasus, analisis ini
mengkonfirmasi apa yang diketahui, seperti preferensi untuk
biosintesis menaquinone melalui jalur futalosin
pada bakteri yang tumbuh pada suhu tinggi. Dalam kasus lain
hasilnya mewakili titik awal yang penting untuk masa depan
studi, misalnya dalam menyoroti DUF yang terjadi karena perubahan
suhu. Saya percaya bahwa kumpulan data
akan menjadi sumber daya komunitas yang berharga dan akan menemukan
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 11 dari 14

tambahan, penting, penggunaan dalam mengkorelasikan sifat Untuk Gambar. 2d skor jarak sederhana dihitung dengan
genomik, trans scriptomik, proteomik, metabolomik, fenotipik atau mengurangkan setiap suhu pertumbuhan organisme dari
taksonomi dengan suhu dalam penelitian mendatang. suhu optimum masing-masing enzim. Ini
dilakukan agar lebih mudah memvisualisasikan besarnya
dari perbedaan kedua variabel tersebut. Skor jarak positif merupakan
Metode
Mendapatkan dataset suhu pertumbuhan enzim yang memiliki op tima katalitik lebih tinggi dari suhu pertumbuhan.
Negatif
Data kondisi pertumbuhan organisme diunduh dari
empat pusat pengumpulan budaya ATCC, DSMZ, NCTC skor mewakili enzim yang memiliki optima lebih rendah dari
suhu pertumbuhan organisme. Prosedur ini adalah
dan NIES dalam bentuk file html. Untuk setiap catatan organisme,
digunakan sebagai pengganti z-normalisasi sebagai tujuan plot ini
nama ilmiah dan suhu pertumbuhan diekstraksi menggunakan skrip
adalah untuk memvisualisasikan yang sebenarnya, relevan secara biologis,
khusus dalam Python versi 2.7, yang
perbedaan suhu antara dua variabel dan
tersedia secara bebas untuk digunakan kembali (https://doi.org/10.5281/
bukan hanya perbedaan besaran yang dinormalisasi.
zenodo.1458278). Data yang berkaitan dengan nama organisme dan
Untuk Gambar. 2e , tujuannya adalah untuk mengevaluasi seberapa
suhu pertumbuhan dari lembaga Pasteur diperoleh sebagai file Excel
baik rata-rata aritmatika dari suhu enzim yang diukur secara optimal
(komunikasi pribadi). Data
untuk organisme tertentu berkorelasi dengan organisme
dari database BacDive diperoleh menggunakan custom
suhu pertumbuhan. Secara khusus, analisis berfokus pada
skrip dengan Python dengan berinteraksi dengan aplikasi publik
menunjukkan bagaimana kekuatan korelasi itu berubah
antarmuka pemrograman (API). Catatan dari ATCC,
dengan jumlah enzim optima individu yang digunakan untuk
DSMZ dan BacDive mencerminkan yang tersedia pada Juli 2017.
Catatan dari Pasteur, NCTC dan NIES mencerminkan yang tersedia menghitung rata-rata. Langkah-langkah berikut dilakukan:
Untuk masing-masing dari 1.811 organisme yang ada di kedua
di bulan-bulan pertama tahun 2015. Nama subspesies atau
suhu pertumbuhan dan set data suhu enzim n
penunjukan strain telah dihapus dari semua organisme dan
titik data untuk enzim optima (di mana n mewakili masing-masing
suhu pertumbuhan yang dilaporkan untuk catatan dengan
bilangan bulat dalam kisaran 1 hingga 100) diambil sampelnya secara acak
nama spesies yang sama dirata-ratakan dan dibulatkan ke
tanpa penggantian dan suhu rata-rata dihitung. Dalam setiap iterasi
bilangan bulat terdekat. Nama organisme selanjutnya dicocokkan dengan
hanya organisme yang memiliki persamaan dengan
pengidentifikasi taksonomi (TaxId) menggunakan taksonomi NCBI
atau lebih dari n enzim optima yang dilaporkan dimasukkan
basis data dari Juli 2017; organisme yang tidak ada yang bisa
dalam perhitungan. Korelasi Pearson antara
diperoleh telah dihapus dari dataset. Garis keturunan taksonomi untuk
ini rata-rata suhu enzim optima dan suhu pertumbuhan organisme
setiap organisme kemudian diperoleh dengan menanyakan database
kemudian dihitung.
NCBI dengan TaxIds dan
Perhitungan diulang 1.000 kali untuk setiap n dan
menggunakan sumber daya eutils (https://www.ncbi.nlm.nih.gov/).
rata-rata dari perhitungan ini dilaporkan.
Semua suhu pertumbuhan divalidasi untuk memastikan bahwa
Suhu enzim rata-rata optima yang digunakan pada Gambar. 2f
mereka jatuh dalam kisaran 5 sampai 130 °C.
dihitung melalui rata-rata sederhana dari semua yang dilaporkan
enzim optima dari setiap organisme. Berdasarkan hasil yang diamati
Mendapatkan dataset suhu enzim
pada Gambar. 2e, organisme yang kurang dari
Semua enzim yang ditentukan secara eksperimental yang tersedia
lima enzim optima dilaporkan dikeluarkan. Regresi polinomial berbobot
temperature optima diekstraksi dari rilis basis data en zyme BRENDA
lokal (LOESS) dihitung menggunakan fungsi loess() (ditulis oleh BD
2017.2 (Juli 2017) dengan Python
skrip menggunakan paket SOAP Zolera (https://pypi.pytho n.org/pypi/
Ripley, berdasarkan paket terdekat Cleveland, Grosse
ZSI/) berinteraksi dengan API BRENDA publik.
dan Shyu.) [57] dari paket dasar “statistik” dalam versi R 3.4.3.
Untuk menghilangkan duplikasi data yang berasal dari enzim yang sama,
suhu optimal dari enzim dengan nomor EC yang sama dirata-ratakan
dalam setiap organisme dan dibulatkan menjadi Mendapatkan dan memfilter data UniProt
bilangan bulat terdekat. TaxId diperoleh untuk setiap organisme
Urutan protein SwissProt dan TrEMBL diunduh sebagai file fasta dari
menggunakan sumber daya NCBI eutils. Organisme yang tidak rilis UniProt 2017_07. SEBUAH
TaxId dapat ditemukan telah dihapus dari dataset.
serangkaian langkah pencocokan dan penyaringan data dilakukan,
seperti diuraikan di bawah ini, untuk mendapatkan satu set nomor EC
Membandingkan suhu pertumbuhan dan enzim dan domain Pfam untuk dianalisis. File fasta dari
kumpulan data kedua sumber diurai untuk mengekstrak nama spesies
Untuk setiap organisme, suhu pertumbuhan yang dikumpulkan milik setiap pengidentifikasi urutan UniProt. Di mana
dibandingkan dengan suhu optimum enzim. Itu mungkin, masing-masing spesies ini diberi pertumbuhan
organisme yang ada di kedua set data diidentifikasi suhu melalui pencocokan nama dengan pertumbuhan
melalui pencocokan nama spesies. kumpulan data suhu. Pengidentifikasi UniProt milik
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
organisme tanpa suhu pertumbuhan yang ditetapkan telah
dihapus dari analisis lebih lanjut. Selain itu, pengidentifikasi
milik organisme dengan kurang dari 1.000 urutan dalam sumber
daya dibuang (Gbr. 3a). Pengidentifikasi UniProt yang tersisa
setelah pemfilteran awal ini, anotasi EC dan domain Pfam, jika
tersedia, diperoleh menggunakan alat pemetaan ID UniProt
(https://www.uniprot.org/uploadlists/ ). Untuk membuat dataset
EC, pengidentifikasi UniProt yang tidak dianotasi dengan nomor
EC dan yang memiliki nomor EC tidak lengkap (misalnya
1.14.-.-) dibuang. Untuk membuat dataset domain Pfam,
pengidentifikasi UniProt yang tidak dianotasi dengan domain
Pfam dibuang. Pengidentifikasi UniProt yang tersisa, semuanya
dijelaskan dengan nama spesies, suhu pertumbuhan, dan
nomor EC atau domain Pfam masing-masing dikenai analisis
korelasi dengan suhu pertumbuhan.
Analisis korelasi EC
Kumpulan data UniProt EC yang difilter yang dijelaskan di atas
miring, secara tidak proporsional berisi pengenal yang dijelaskan
dengan suhu pertumbuhan dalam kisaran 20 hingga 40 °C.
Untuk menghilangkan penyimpangan ini, rasio antara jumlah
organisme yang membawa protein dengan penjelasan EC
spesifik versus jumlah organisme yang tidak dihitung - secara
terpisah pada setiap suhu pertumbuhan. Langkah pemrosesan
ini menghasilkan kumpulan data di mana kemunculan setiap
nomor EC diwakili oleh rasio tunggal, antara 0,0 dan 1,0, pada
setiap suhu pertumbuhan. Korelasi Spearman antara rasio ini
dan suhu pertumbuhan selanjutnya dihitung untuk setiap nomor
EC. Dalam perhitungan ini, pengidentifikasi dari bakteri dan
archaea diperlakukan secara terpisah. Pemisahan ini dilakukan
karena distribusi suhu pertumbuhan ar chaea dan bakteri
berbeda, dengan semakin banyak archaea yang tumbuh pada
suhu tinggi dan semakin banyak bakteri yang tumbuh pada
suhu rendah. Menganalisis pengidentifikasi dari ini melakukan
induk bersama-sama sehingga dapat menghasilkan kesalahan
identifikasi nomor EC yang berbeda antara bakteri dan archaea.
Nilai p yang dihasilkan dikoreksi untuk beberapa pengujian
dengan fungsi p.adjust() dari paket dasar "stats" di R versi
3.4.3, menggunakan tingkat deteksi palsu (FDR) menurut
Benjamini dan Hochberg [58]. Analisis ini akhirnya menghasilkan
satu set nomor EC baik secara signifikan positif atau negatif
berkorelasi dengan suhu.
Pada langkah terakhir analisis, nomor EC dengan distribusi
filogenetik baris sempit dihilangkan. Keterkaitan organisme
dihitung dari taksonomi KEGG (http://www.genome.jp/kegg/
genome.html). Organisme diperlakukan sebagai daun di pohon
berakar. Skor jarak filogenetik digunakan yang mewakili jumlah
node yang dipisahkan oleh dua daun (organisme). Perhitungan
yang tepat akan diterbitkan dalam makalah yang akan datang
yang menjelaskan kotak peralatan GECKO. Untuk pekerjaan
Halaman 12 dari 14
dijelaskan di sini, matriks MatLab yang berisi skor jarak diunduh
dari repositori GitHub (https://github.com/SysBioChalmers/
GECKO/tree/mas ter/databases/PhylDist.mat) dan diekspor ke
file teks.
Jarak adalah nol untuk dua organisme yang memiliki tingkat
taksonomi yang sama tetapi hanya berbeda pada tingkat nama
organisme. Skor maksimum dalam skema ini adalah delapan,
menunjukkan dua organisme dari domain kehidupan yang berbeda.
Nomor EC yang kemunculannya secara signifikan berkorelasi
dengan suhu disaring untuk mempertahankan yang ada di
setidaknya dua organisme dengan jarak enam atau lebih.
Analisis korelasi domain
Kumpulan data domain UniProt Pfam yang difilter yang
dijelaskan di atas difilter untuk mempertahankan hanya yang
terkait dengan DUF. Rasio antara jumlah organisme yang
membawa protein dengan anotasi domain tertentu versus
jumlah organisme yang tidak dihitung seperti dijelaskan di atas.
Perhitungan korelasi rasio ini dengan suhu, koreksi nilai p, dan
penyaringan untuk keragaman filogenetik juga dilakukan seperti
yang dijelaskan di atas.
Mengidentifikasi jalur metabolisme dengan fungsi enzim
berkorelasi suhu yang diwakili secara signifikan Untuk
mengidentifikasi jalur metabolisme, atau kumpulan cara jalur
tersebut, dengan representasi berlebihan yang signifikan secara
statistik dari nomor EC berkorelasi suhu, langkah-langkah
berikut dilakukan: Semua data jalur KEGG yang tersedia
diunduh sebagai xml menggunakan API transfer status
representasional (REST) KEGG (http://www.kegg.jp/kegg/rest/
keggapi.html). Nomor EC yang tercantum di masing-masing
jalur ini diekstraksi menggunakan skrip Python. Terjadinya
angka EC pada masing-masing jalur tersebut dicocokkan
dengan angka EC yang berkorelasi signifikan dengan suhu
untuk menemukan overlap. Akhirnya, tes hipergeometrik Fischer
[59] dilakukan, menggunakan fungsi phyper() dari paket dasar
"stats" di R versi 3.4.3, untuk menguji pengayaan nomor EC
yang berkorelasi suhu di jalur ini. Nilai-p yang dihasilkan
disesuaikan untuk beberapa pengujian menggunakan FDR,
sebagaimana diuraikan di atas, dan jalur-jalur dengan nilai-p
lebih kecil dari 0,05 dilaporkan.
File tambahan
Berkas tambahan 1: Gambar S1. Pengaruh suhu pertumbuhan
rata-rata dari strain yang berbeda dari spesies yang sama kecil. Masing-
masing dari lebih dari 160.000 catatan individu yang diperoleh dari pusat
pengumpulan budaya dianalisis untuk melihat sejauh mana perbedaan suhu
pertumbuhan galur yang dilaporkan dari rata-rata yang dihitung dari semua
galur suatu spesies. (PDF 9kb)
Berkas tambahan 2: Gambar S2. Kelimpahan spesies archaeal
dibandingkan dengan spesies bakteri berubah dengan suhu. Setiap
titik menunjukkan rasio spesies bakteri dan archaeal sebagai proporsi dari
Machine Translated by Google
Ahli Mikrobiologi BMC (2018) 18:177
jumlah total spesies untuk setiap suhu pertumbuhan dalam dataset. (PDF 39kb)
File tambahan 3: Gambar S3. Angka EC yang berkorelasi negatif dan
positif dengan suhu pertumbuhan dapat diidentifikasi. a Korelasi antara
kemunculan anotasi nomor EC unik pada spesies dan suhu
pertumbuhannya ditunjukkan di archaea. Setiap titik menunjukkan
koefisien korelasi Spearman dan nilai-p terkoreksi (disesuaikan dengan
tingkat penemuan palsu) untuk satu nomor EC. Angka EC signifikan
(nilai p terkoreksi < 0,01) dengan korelasi positif berwarna merah, yang
berkorelasi negatif berwarna biru. b Korelasi antara kemunculan anotasi
nomor EC unik pada spesies dan suhu pertumbuhannya ditunjukkan
pada bakteri. Analisis dan skala warna seperti pada A.
(PDF 832kb)
File tambahan 4: Gambar S4. Domain fungsi yang tidak diketahui (DUFs) baik
berkorelasi negatif dan positif dengan suhu pertumbuhan dapat diidentifikasi. a
Korelasi antara kemunculan DUF unik pada spesies dan suhu pertumbuhannya
ditunjukkan pada archaea. Setiap titik menunjukkan koefisien korelasi Spearman dan
nilai-p terkoreksi (disesuaikan dengan tingkat penemuan palsu) untuk satu DUF.
DUF yang signifikan (nilai p terkoreksi < 0,01) dengan korelasi positif berwarna
merah, yang berkorelasi negatif berwarna biru. b Korelasi antara terjadinya DUF unik
pada spesies dan suhu pertumbuhannya ditunjukkan pada bakteri. Analisis dan skala
warna seperti pada A. (PDF 166 kb)
File tambahan 5: signifikan_ec.tsv. File data tab-delimited yang berisi total
319 nomor EC unik yang secara signifikan berkorelasi dengan suhu di
archaea atau bakteri. Masing-masing, header data "domain" dan "ec" menunjukkan
domain kehidupan dan nomor EC. Tabel menunjukkan koefisien korelasi Spearman
(“spearmah_rho”) dan nilai p yang dikoreksi (disesuaikan dengan tingkat penemuan
palsu, “pval_norm”). Hanya nomor EC dengan nilai p kurang dari atau sama dengan
0,01 yang disertakan. (TSV 11 kb)
File tambahan 6: signifikan_duf.tsv. File data tab-delimited yang berisi total
33 DUF unik yang secara signifikan berkorelasi dengan suhu di archaea atau bakteri.
Masing-masing, header data "domain", "pfam_id" dan "duf_id" menunjukkan domain
kehidupan, pengidentifikasi Pfam, dan pengidentifikasi DUF. Tabel menunjukkan
koefisien korelasi Spearman (“spearmah_rho”) dan nilai p yang dikoreksi (disesuaikan
dengan tingkat penemuan palsu, “pval_norm”). Hanya DUF dengan nilai p kurang dari
atau sama dengan 0,01 yang disertakan. (TSV 1 kb)
Singkatan
API: Antarmuka pemrograman aplikasi; DUF: Domain fungsi yang tidak diketahui;
EC: Komisi enzim; FDR: Tingkat Deteksi Palsu; LOESS: Regresi polinomial berbobot
lokal; MK: Menaquinon; REST: Negara Perwakilan
Transfer
Ucapan Terima Kasih
Saya ingin mengucapkan terima kasih kepada Elzbieta Rembeza atas umpan baliknya yang luas
selama persiapan naskah, Kersten Rabe dan Aleksej Zelezniak atas diskusi dan umpan balik
yang membangun selama proyek ini. Saya ingin berterima kasih kepada Jens Nielsen karena
telah mendukung proyek ini dengan saran, waktu, dan sumber daya. Akhirnya, saya berterima
kasih kepada Ivan Domenzain karena telah membagikan matriks jarak organisme KEGG yang
digunakan dalam karya ini.
Pendanaan
Karya ini telah menerima dana dari Chalmers University of Technology Life Science Area
of Advance. Badan pendanaan tidak memiliki peran dalam desain studi, pengumpulan
data, analisis, interpretasi data atau penulisan naskah.
Ketersediaan data dan bahan Dataset
suhu pertumbuhan yang dihasilkan selama penelitian saat ini tersedia di repositori
Zenodo (https://zenodo.org/), https://doi.org/10.5281/zenodo.1175608 .
Kontribusi penulis
MKME bertanggung jawab penuh untuk membuat konsep dan melaksanakan proyek
serta menulis naskah. Penulis membaca dan menyetujui naskah akhir.
Halaman 13 dari 14
Persetujuan etika dan persetujuan untuk berpartisipasi
Tidak berlaku.
Persetujuan untuk publikasi
Tidak berlaku.
Kepentingan bersaing
Penulis menyatakan bahwa ia tidak memiliki kepentingan bersaing.
Catatan Penerbit Springer
Nature tetap netral sehubungan dengan klaim yurisdiksi di peta yang diterbitkan
dan afiliasi institusional.
Diterima: 6 Juni 2018 Diterima: 16 Oktober 2018
Referensi 1.
Söhngen C, Bunk B, Podstawka A, Gleim D, Overmann J. BacDive--Metadatabase
Keanekaragaman Bakteri. Asam Nukleat Res. 2014;42:D592–9.
2. Söhngen C, Podstawka A, Ranjang B, Gleim D, Vetcinova A, Reimer LC, dkk.
BacDive – Metadatabase Keanekaragaman Bakteri di 2016. Asam Nukleat Res.
2015;44:D581–5.
3. Reimer LC, Söhngen C, Vetcininova A, Overmann J. Mobilisasi dan integrasi data
fenotipik bakteri Mengaktifkan analisis keanekaragaman hayati generasi
berikutnya melalui basis metadata BacDive. J. Bioteknologi. 2017; 261:187–93.
4. Richards MA, Cassen V, Heavner BD, Ajami NE, Herrmann A, Simeonidis E, dkk. MediaDB:
database kondisi pertumbuhan mikroba di media yang ditentukan.
PLoS Satu. 2014;9:e103548.
5. Oberhardt MA, Zarecki R, Gronow S, Lang E, Klenk HP, Gophna U, dkk.
Memanfaatkan lanskap media kultur mikroba untuk memprediksi pasangan
organisme-media baru. Nat Comun [Internet]. 2015;6. Tersedia dari: https://
doi.org/10.1038/ncomms9493
6. Barberán A, Caceres Velazquez H, Jones S, Fierer N. Bersembunyi di Pandangan Biasa:
Menambang Catatan Spesies Bakteri untuk Informasi Sifat Fenotipik. mSphere [Internet].
2017;2. Tersedia dari: https://doi.org/10.1128/mSphere.00237-17 Brbiÿ M, Piškorec M,
7. Vidulin V, Kriško A, muc T, Supek F. Lanskap sifat fenotipik mikroba dan gen terkait. Asam
Nukleat Res. 2016; 44:10074–90.
8. Mehta R, Singhal P, Singh H, Damle D, Sharma AK. Wawasan termofilik dan aplikasi spektrum
luasnya. 3. Biotek. 2016;6:81.
9. Wang Q, Cen Z, Zhao J. Mekanisme kelangsungan hidup thermophiles pada suhu tinggi:
sudut omics. Fisiologi. 2015;30:97–106.
10. Stetter KO. prokariota hipertermofilik. FEMS Microbiol Rev. Blackwell Publishing Ltd.
1996;18:149–58.
11. Boutz DR, Cascio D, Whitelegge J, Perry LJ, Yeates TO. Penemuan
kompleks protein termofilik yang distabilkan oleh rantai yang saling terkait secara topologi.
J Mol Biol. 2007;368:1332–44.
12. Bezsudnova EY, Boyko KM, Polyakov KM, Dorovatovskiy PV, Stekhanova TN,
Gumerov VM, dkk. Wawasan struktural ke dalam dasar molekuler poliektremofilisitas
dehidrogenase alkohol rantai pendek dari archaeon hipertermofilik Thermococcus
sibiricus. Biochimie. 2012;94:2628–38.
13. Koga Y. Adaptasi termal dari membran lipid archaeal dan bakteri.
Archaea. 2012;2012:789652.
14. van Noort V, Bradatsch B, Arumugam M, Amlacher S, Bange G, Creevey C, dkk. Jalur mutasi
yang konsisten memprediksi termostabilitas eukariotik BMC Evol Biol. 2013;13:7.
15. Burra PV, Kalmar L, Tompa P. Pengurangan gangguan struktural dan fungsional
kompleksitas dalam adaptasi termal prokariota. PLoS Satu. 2010;5:e12069.
16. Sabath N, Ferrada E, Barve A, Wagner A. Suhu pertumbuhan dan ukuran genom pada
bakteri berkorelasi negatif, menunjukkan perampingan genom selama adaptasi termal.
Genom Biol Evol. 2013;5:966–77.
17. Kampmann M, Stock D. Reverse gyrase memiliki aktivitas pendamping DNA pelindung
panas yang independen dari supercoiling. Asam Nukleat Res. 2004;32:3537–45.
18. Forterre P, Bouthier De La Tour C, Philippe H, Duguet M. Reverse gyrase
dari hipertermofil: kemungkinan transfer sifat termoadaptasi dari archaea ke bakteri. Tren
Gen. 2000; 16:152–4.
19. Aravind L, Tatusov RL, Serigala YI, Walker DR, Koonin EV. Bukti untuk pertukaran gen
besar-besaran antara archaeal dan hipertermofil bakteri. Tren Gen. 1998;14:442–4.
Machine Translated by Google

Ahli Mikrobiologi BMC (2018) 18:177 Halaman 14 dari 14

20. Hitungan JA, Zeldes BM, Lee LL, Straub CT, Adams MWW, Kelly RM.
Fitur fisiologis, metabolisme, dan bioteknologi dari mikroorganisme yang sangat
termofilik. Wiley Interdiscip Rev Syst Biol Med [Internet].
2017;9. Tersedia dari: https://doi.org/10.1002/wsbm.1377 21.
Swarup A, Lu J, DeWoody KC, Antoniewicz MR. Jaringan metabolisme
rekonstruksi, karakterisasi pertumbuhan dan analisis fluks metabolisme 13C dari
Thermus thermophilus HB8 yang ekstrim. Metab Eng. 2014;24:173–80.
22. Brumm PJ, Monsma S, Keough B, Jasinovica S, Ferguson E, Schoenfeld T, dkk. Urutan
Genom Lengkap Thermus aquaticus Y51MC23. PLoS Satu. 2015;10:e0138674.
Penurunan Termofil dan Jalur Penting untuk Bertahan Hidup di Lingkungan Ekstrim.
Mikrobiol Depan. 2016;7:2123.
43. Schomburg I, Jeske L, Ulbrich M, Placzek S, Chang A, Schomburg D.
Sistem informasi enzim BRENDA-Dari database ke sistem pakar.
J. Bioteknologi. 2017;261:194–206.
44. Konsorsium UniProt. UniProt: pusat informasi protein. Asam nukleat
Res. 2015;43:H204–12.
45. Dehouck Y, Folch B, Rooman M. Meninjau kembali korelasi antara termoresistensi protein
dan termofilisitas organisme. Protein Eng Des Sel. 2008; 21:275–8.

23. Selig M, Xavier KB, Santos H, Schönheit P. Analisis komparatif jalur glikolitik Embden
Meyerhof dan Entner-Doudoroff di archaea hipertermofilik dan bakteri Thermotoga.
Mikrobiol Lengkung. 1997;167:217–32.
24. Brasen C, Esser D, Rauch B, Siebers B. Metabolisme Karbohidrat di Archaea: Wawasan
Saat Ini tentang Enzim dan Jalur yang Tidak Biasa dan Regulasinya.
Microbiol Mol Biol Rev. 2014;78:89–175.
25. Kengen SW, de Bok FA, van Loo ND, Dijkema C, Stams AJ, de Vos WM.
Bukti untuk pengoperasian jalur Embden-Meyerhof baru yang melibatkan kinase
yang bergantung pada ADP selama fermentasi gula oleh Pyrococcus furiosus. J Biol
Chem. 1994;269:17537–41.
26. Ettema TJG, Ahmed H, Geerling ACM, van der Oost J, Siebers B. Non-fosforilasi
gliseraldehida-3-fosfat dehidrogenase (GAPN) dari Sulfolobus solfataricus: kunci-
enzim cabang semi-fosforilasi dari Entner-Doudoroff jalan. Ekstrofil. 2008;12:75–88.
27. Cordova LT, Cipolla RM, Swarup A, Long CP, Antoniewicz MR. 13C
analisis fluks metabolik dari tiga bakteri termofilik yang sangat berbeda: Geobacillus
46. da Costa MS, Santos H, Galinski EA. Tinjauan tentang peran dan keragaman zat terlarut
yang kompatibel dalam Bakteri dan Archaea. Adv Biochem Eng Biotechnol. 1998;61:117–
53.
47. Lamosa P, Burke A, Peist R, Huber R, Liu MY, Silva G, dkk.
Termostabilisasi protein oleh digliserol fosfat, zat terlarut baru yang kompatibel dari
Archaeoglobus fulgidus yang hipertermofil. Mikrobiol Lingkungan Appl. 2000;66:1974–9.
48. Martins LO, Carreto LS, Da Costa MS, Santos H. Zat terlarut baru yang kompatibel
terkait dengan Di-myo-inositol-fosfat dalam anggota ordo Thermotogales.
J Bakteri. 1996;178:5644–51.
49. Zeldovich KB, Chen P, Shakhnovich EI. Stabilitas protein memberikan batasan pada
kompleksitas organisme dan kecepatan evolusi molekuler. Proc Natl Acad Sci US A.
2007;104:16152–7.
50. Thiel T, Pratte B. Efek pada diferensiasi heterocyst dari fiksasi nitrogen dalam sel
vegetatif dari cyanobacterium Anabaena variabilis ATCC 29413. J Bacteriol.
2001;183:280–6.

sp. LC300, Thermus thermophilus HB8, dan Rhodothermus marinus DSM 4252. Metab 51. Lundgren MR, Osborne CP, Christin PA. Mendekonstruksi anatomi Kranz untuk
Eng. 2017;44:182–90. memahami evolusi C4. J Exp Bot. 2014;65:3357–69.

28. Kosuge T, Hoshino T. Lisin disintesis melalui jalur alpha-aminoadipate di Thermus 52. Collins MD, Jones D. Distribusi tipe struktural kuinon isoprenoid pada bakteri dan implikasi

thermophilus. Mikrobiol FEMS Lett. 1998;169:361–7. taksonominya. Microbiol Rev. 1981;45:316–54.

29. Lee NR, Lakshmanan M, Aggarwal S, Song JW, Karimi IA, Lee DY, dkk. 53. Hiraishi A. Kuinon isoprenoid sebagai biomarker populasi mikroba di

Rekonstruksi jaringan metabolisme skala genom dan analisis fluks in silico dari bakteri lingkungan. J Biosci Bioeng. 1999;88:449–60.
54. Goodacre NF, Gerloff DL, Uetz P. Protein Domain Fungsi Tidak Diketahui Penting
termofilik Thermus thermophilus HB27. Fakta Sel Mikrob. 2014;13:61.
dalam Bakteri. MB. 2013;5:e00744–13 – e00744–13.

30. Oshima T. Poliamina unik yang diproduksi oleh termofil ekstrem, Thermus 55. Mudgal R, Sandhya S, Chandra N, Srinivasan N. De-DUFing DUF:

thermophilus. Asam amino. 2007;33:367–72. Menguraikan hubungan evolusioner jauh dari Domain Fungsi Tidak Diketahui
menggunakan metode deteksi homologi sensitif. Biol Langsung. 2015;10:38.
31. Henne A, Brüggemann H, Raasch C, Wiezer A, Hartsch T, Liesegang H, dkk.
56. Jaroszewski L, Li Z, Krishna SS, Bakolitsa C, Wooley J, Diakon AM, dkk.
Urutan genom termofil ekstrim Thermus thermophilus.
Eksplorasi wilayah yang belum dipetakan dari alam semesta protein. PLoS Biol. 2009;7:
Nat Bioteknologi. Grup Penerbit Alam;. 2004;22:547.
e1000205.
32. Schäfers C, Blank S, Wiebusch S, Elleuche S, Antranikian G. Lengkap
57. Cleveland WS, Grosse E, Shyu WM. Bab 8, Model Regresi Lokal. Dalam: Chambers
urutan genom Thermus brockianus GE-1 mengungkapkan enzim kunci metabolisme
JM, Hastie TJ, editor. Model Statistik di S. Wadsworth & Brooks/Cole; 1992.
xilan/xylose. Berdiri Genomic Sci. 2017;12:22.
33. Wu D, Raymond J, Wu M, Chatterji S, Ren Q, Graham JE, dkk. Urutan genom lengkap
58. Benjamini Y, Hochberg Y. Mengontrol tingkat penemuan palsu - pendekatan praktis dan
termofil pengoksidasi CO aerobik Thermomicrobium roseum. PLoS Satu.
kuat untuk beberapa pengujian. JR Stat Soc Seri B Stat Methodol. 1995;57:1.
2009;4:e4207.
34. Hiratsuka T, Furihata K, Ishikawa J, Yamashita H, Itoh N, Seto H, dkk. Jalur biosintetik
59. Johnson NL, Kotz S, Kemp AW. Distribusi Diskrit Univariat, Kedua
menaquinone alternatif yang beroperasi pada mikroorganisme. Sains. 2008;321:1670–
Edisi. New York: Wiley. p. 237–282.
3.
35. Fang M, Langman BM, Palmer DRJ. Analog isokhorismat yang stabil untuk studi MenD
dan enzim yang memanfaatkan isokhorismet lainnya. Bioorg Med Chem Lett.
2010;20:5019–22.
36. DeCastro ME, Rodríguez-Belmonte E, González-Siso MI. Metagenomics of Thermophiles
dengan Fokus pada Penemuan Thermozymes Novel. Mikrobiol Depan. 2016;7:1521.

37. Cowan DA, Ramond JB, Makhalanyane TP, De Maayer P. Metagenomics lingkungan
ekstrim. Mikrobiol Curr Opin. 2015;25:97-102.
38. Le PT, Makhalanyane TP, Guerrero LD, Vikram S, Van de Peer Y, Cowan DA.
Analisis Metagenomik Perbandingan Mengungkapkan Mekanisme Respon
Stres di Hypoliths dari Gurun Hyperarid Ekstrim. Genom Biol Evol. 2016;8:2737–47.

39. Ogata H, Goto S, Sato K, Fujibuchi W, Bono H, Kanehisa M. KEGG: Ensiklopedia

Kyoto Gen dan Genom. Asam Nukleat Res. 1999;27:29–34.
40. Kanehisa M, Furumichi M, Tanabe M, Sato Y, Morishima K. KEGG: baru
perspektif tentang genom, jalur, penyakit dan obat-obatan. Asam Nukleat Res.
2017;45:H353–61.
41. Badhai J, Ghosh TS, Das SK. Karakteristik taksonomi dan fungsional komunitas
mikroba dan korelasinya dengan sifat fisikokimia dari empat mata air panas bumi di
Odisha. India. Mikrobiol Depan. 2015;6:1166.

42. Saxena R, Dhakan DB, Mittal P, Waiker P, Chowdhury A, Ghatak A, dkk.

Analisis Metagenomik Mata Air Panas di India Tengah Mengungkapkan Hidrokarbon