Возможности использования информационных ресурсов в биоремедиации

Обложка

Цитировать

Полный текст

Аннотация

Резюме: Биоремедиация с использованием микроорганизмов имеет ряд преимуществ по сравнению с физико-химическими методами очистки вод, грунтов и атмосферы. Микроорганизмы обладают широким спектром метаболических возможностей, благодаря которым они способны преобразовывать, модифицировать и утилизировать токсичные загрязнители для получения энергии и производства биомассы. Показано их участие в разложении различных промышленных отходов, таких как красители, углеводороды, хлорированные ароматические соединения, пестициды и другие. Хотя использование микроорганизмов является экологически чистым и перспективным способом решения экологических угроз, на эффективность биоремедиации влияют многие факторы, такие как химическая природа загрязнителей, их доступность для микроорганизмов, физико-химические характеристики окружающей среды, а также взаимодействие самих организмовдеструкторов друг с другом. Сегодня очень важен поиск новых эффективных штаммов или создание супердеструкторов методами генной и белковой инженерии. Эта задача может быть решена путем привлечения таких «инструментов», как геномика, протеомика, транскриптомика, метаболомика. Эти технологии требуют интеграции огромного количества данных, что невозможно обеспечить без использования биоинформатики. Биоинформатика применяется в микробной биоремедиции разными способами: анализ данных секвенирования генома, идентификация кодирующих белки генов, сравнительный анализ для идентификации функции неизвестных генов, автоматическая реконструкция и сравнение метаболических путей, а также исследование белокбелок и белок–ДНК взаимодействий для понимания регуляторных механизмов. Данный обзор направлен на освещение различных ресурсов, хранящих информацию о возможных путях микробного метаболизма, участвующих в биодеградации нефтепродуктов. Использование подобных информационных ресурсов может стать отправной точкой для многих исследований в биоремедиации.

Об авторах

Э. В. Бабынин

Казанский (Приволжский) федеральный университет; Татарский научно-исследовательский институт агрохимии и почвоведения

Email: edward.b67@mail.ru

И. А. Дегтярева

Казанский (Приволжский) федеральный университет; Казанский национальный исследовательский технологический университет

Email: peace-1963@mail.ru

Список литературы

  1. Ellis L.B.M., Roe D., Wackett L.P. Biodegradation Database: the first decade // Nucleic Acids Research. 2006. Vol. 34. P. D517–D521. https://doi.org/10.1093/nar/gkj076
  2. Arora P.K., Shi W. Tools of bioinformatics in biodegradation // Reviews in Environmental Science and Biotechnology. 2010. Vol. 9. P. 211–213. https: //doi.org/10.1007/s11157-010-9211-x
  3. Gao J., Ellis L.B.M., Wackett L.P. The university of Minnesota biocatalysis/biodegradation database: improving public access // Nucleic Acids Research. 2010. Vol. 38. P. D488-D491. https://doi.org/10.1093/nar/gkp771
  4. Дегтярева И.А., Яппаров И.А., Яппаров А.Х., Ежкова А.М., Давлетшина А.Я., Шайдуллина И.А. Создание и применение биоудобрения на основе эффективного консорциума микроорганизмов-деструкторов углеводородов для рекультивации нефтезагрязненных почв Республики Татарстан // Нефтяное хозяйство. 2017. N 5. С.100–103. https://doi.org/10.24887/0028-2448-2017-5-100-103
  5. Costa A.S., Romão L.P.C., Araújo B.R., Lucas S.C.O., Maciel S.T.A., Wisniewski A. Jr., et al. Environmental strategies to remove volatile aromatic fractions (BTEX) from petroleum industry wastewater using biomass // Bioresource Technology. 2012. Vol. 105. P. 31–39. https://doi.org/10.1016/j.biortech.2011.11.096
  6. Chandra S., Sharma R., Singh K., Sharma A. Application of bioremediation technology in the environment contaminated with petroleum hydrocarbon // Annals of Microbiology. 2013. Vol. 63. Issue 2. P. 417–431. https://doi.org/10.1007/s13213-012-0543-3
  7. Souza E.C., Vessoni-Penna T.C., de Souza Oliveira R.P. Biosurfactant-enhanced hydrocarbon bioremediation: an overview // International Biodeterioration & Biodegradation. 2014. Vol. 89. P. 88–94. https://doi.org/10.1016/j.ibiod.2014.01.007
  8. Шайдуллина И.А., Яппаров А.Х., Дегтярева И.А., Латыпова В.З., Гадиева Э.Ш. Рекультивация нефтезагрязненных почв на примере выщелоченных черноземов Татарстана // Нефтяное хозяйство. 2015. N 3. С. 102–105.
  9. Дегтярева И.А., Бабынин Э.В., Мотина Т.Ю., Султанов М.И. Полногеномное секвенирование штамма Staphylococcus warneri, изолированного из загрязненной нефтью почвы // Известия вузов. Прикладная химия и биотехнология, 2020. Т. 10. N 1. С. 48–55.
  10. Abatenh E., Gizaw B., Tsegaye Z., Wassie M. The role of microorganisms in bioremediation // Open Journal of Environmental Biology. 2017. Vol. 1. Issue 1. P. 038–046. https://doi.org/10.17352/ojeb.000007
  11. Bhandari S., Poudel D.K., Marahatha R., Dawadi S., Khadayat K., Phuyal S., et al. Microbial enzymes used in bioremediation // Journal of Chemistry. 2021. Vol. 2021. Issue 4. Article ID 8849512. 17 p. https://doi.org/10.1155/2021/8849512
  12. Abou Seeda M.A., Yassen A.A., Abou El-Nour E.Z.A.A. Microorganism as a tool of bioremediation technology for cleaning waste and industrial water // Bioscience Research. 2017. Vol. 14. Issue 3. P. 633–644.
  13. Dave S., Das J. Role of microbial enzymes for biodegradation and bioremediation of environmental pollutants: challenges and future prospects. In: Bioremediation for Environmental Sustainability. Saxena G., Kumar V., Shah M.P. (eds.) Elsevier, 2021. P. 325–346. https://doi.org/10.1016/B978-0-12-820524-2.00013-4
  14. Singh P., Jain R., Srivastava N., Borthakur A., Pal D.B., Singh R., et al. Current and emerging trends in bioremediation of petrochemical waste: a review // Critical Reviews in Environmental Science and Technology. 2017. Vol. 47. Issue 3. P. 155–201. https://doi.org/10.1080/10643389.2017.1318616
  15. Ghaly A.E., Yusran A., Dave D. Effects of biostimulation and bioaugmentation on the degradation of pyrene in soil // Journal of Bioremediation & Biodegradation. 2013. S7:005. 13 p. https://doi.org/10.4172/2155-6199.S7-005
  16. Koshlaf E., Ball A.S. Soil bioremediation approaches for petroleum hydrocarbon polluted environments // AIMS Microbiology. 2017. Vol. 3. Issue 1. P. 25–49. https://doi.org/10.3934/microbiol.2017.1.25
  17. Dvořák P., Nikel P.I., Damborský J., de Lorenzo V. Bioremediation 3.0: engineering pollutant-removing bacteria in the times of systemic biology // Biotechnology Advances. 2017. Vol. 35. Issue 7. P. 845–866. https://doi.org/10.1016/j.biotechadv.2017.08.001
  18. Chandran H., Meena M., Sharma K. Microbial biodiversity and bioremediation assessment through omics approaches // Frontiers Environmental Chemistry. 2020. Vol. 1. P. 570326. https://doi.org/10.3389/fenvc.2020.570326
  19. Jesmok E.M., Hopkins J.M., Foran D.R. Next-generation sequencing of the bacterial 16S rRNA gene for forensic soil comparison: a feasibility study // Journal Forensic Sciences. 2016. Vol. 61. Issue 3. P. 607–617. https://doi.org/10.1111/1556-4029.13049
  20. Rahmeh R., Akbar A., Kumar V., Al-Mansour H., Kishk M., Ahmed N., et al. Insights into bacterial community involved in bioremediation of aged oilcontaminated soil in arid environment // Evolutionary Bioinformatics Online. 2021. Vol. 17. 13 p. https://doi.org/10.1177/11769343211016887
  21. Misra B.B., Langefeld C.D., Olivier M., Cox L.A. Integrated omics: tools, advances, and future approaches // Journal of Molecular Endocrinology. 2018. Vo. 62. Issue 1. P. R21–R45. https://doi.org/10.1530/JME-18-0055
  22. Pandey A., Tripathi P.H., Tripathi A.H., Pandey S.C., Gangola S. Omics technology to study bioremediation and respective enzymes. In: Smart bioremediation technologies. Microbial enzymes. Bhatt P. (ed.). New Delhi: Academic Press, 2019. P. 23–43. https://doi.org/10.1016/B978-0-12-818307-6.00002-0
  23. Singh A.K., Bilal M., Iqbal H.M.N., Raj A. Trends in predictive biodegradation for sustainable mitigation of environmental pollutants: recent progress and future outlook // Science of The Total Environment. 2021. Vol. 770. P. 144561. https://doi.org/10.1016/j.scitotenv.2020.144561
  24. Goh H.-H. Integrative multi-omics through bioinformatics. // Advances in Experimental Medicine and Biology. 2018. Vol. 1102. P. 69–80. https:// doi.org/10.1007/978-3-319-98758-3_5
  25. Ejigu G.F., Jung J. Review on the computational genome annotation of sequences obtained by nextgeneration sequencing // Biology. 2020. Vol. 9. Issue 9. P. 295. https://doi.org/10.3390/biology9090295
  26. Zhang P., Berardini T.Z., Ebert D., Li Q., Mi H., Muruganujan A., et al. PhyloGenes: An online phylogenetics and functional genomics resource for plant gene function inference // Plant Direct. 2020. Vol. 4. Issue 12. P. e00293. https://doi.org/10.1002/pld3.293
  27. Tong H., Phan N.V.T., Nguyen T.T., Nguyen D.V., Vo N.S., Le L. Review on databases and bioinformatic approaches on pharmacogenomics of adverse drug reactions // Pharmacogenomics and Personalized Medicine. 2021. Vol. 14. P. 61–75. https://doi.org/10.2147/PGPM.S290781
  28. Caspi R., Altman T., Billington R., Dreher K., Foerster H., Fulcher C.A., et al. The MetaCyc database of metabolic pathways and enzymes and the BioCyc collection of pathway/genome databases // Nucleic Acids Research. 2012. Vol. 42 (Database issue). P. D459–D471. https://doi.org/10.1093/nar/gkt1103
  29. Mohan C.G., Gandhi T., Garg D., Shinde R. Computer-assisted methods in chemical toxicity prediction // Mini-Reviews in Medicinal Chemistry. 2007. Vol. 7. Issue 5. P. 499–507. https://doi.org/10.2174/138955707780619554
  30. Chou C.H., Chang W.C., Chiu С.С., Huang С.С., Huang H.D. FMM: a web server for metabolic pathway reconstruction and comparative analysis // Nucleic Acids Research. 2009. Vol. 37. P. W129–W134. https://doi.org/10.1093/nar/gkp264
  31. Finley S.D., Broadbelt L.J., Hatzimanikatis V. Computational framework for predictive biodegradation // Biotechnology and Bioengineering. 2009. Vol. 104. Issue 6. P. 1086–1097. https://doi.org/10.1002/bit.22489
  32. Moriya Y., Shigemizu D., Hattori M., Tokimatsu T., Kotera M., Goto S., et al. PathPred: an enzyme-catalyzed metabolic pathway prediction server // Nucleic Acids Research. 2010. Vol. 38. P.W138–W143. https://doi.org/10.1093/nar/gkq318
  33. Gao J., Ellis L.B.M., Wackett L.P. The University of Minnesota pathway prediction system: multi-level prediction and visualization // Nucleic Acids Research. 2011. Vol. 39. (Web Server issue). P. W406–W411. https://doi.org/10.1093/nar/gkr200
  34. Kotera M., Goto S. Metabolic pathway reconstruction strategies for central metabolism and natural product biosynthesis // Biophysics & Physicobiology. 2016. Vol. 13. P. 195–205. https://doi.org/10.2142/biophysico.13.0_195
  35. Shah H.A., Liu J., Yang Z., Feng J. Review of machine learning methods for the prediction and reconstruction of metabolic pathways // Frontiers in Molecular Biosciences. 2021. Vol. 8. P. 634141. https://doi.org/10.3389/fmolb.2021.634141
  36. Wang L., Dash S., Ng C.Y., Maranas C.D. A review of computational tools for design and reconstruction of metabolic pathways // Synthetic and Systems Biotechnology. 2017. Vol. 2. Issue 4. P. 243–252. https://doi.org/10.1016/j.synbio.2017.11.002
  37. Wackett L.P. The Metabolic Pathways of Biodegradation. In: The prokaryotes. Applied Bacteriology and Biotechnology. 4th edition. Rosenberg E. (editor-in-chief); DeLong E.F., Lory S., Stackebrandt E., Thompson F. (eds.). Springer, Berlin, Heidelberg. 2013. P. 383–393. https://doi.org/10.1007/978-3-642-31331-8_76
  38. Dombrowski N., Donaho J.A., Gutierrez T., Seitz K.W., Teske A.P., Baker B.J. Reconstructing metabolic pathways of hydrocarbon-degrading bacteria from the Deepwater Horizon oil spill // Nature Microbiology. 2016. Vol. 1. Issue 7. Article number 16057. https://doi.org/10.1038/nmicrobiol.2016.57
  39. Jaiswal S., Shukla P. Alternative strategies for microbial remediation of pollutants via synthetic biology // Frontiers in Microbiology. 2020. Vol. 11. P. 808. https://doi.org/10.3389/fmicb.2020.00808
  40. Henry C.S., DeJongh M., Best A.A., Frybarger P.M., Linsay B., Steven R.L. Highthroughput generation, optimization and analysis of genome-scale metabolic models // Nature Biotechnology. 2010. Vol. 28. P. 977–982. https://doi.org/10.1038/nbt.1672
  41. Kanehisa M., Furumichi M., Tanabe M., Sato Y., Morishima K. KEGG: new perspectives on genomes, pathways, diseases and drugs // Nucleic Acids Research. 2017. Vol. 45. Issue D1. P. D353–D361. https://doi.org/10.1093/nar/gkw1092
  42. Caspi R., Billington R., Ferrer L., Foerster H., Fulcher C.A., Keseler I.M., et al.The MetaCyc database of metabolic pathways and enzymes and the BioCyc collection of pathway/genome databases // Nucleic Acids Research. 2016. Vol. 44. Issue D1. P. D471–D480. https://doi.org/10.1093/nar/gkv1164
  43. Rentzsch R., Orengo C.A. Protein function prediction – the power of multiplicity // Trends in Biotechnology. 2009. Vol. 27. Issue 4. P. 210–219. https://doi.org/10.1016/j.tibtech.2009.01.002
  44. Calderón-González K.G., Hernández-Monge J., Herrera-Aguirre M.E., Luna-Arias J.P. Bioinformatics tools for proteomics data interpretation // Advances in Experimental Medicine and Biology. 2016. Vol. 919. P. 3281–341. https://doi.org/10.1007/978-3-319-41448-5_16
  45. Oliveira J.S., Araújo W., Lopes Sales A.I., de Brito Guerra A., da Silva Araújo S.C., de Vasconcelos A.T.R., et al. BioSurfDB: knowledge and algorithms to support biosurfactants and biodegradation studies. // Database. The Journal of Biology Databases and Curation. 2015. Vol. 2015. bav 033. https://doi.org/10.1093/database/bav033
  46. Medema M.H., van Raaphorst R., Takano E., Breitling R. Computational tools for the synthetic design of biochemical pathways R // Nature Reviews Microbiology. 2012. Vol. 10. Issue 3. P. 191–202. https://doi.org/10.1038/nrmicro2717
  47. Hadadi N., Hatzimanikatis V. Design of computational retrobiosynthesis tools for the design of de novo synthetic pathways // Current Opinion in Chemical Biology. 2015. Vol. 28. P. 99–104. https://doi.org/10.1016/j.cbpa.2015.06.025
  48. Langowski J., Long A. Computer systems for the prediction of xenobiotic metabolism // Advanced Drug Delivery Reviews. 2002. Vol. 54. Issue 3. P. 407–415. https://doi.org/10.1016/s0169-409x(02)00011-x
  49. Wicker J., Lorsbach T., Gütlein M., Schmid E., Latino D., Kramer S., et al. EnviPath – the environmental contaminant biotransformation pathway resource // Nucleic Acids Research. 2016. Vol. 44. Issue D1. P. D502–D508. https://doi.org/10.1093/nar/gkv1229
  50. Pazos F., Guijas D., Valencia A., de Lorenzo V. MetaRouter: bioinformatics for bioremediation // Nucleic Acids Research. 2005. Vol. 33. P. D588–D592. https://doi.org/10.1093/nar/gki068

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».