Possibilities of using information resources In bioremediation

Cover Page

Cite item

Full Text

Abstract

Abstract: Bioremediation using microorganisms has a number of advantages over physical and chemical methods of water, soil and atmosphere purification. Microorganisms have a wide range of metabolic capabilities that enable them to convert, modify and utilize toxic pollutants for energy and biomass production. This article shows their participation in the decomposition of various industrial wastes, such as dyes, hydrocarbons, chlorinated aromatic compounds and pesticides, among others. Although the use of microorganisms is an environmentally friendly and promising way of solving environmental threats, many factors affect the effectiveness of bioremediation, such as the chemical nature of pollutants, their accessibility to microorganisms, the physical and chemical characteristics of the environment, as well as the interaction of the destructive organisms with each other. The search for new effective strains or the creation of superdestructors using genetic and protein engineering methods proves to be crucial under current circumstances. This task can be solved using such “tools” as genomics, proteomics, transcriptomics and metabolomics. These technologies require the integration of a huge amount of data, which cannot be achieved without the use of bioinformatics. Bioinformatics is used in microbial bioremediation in different ways: analysis of genome sequencing data, identification of protein-coding genes, comparative analysis to identify the function of unknown genes, automatic reconstruction and comparison of metabolic pathways, and study of protein–protein and protein–DNA interactions to understand regulatory mechanisms. This review aims to highlight various resources that store information about possible pathways of microbial metabolism involved in the biodegradation of petroleum products. The use of such information resources can become a starting point for many studies in bioremediation.

About the authors

E. V. Babynin

Kazan Federal University; Tatar Research Institute of Agrochemistry and Soil Science

Email: edward.b67@mail.ru

I. A. Degtyareva

Kazan Federal University; Kazan National Research Technological University

Email: peace-1963@mail.ru

References

  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

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


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».