Возможности использования информационных ресурсов в биоремедиации

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.

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