,,Een cel is geen zak met enzymen!‘’, waarschuwde de docent ons tijdens het eerste college microbiologie dat ik aan de toen nog Landbouw Universiteit Wageningen volgde. ,,De cel is een chemische fabriek.’‘, voegde mijn promotor aan de Technische Universiteit Delft daar vijf jaar later aan toe. Nu, weer vijf jaar later, ben ik zelf net docent geworden en wacht ik met ongeduld op mijn eerste college om het devies van mijn leermeesters versterkt door te geven: ,,De complexiteit van elke chemische fabriek verbleekt bij die van de eenvoudigste cel!’’

Oogsttijd

De media besteden de laatste jaren veel aandacht aan de snel toenemende kennis op het gebied van de celbiologie. Met name het bepalen van de genetische code – het DNA – van een snel groeiend aantal organismen, waaronder de mens, haalt de voorpagina’s van alle landelijke dagbladen. Maar daarbij houdt het niet op! Naast het DNA, met daarop het volledige bouwplan en de handleiding van elke cel, kunnen ook de mRNA-moleculen van meer en meer soorten cellen gemeten worden. Dit mRNA geeft de DNA-instructies om eiwitten aan te maken door aan de celonderdelen die de eiwitten daadwerkelijk produceren.

De hoeveelheden van de verschillende mRNA-instructies die er onder bepaalde omstandigheden in de cel rondzwemmen verklappen aan de moleculair biologen aan welke eiwitten de cel op dat moment behoefte heeft. En ook die eiwitten zelf en de zogenaamde ‘metabolieten’ – nog veel kleinere moleculen, zoals suikers en vetten – kunnen tegenwoordig gemeten worden. Dit nieuws moet je dan misschien in de wetenschapsbijlagen zoeken, maar het weet zijn weg naar het grote publiek toch wel te vinden, mede dankzij de mooie, kleurrijke plaatjes met rode, gele en groene stipjes van de mRNA-chips (zie afbeelding 1). Na decennia van geduldige ontwikkeling van bio-analytische technieken is de oogst nu echt begonnen en lopen de data-voorraadschuren snel vol.

Minder aandacht is er voor het feit dat de rijke oogst aan data nog heel wat bewerking behoeft voordat het onze honger naar kennis over de cel zal stillen. Meten is weten, luidt het gezegde, maar echt begrijpen is nog een grote stap verder. De bewerking en interpretatie van de ruwe data is nu de grote uitdaging waar de moleculair biologen voor staan. En zij staan niet alleen: met hen breekt momenteel een leger aan wiskundigen, chemisch technologen en soms ook natuurkundigen het hoofd over de samenhang tussen al die afgelezen DNA-basenparen, de oplichtende stipjes op de mRNA-chips, de vlekjes in de gels waarmee eiwitten gescheiden worden en de talloze pieken in de massaspectra waarin de afzonderlijke metabolieten zichtbaar worden. Ze hebben mooie termen bedacht voor al die soorten data, termen die allemaal eindigen op ‘omics’, wat zoiets betekent als ‘de studie van het geheel van alle…’. Zo kennen we nu ‘genomics’, de studie van alle genen in het DNA, ‘transcriptomics’ voor de mRNA-transcripten (kopiëen), ‘proteomics’ voor de proteïnen, ofwel eiwitten, ‘metabolomics’ voor de metabolieten en ja, zelfs ‘interactomics’ voor de studie van alle interacties tussen stoffen in de cel.

Degenen die al deze ‘omics’ aan elkaar willen knopen in één alomvattende beschrijving van de levende cel – of van het organisme waarvan deze cel soms deel uitmaakt – hebben zich verenigd onder de naam ‘systeem biologie’. Gelukkig is het niet zo dat de systeembiologen op dit moment alleen maar bergen met data hebben en geen greintje begrip. Onwetend zijn ze zeker niet. Al lang voor het aanbreken van de recente oogsttijd waren celbiologen succesvol in het ontrafelen van de samenhang tussen de verschillende klassen aan stoffen in de cel: de nucleïnezuren, de eiwitten, de enzymen (eiwitten die dienen om reacties in de cel te versnellen) en de metabolieten. Ze ontdekten hoe de ene klasse verantwoordelijk is voor de aanmaak of afbraak van de volgende en hoe die volgende klasse op haar beurt ‘democratische’ controle uitoefent op het functioneren van de vorige.

Bijvoorbeeld: een enzym produceert een metabool product dat, wanneer het ophoopt in de cel, de werking van het enzym remt. Dit simpele controlemechanisme voorkomt de vergiftiging van de cel. Biokatalytici onderzochten talloze gezuiverde enzymen om te ontdekken welke substraten (stofje waar enzym op aangrijpt) er in hun actieve holtes passen en welke moleculaire veranderingen er dan in het substraat plaatsvonden. Genetici bestudeerden eiwitten om te ontdekken hoe deze soms met meer dan tien tegelijk (zie afbeelding 2) een team vormen dat aan een specifiek stukje DNA bindt om het aflezen hiervan te stimuleren -of juist te verhinderen. Celbiologen versierden bepaalde celeiwitten met zilveren bolletjes en bekeken daarna de cel met een elektronenmicroscoop om te ontdekken waar die eiwitten zich precies bevinden.

Dus wat is nu precies het probleem? De samenhang tussen veel losse onderdelen is bekend en de meetgegevens over die onderdelen komen nu met vrachtschepen tegelijk binnen.

Toevalstreffers

Om het probleem te begrijpen, moet eerst het doel van deze hele wetenschappelijke onderneming vastgesteld worden. En dat doel betreft niet zozeer de precieze toepassingen van de kennis, want dat zijn er vele, maar meer algemeen: we willen het gedrag van de cel begrijpen om deze vervolgens in een gewenste richting te kunnen sturen. Of het nu gaat om een groepje ongecontroleerd groeiende kankercellen dat we door een medicijn willen doen afsterven, om een schimmel die we meer antibioticum willen laten produceren, of om een maïsplantencel die gifstoffen tegen mogelijke belagers moet produceren.

Of die toepassingen werkelijkheid moeten worden, moet per geval besproken worden. Of ze werkelijkheid kunnen worden, hangt af van de vraag hoe goed we de cel leren begrijpen. En die mate van begrip zal waarschijnlijk ook invloed hebben op de toelating van een toepassing van genetische modificatie: goed begrepen ingrepen in de cel zijn in elk geval gewenster dan willekeurige veranderingen, want dan moeten eventuele bijeffecten nog maar afgewacht worden.

Er zijn al talloze voorbeelden van succesvolle ingrepen in cellen te noemen. Het grootste deel daarvan berust echter op louter toeval of op een relatief eenvoudige verandering waar niet al teveel begrip voor nodig is. Een goed voorbeeld van toevallige ingrepen is de verhoging van de productie van penicilline door de schimmel Penicillium chrysogenum (zie afbeelding 3). De in de natuur voorkomende voorouder van deze schimmel produceerde een beetje penicilline om zich van lastige buren (bacteriën) te ontdoen, zodat hij voordeel had in de strijd om de schaarse voedselbronnen in zijn leefomgeving. De huidige productiestam die onder andere door het Nederlandse bedrijf DSM wordt gebruikt, produceert ruim 10.000 maal zoveel penicilline. Deze stam is verkregen door de beste productiestam herhaaldelijk aan mutaties veroorzakende omstandigheden (bijvoorbeeld UV-licht) bloot te stellen en vervolgens te zoeken naar mutanten die door willekeurige veranderingen van hun erfelijk materiaal een hogere productie hadden dan de oorspronkelijke stam. Hier kwamen dus noch hoogstaande moleculaire technologieën, noch veel begrip van de cel aan te pas.

Een voorbeeld van een simpele, gerichte mutatie is wanneer men wil dat een micro-organisme een bepaald bijproduct niet meer produceert en men dit voor elkaar krijgt door een gen te verwijderen dat slechts betrokken is bij de productie van dat ene stofje en niet voor alle andere. Hiervoor zijn weliswaar moderne moleculaire (recombinant-DNA) technieken nodig, maar nog steeds weinig diepgaande kennis van de cel.

Een aantal grote chemische industrieën, waaronder het Nederlandse bedrijf DSM, de Duitse chemiereuzen BASF en Bayer en de Amerikaanse bedrijven Merck en DuPont, kijken de laatste jaren steeds meer naar de mogelijkheden om nieuwe, maar ook bestaande chemicaliën met behulp van micro-organismen te fabriceren. Alhoewel de bedrijven meestal terecht de nadruk leggen op het feit dat de productie met micro-organismen milieuvriendelijkere processen oplevert dan de klassieke ketens van synthetische reacties en zuiveringen, zullen ze niet voor de biotechnologische weg kiezen wanneer die veel duurder is dan het chemische alternatief. En om biotechnologische processen rendabel te maken moeten de bacteriën en schimmels met hoge snelheid produceren en hun product tot hoge concentraties op kunnen hopen in de reactoren. Dit vergt een aanpassing van de cellen ten opzichte van hun in het wild voorkomende vorm die vele jaren van willekeurige mutaties en selecties zou kosten.

Tegenwoordig hebben weinig industrieën nog zin om lang op toevalstreffers te wachten. Ze zoeken naar methodes om cellen sneller en gerichter te optimaliseren voor een bepaald doel. Dat vergt veel inzicht. En inzicht in complexe systemen komt altijd in de vorm van wiskundige modellen, want grote complexe problemen zijn zonder de hulp van modellen vaak niet te doorzien.

Droom

Een voorbeeld van een vakgebied waar modellen een grote rol spelen, is bij het ontwerp van elektronische apparatuur. Natuurkundigen begrijpen tegenwoordig de werking van alle elektronische componenten zo precies, dat ze op een computer een nieuw apparaat kunnen ontwerpen en testen en vervolgens succesvolle ontwerpen naar de productieafdeling durven te sturen zonder eerst een prototype te maken. Het is de droom van de biotechnologen om ditzelfde met cellen te kunnen doen.

Een probleem dat de verwezenlijking van deze droom op dit moment verhindert, is dat het begrip van de losse celcomponenten die de biotechnologen hebben niet altijd opgaat wanneer de cel als geheel functioneert. Zo kan het gebeuren dat een biochemicus een enzym uit de cel zuivert en hiermee in reageerbuisjes meet hoe snel de omzettingen van tal van verschillende stoffen plaatsvinden, maar vervolgens ontdekt dat deze reactiesnelheden niet gelden als datzelfde enzym in de cel zit. Verklaringen hiervoor kunnen zijn dat de concentraties van de stoffen in de cel heel anders zijn dan in de reageerbuis, dat het enzym in de cel door één van de talloze andere eiwitten gebonden wordt en daardoor andere eigenschappen krijgt, of dat er in de cel een onbekend stofje voorkomt dat de biochemicus niet in zijn reageerbuis had gepipetteerd en dat de enzymactiviteit beïnvloedt.

Vandaar dat de al eerder genoemde aanpak van het meten van alle mRNA-transcripten, vele eiwitten en metabolieten in de cel zo populair is geworden. Wat je dan meet, dat gebeurt niet alleen in een reageerbuis, maar in het echt. Het vakgebied systeem biologie die deze meetdata, zoals eerder gezegd, aan elkaar wil knopen heeft niet meer genoeg aan een simpele vergelijking, maar werkt met grote sets aan wiskundige vergelijkingen. Deze moeten het gedrag van de cel voorspellen op basis van gegevens over de leefomgeving van de cel: temperatuur, zuurgraad en concentraties van de voedingsstoffen in de vloeistof waarin de cel groeit.

Een voorbeeld hiervan is een model dat de reactiesnelheden in de alcoholische vergisting van glucose beschrijft. Dit model, waarvan de reacties en de onderweg gevormde en afgebroken reactanten schematisch zijn afgebeeld in afbeelding 4, bestaat uit 24 ingewikkelde reactiesnelheidsvergelijkingen die het gedrag van elk enzym in het netwerk beschrijven. Dit model is te bekijken, te veranderen en te simuleren op de website http://www.jjj.bio.vu.nl/index.html van de Vrije Universiteit in Amsterdam. Zoals de bezoeker van deze website ziet, staat elk van de 24 vergelijkingen bol van de constantes, die samen met de ingevoerde gegevens over de leefomgeving van de cel tot een berekende reactiesnelheid leiden.

Deze modelconstantes zeggen iets over de dynamische eigenschappen van het reactienetwerk, zoals bijvoorbeeld de snelheid waarmee de verschillende reacties in de cel veranderen na een plotselinge verhoging van de suikerconcentratie in de reactor waarin het micro-organisme groeit. Stel je voor dat in het voorbeeld van afbeelding 4 inderdaad de glucoseconcentratie sterk wordt verhoogd en dat daardoor de reactie die de metaboliet G6P (glucose 6-fosfaat) produceert versnelt. Het gevolg zal zijn dat de concentratie van G6P in de cel snel toeneemt. Deze toenemende concentratie zal op haar beurt leiden tot een versnelling van de vervolgreacties die dit stofje consumeren. Hierdoor vertraagt de ophoping van G6P. Als de glucosepuls die aan de reactor werd toegediend door de cel is opgenomen neemt de productiesnelheid van G6P weer af. Omdat de consumptie van G6P nog wel hoog is, neemt nu de concentratie van deze stof in de cel af, totdat we terugkeren bij het oorspronkelijke niveau.

Precies dit soort van dynamiek van metabolietconcentraties wordt gebruikt bij het bepalen van de waarden van de constanten in het wiskundige model dat de reactiesnelheden beschrijft. Afbeelding 5 toont twee Delftse wetenschappers aan het werk die zojuist een glucosepuls hebben toegediend aan een reactor met daarin bakkersgist en die nu razendsnel monsters nemen om daarin vervolgens te gaan meten hoe de concentraties van de metabolieten in de cel reageren in de eerste minuut na de puls. Met deze meetgegevens kunnen zij de constantes in het model bepalen door deze waarden in het model net zo lang te veranderen totdat het model de meetgegevens goed beschrijft.

De uitdaging is nu om experimenten te verzinnen die voldoende informatieve meetdata opleveren om alle constantes in de modellen te kunnen bepalen. Dit valt nog lang niet mee voor grote modellen die een aanzienlijk deel van de gebeurtenissen in de cel beschrijven. Naast het uitbreiden van de experimentele technieken moet daarom de komende jaren hard nagedacht worden over de slimme trucs om de modellen niet al te ingewikkeld te maken. Misschien dat die vereenvoudigde modellen de werkelijkheid niet 100% nauwkeurig beschrijven, maar toch een goede aanwijzing kunnen geven hoe de eigenschappen van de cel naar onze wens bijgestuurd kunnen worden.

Het is een ambitieuze klus, want zoals ik al eerder zei: de complexiteit van elke chemische fabriek verbleekt bij die van de eenvoudigste cel. Bovendien hebben we van de cel, in tegenstelling tot een fabriek, geen bouwplannen in de kast liggen en kunnen we er ook niet zomaar rondwandelen om alle maten op te nemen. De bouwtekeningen zullen we uit de microscopisch kleine werkelijkheid moeten proberen te reconstrueren. Wat we tot nu toe hebben is pas een ruwe schets.

Bronnen:

J.E. Bailey, Lessons from Metabolic Engineering for Functional Genomics and Drugs Discovery, Nature Biotechnology, 17, 1999, p: 616-618

G. Stephanopoulos, D.E. Stafford, Metabolic Engineering: a New Frontier of Chemical Reaction Engineering, Chemical Engineering Science, 57, 2002, p: 2592-2602