Optimización guiada por aprendizaje activo de biosensores libres de células para pruebas de plomo en agua potable

Área de la Ciencia:

• Biología sintética
• Ingeniería de biosensores
• Monitoreo del medio ambiente

Sus antecedentes:

• Los factores de transcripción alostéricos (aTF) son prometedores para el diagnóstico en el punto de uso.
• Los aTF naturales a menudo carecen de la sensibilidad y la selectividad requeridas para aplicaciones del mundo real.
• Los métodos tradicionales de evolución dirigida luchan con la optimización multiobjetivo de los biosensores.

Objetivo del estudio:

• Desarrollar un flujo de trabajo de expresión génica libre de células orientado por el aprendizaje automático (ML) para la ingeniería de biosensores basados en aTF.
• Mejorar la sensibilidad y la selectividad de los biosensores aTF para contaminantes ambientales específicos.
• Acelerar el desarrollo de herramientas de biología sintética para la biotecnología.

Principales métodos:

• Se desarrolló un flujo de trabajo de expresión génica libre de células multiobjetivo guiado por ML.
• Se generaron datos de secuencia a función de alta calidad y se utilizaron para entrenar un modelo ML con etiquetas direccionales.
• El flujo de trabajo se aplicó para diseñar el aTF PbrR para la detección de plomo.

Principales resultados:

• El PbrR de ingeniería alcanzó la sensibilidad al nivel de acción de la Agencia de Protección Ambiental de los Estados Unidos (EPA) para el plomo.
• Se modificó la selectividad para reducir la interferencia del zinc.
• El PbrR diseñado detectó plomo en agua potable hasta ~ 5.7 ppb utilizando reacciones libres de células liofilizadas.

Conclusiones:

• El marco multiobjetivo impulsado por ML acelera la ingeniería de los biosensores aTF.
• Este enfoque permite el desarrollo de diagnósticos sensibles y selectivos en el punto de uso para el monitoreo ambiental.
• El marco es generalizable a otros biosensores y proteínas, avanzando en aplicaciones de biología sintética.