基于流量平衡分析和生物系统设计机器学习管道的混合模型驱动平台
Debiao Wu1, Feng Xu1, Yaying Xu1
1State Key Laboratory of Bioreactor Engineering, East China University of Science and Technology, 130 Meilong Road, Shanghai, 200237, People's Republic of China.
Synthetic and systems biotechnology
|January 18, 2024
概括
机器学习和代谢建模通过识别关键基因标来增强酵母中的乙醇生产. 删除特定的基因,如糖酸脱酶和甘-3-酸盐脱酶,显著提高了乙醇产量.
科学领域:
- 系统生物学和合成生物学
- 代谢工程是代谢工程.
- 计算生物学是一种计算生物学.
背景情况:
- 代谢建模和机器学习 (ML) 对于理解基因型-表型-环境联系至关重要.
- 整合这些框架和流量学数据尚未得到充分探索.
研究的目的:
- 展示,评估和比较基于机器学习的数据集成技术.
- 通过代谢工程来增强*Saccharomyces cerevisiae*中的乙醇生产.
主要方法:
- 开发和评估了用于数据集成的混合ML模型.
- 进行了摇篮实验,以评估基因淘汰对乙醇生物合成的影响.
- 研究了糖酸脱酶 (SDH) 和甘-3-酸脱酶 (GPD) 在乙醇生产中的作用.
主要成果:
- ML模型确定了六个基因过度表达和七个基因淘汰,以改善乙醇生产.
- 与野生类型相比,SDH亚单元基因淘汰增加了6-10%的乙醇产量.
- 双重基因删除 (例如, *Δsdh*4*Δgpd*1) 导致乙醇生产显著增强 (21.6-27.9%).
结论:
- 整合机械流动特征可以提高基因淘汰菌株的预测准确性.
- 这项研究为操纵表型提供了有价值的工具,并获得了合成生物学中的机械洞察力.
- 工程酵母菌株在乙醇生产效率方面取得了实质性的改进.
