机器学习引导优化酵母中的酸生产
Sara Moreno-Paz1, Rianne van der Hoek2, Elif Eliana1
1Laboratory of Systems and Synthetic Biology, Wageningen University & Research, 6708 WE Wageningen, The Netherlands.
ACS synthetic biology
|March 28, 2024
概括
工业生物技术通过设计-构建-测试-学习 (DBTL) 循环加速微生物细胞工厂的发展. 在DBTL循环中整合机器学习显著增强了酵母中的p-coumaric酸生产.
科学领域:
- 工业生物技术 工业生物技术
- 合成生物学 合成生物学
- 代谢工程是代谢工程.
背景情况:
- 微生物细胞工厂对于生物经济至关重要.
- 设计-构建-测试-学习 (DBTL) 周期加速开发,但需要有效的阶段集成.
研究的目的:
- 为路径优化提出和评估DBTL循环内的集成链路.
- 为了增强Saccharomyces cerevisiae中的p-coumaric酸 (pCA) 生产.
主要方法:
- 采用了单一库库生成,随机选和有针对性的测序.
- 采用机器学习 (ML) 模型进行路径优化和设计空间扩展.
- 应用特征的重要性和沙普利增量解释值.
主要成果:
- 在两个DBTL周期内实现了PCA生产68%的增加.
- 在葡萄糖上达到0.52g/L的最终标位和0.03g/g的产量.
- 在指导优化方面展示了ML模型的稳定性和灵活性.
结论:
- 集成的DBTL循环与ML有效地加速微生物菌株的发展.
- 机器学习衍生出的洞察力扩大了改善生物生产的设计空间.
- 这种方法为优化生物化学品生产提供了一个强大的战略.
更多相关视频
14:53Techniques for the Evolution of Robust Pentose-fermenting Yeast for Bioconversion of Lignocellulose to Ethanol
Published on: October 24, 2016
11.2K
06:24Generic Protocol for Optimization of Heterologous Protein Production Using Automated Microbioreactor Technology
Published on: December 15, 2017
10.0K
