在Bacillus中优化表面素产量,使用数据效率高的主动学习和高通量质谱法
Ricardo Valencia Albornoz1, Diego Oyarzún1,2, Karl Burgess1
1Institute of Quantitative Biology, Biochemistry & Biotechnology, School of Biological Sciences, University of Edinburgh, King's Buildings, Edinburgh, United Kingdom.
Computational and structural biotechnology journal
|March 29, 2024
概括
积极学习和代谢学使用数据驱动的设计-构建-测试-学习循环将表面素的生产优化了160%. 这种方法通过了解代谢权衡来提高复杂生物产品的产量.
科学领域:
- 合成生物学 合成生物学
- 代谢工程是代谢工程.
- 机器学习 机器学习
背景情况:
- 设计-构建-测试-学习 (DBTL) 循环对于推进合成生物学至关重要.
- 优化像表面素这样复杂分子的生产需要复杂的方法.
研究的目的:
- 应用主动学习和代谢学来优化表面素的生产.
- 开发一个数据驱动的框架,以提高复杂生物合成途径的产量.
主要方法:
- 在DBTL框架内实现了用于媒体优化的主动学习算法.
- 利用高通量代谢学来分析细胞生物化学.
- 基于算法引导学习的代调整的媒体组成.
主要成果:
- 在三个DBTL周期后,与基线M9介质相比,表面素产量增加了160%.
- 代谢学揭示了对产量改善和权衡的生化洞察力.
- 确定了有机酸和表面素生产之间的积极关联.
结论:
- 积极学习与代谢学相结合,为优化生物产品产量提供了有效的数据驱动策略.
- 该框架适用于传统方法难以处理的复杂路径.
- 了解代谢权衡是有效生物生产的关键.


