机器学习带领的半自动化媒介优化揭示了盐是Pseudomonas putida中flaviolin生产的关键

科学领域:

• 合成生物学 合成生物学
• 生物技术是生物技术.
• 化学工程是化学工程的组成部分.

背景情况:

• 合成生物学旨在以可再生能源生产有价值的化学物质,但缺乏预测能力.
• 媒体优化对于实现商业上可行的标题,率和收益率至关重要.
• 当前媒体优化方法往往是缓慢和低效的.

研究的目的:

• 开发和验证一个分子和宿主不可知的主动学习过程,用于媒体优化.
• 通过自动化和机器学习提高合成生物学研究的效率和有效性.
• 确定影响微生物化学生产的关键介质成分.

主要方法:

• 实现了一个快速的,半自动化管道,用于媒体优化.
• 使用积极学习策略与设计-构建-测试-学习 (DBTL) 循环相结合.
• 使用可解释的人工智能 (XAI) 来识别关键媒体组件.

主要成果:

• 实现了60%和70%的标位增加和350%的工艺产量增加,用于flaviolin生产.
• 确定了高盐 (NaCl) 度是影响flaviolin生产的最重要因素.
• 证明在积极学习中的绩效改进并不总是单调的.

结论:

• 开发的积极学习过程显著增强了微生物的化学生产.
• 高度的盐分,以前被低估,对于优化P. putida KT2440黄生产至关重要.
• 机器学习和自动化为改善合成生物学研究和商业可行性提供了具有成本效益的战略.