合成数据增强的机器学习方法,用于量身定制的微生物转化甲为植物

科学领域:

• 微生物生物技术 微生物生物技术
• 合成生物学 合成生物学
• 代谢工程是代谢工程.

背景情况:

• 用于有价值的化合物生物合成的代谢工程通常受到试错方法的限制.
• 优化非模型生物体的优化,如Methylocystis sp. 由于数据稀缺,MJC1提出了独特的挑战.
• 来自甲的植物生物合成提供了一个可持续的生物生产途径.

研究的目的:

• 开发一种机器学习 (ML) 辅助的预测框架,以优化Methylocystis sp.中的植物基生物合成. 在MJC1.1.
• 通过对非模型生物的合成数据生成来提高ML模型的性能.
• 系统地设计甲基四酸 (MEP) 和胡卜素路径,以提高植物产量.

主要方法:

• 开发了一个ML辅助的预测框架,包含合成数据生成 (CTGAN).
• 在MEP和胡卜素通路中向关键基因 (dxs,crtE,crtB),调节促进体强度.
• 采用深度神经网络 (DNN) 和支持矢量机器 (SVM) 来预测最佳的促进器-基因组合.
• 利用条件表式生成对抗网络 (CTGAN) 来生成合成数据,克服了非模型生物的局限性.

主要成果:

• 根据ML指导的工程菌株显示,植物产量提高了2.2倍.
• 与基株相比,在工程菌株中,植物含量增加了1.5倍.
• 验证了ML框架的有效性和用于路径优化的合成数据生成.

结论:

• 集成的ML驱动的预测框架与代谢工程使微生物生物转换的快速和精确优化成为可能.
• 开发的方法成功地增强了从甲中使用非模型甲类植物的植物生物合成.
• 这项研究表明,利用工程微生物实现可持续生物生产的强大策略.