整合酵母生物多样性和机器学习,用于预测代谢工程.

科学领域:

• 微生物学和生物技术
• 合成生物学 合成生物学
• 计算生物学 计算生物学

背景情况:

• 麦芽是一种工业生物技术中的工作马,但在复杂的代谢物合成和原料利用方面存在局限性.
• 非传统的酵母如Yarrowia lipolytica和Ogataea polymorpha提供了有利的特征 (例如,耐热性,脂质积累),但缺乏足够的遗传工具和可预测性.
• 由于基因工程和组件性能预测方面的挑战,替代酵母的广泛采用受到阻碍.

研究的目的:

• 审查酵母生物多样性如何扩大代谢工程的工程策略.
• 要突出最近的机器学习 (ML) 在数据引导酵母菌株和路径设计方面的进展.
• 强调ML引导的基因元素的识别和优化,以改善酵母平台.

主要方法:

• 在代谢工程中对酵母生物多样性的当前文献的综述.
• 对最近的机器学习应用程序进行分析,以预测遗传部分的功能和优化基因表达.
• 讨论 ML 驱动的新生物合成成分和途径配置的发现.
• 探索如何利用酵母的进化多样性来增强菌株的强度.

主要成果:

• 机器学习能够准确地预测遗传部分的功能,并优化各种酵母中的基因表达.
• 机器学习工具有助于合理选择非模型宿主的遗传元素和路径设计.
• 酵母生物多样性提供了扩展的底盘选项和工具包,在工业条件下提高了菌株性能.
• 基于机器学习的方法简化了代谢工程中的设计-构建-测试-学习周期.

结论:

• 酵母生物多样性和机器学习的整合正在创建更加模块化,预测性和可扩展的酵母平台.
• 机器学习的进步对于克服工程非传统酵母的局限性至关重要.
• 将进化多样性与智能计算相结合,有望彻底改变下一代代代谢工程.