Wissenschaftler entwickeln Algorithmus für bessere Metaboliete Design

Wissenschaftler haben einen neuen Algorithmus für das Design von metabolischen Engineerings-Zielobjekten entwickelt – Chinese Academy of Sciences Metabolische Engineering ist eine der grundlegenden Techniken der synthetischen Biologie und dient als Triebfeder für die effiziente Produktion von gewünschten Verbindungen durch Mikroorganismen. Die Vorhersage metabolischer Zielobjekte ist der erste Schritt im Design-Bau-Test-Lernen-Zyklus und entscheidend für die Versuchseffizienz und Ressourcenallokation. Die intrazellulären, voneinander abhängigen enzymatischen Reaktionen und thermodynamischen Mechanismen steuern gemeinsam das metabolische Verhalten von Mikroorganismen. Zellmechanismusmodelle, die auf den physikochemischen Grundlagen des metabolischen Netzes basieren, bieten eine Erklärbarkeit, die von KI-Modellen nicht erreicht werden kann und sind daher ein entscheidendes Werkzeug zur Verbesserung der Genauigkeit beim Design von metabolischem Engineering. Traditionelle Zielobjekt-Design-Algorithmen wie OptForce und FSEOF stützen sich auf chemische Stoffmengenbilanzmodelle und ignorieren dabei zwei wichtige physiologische Mechanismen: den Enzymressourcenverbrauch und die thermodynamische Machbarkeit der Reaktionen. Inspiriert von der „energieeffizienten“ Freien-Energie-Regulierung und der präzisen Koordinierung der Enzymressourcen in der Natur, hat das Tianjin Institute of Industrial Biotechnology der Chinese Academy of Sciences den ET-OptME-Rahmen entwickelt. Dieser Rahmen integriert Enzym- und thermodynamische Restriktionen in den Algorithmus, um die physiologische Realität und die experimentelle Umsetzbarkeit der Vorhersagen zu erhöhen. Der ET-OptME-Rahmen besteht aus zwei Kernalgorithmen: ET-EComp und ET-ESEOF. ET-EComp identifiziert die Enzyme, die in verschiedenen Zuständen hoch- oder niederegelt werden sollen, indem es die Enzymkonzentrationsbereiche vergleicht. ET-ESEOF überwacht die Änderungstrends der Enzymkonzentrationen während des Prozesses der Erhöhung des Zielflusses, um Regulierungssignale zu erfassen. Darüber hinaus führt dieser Rahmen eine „proteinzentrierte“ Strategie ein, die sich von traditionellen Reaktionshierarchien löst und das Problem der inkonsistenten Regulierungsrichtungen bei multifunktionalen Enzymen löst. In fünf industriellen Produktionsfällen mit Corynebacterium glutamicum zeigte ET-OptME eine Präzisionssteigerung von über 292 % im Vergleich zu traditionellen stoffmengenbasierten Algorithmen und eine Genauigkeitssteigerung von 106 %. Im Vergleich zu derzeitigen fortschrittlichen Enzymrestriktionsalgorithmen behält ET-OptME eine Präzisionsvorteil von 70 % und einen Genauigkeitsvorteil von 47 %. Die Studie analysierte auf metabolischer Ebene die Gründe für den Erfolg bei der Vorhersage von Schlüsselzielobjekten wie pyc, gapA und leuA, wodurch die Vorteile des Enzym-thermo-Vorhersagealgorithmus in Bezug auf die Steigerung der Pfadeffizienz und die Überwindung von metabolischen Engpässen deutlich wurden. Die Ergebnisse der Studie wurden online in der Fachzeitschrift Metabolic Engineering veröffentlicht. Das Projekt wurde durch die National Key Research and Development Program und die National Natural Science Foundation of China unterstützt. Experten in der Industrie beurteilen die Entwicklung des ET-OptME-Rahmens sehr positiv. Sie sehen darin ein wichtiges Fortschrittspunkt, das die Genauigkeit und Effizienz des metabolischen Engineerings erheblich verbessern wird. Das Tianjin Institute of Industrial Biotechnology ist bekannt für seine fortschrittlichen Forschungen im Bereich der industriellen Biotechnologie und hat sich in den letzten Jahren durch innovative Lösungen im Bereich der synthetischen Biologie ausgezeichnet. Die Veröffentlichung dieser Arbeit unterstreicht die führende Rolle der Einrichtung in der Entwicklungsphase neuer biotechnologischer Methoden.