Chercheurs chinois développent un nouvel algorithme pour l'ingénierie métabolique : ET-OptME optimise la production microbienne avec précision

Des chercheurs chinois développent un nouvel algorithme de conception cible en métabolique ingénierie La métabolique ingénierie est l'une des techniques clés de la biologie synthétique, jouant un rôle crucial dans l'optimisation de la production de composés souhaités par les micro-organismes. Pour maximiser l'efficacité et minimiser l'utilisation de ressources, la prédiction des cibles métaboliques est le premier pas du cycle « concevoir-construire-tester-apprendre », déterminant ainsi la réussite des expériences. Les comportements métaboliques des cellules sont contrôlés par des réactions enzymatiques complexes et des mécanismes thermo-dynamiques. Les modèles mécanistes basés sur les « fondements physico-chimiques » des réseaux métaboliques offrent une explication que les modèles d'intelligence artificielle (IA) peinent à égaler, devenant ainsi des outils essentiels pour améliorer la précision des conceptions en métabolique ingénierie. Cependant, les méthodes traditionnelles de sélection de cibles, comme OptForce et FSEOF, reposent sur des modèles chimiostochiométriques, négligeant deux aspects physiologiques fondamentaux : la consommation de ressources en enzymes et la faisabilité thermodynamique des réactions. Inspirés par la régulation énergétique et hautement efficace de la nature, les chercheurs de l'Institut de biotechnologie industrielle de Tianjin de l'Académie des sciences chinoise ont élaboré le cadre ET-OptME, qui intègre simultanément les contraintes enzymatiques et thermodynamiques dans le processus de conception des cibles métaboliques. Ce cadre vise à augmenter la conformité physiologique et l'applicabilité expérimentale des prédictions. ET-OptME se compose de deux algorithmes principaux : ET-EComp et ET-ESEOF. ET-EComp identifie les enzymes à réguler en haussant ou baissant leur concentration, en comparant les gammes de concentration enzymatique dans différents états cellulaires. Quant à ET-ESEOF, il analyse les variations de concentration enzymatique lors de l'augmentation du débit cible, permettant de capturer les signaux de régulation. Le cadre de travail introduit également la stratégie « centrée sur les protéines », qui déplace la prédiction des cibles de l'échelle des réactions à celle des enzymes, offrant une solution aux problèmes de direction de régulation multiples pour des enzymes multi-fonctionnelles. Dans cinq cas pratiques de production industrielle utilisant Corynebacterium glutamicum, l'algorithme ET-OptME a affiché des gains significatifs par rapport aux méthodes traditionnelles. Il a augmenté l'exactitude des prédictions de 292% au moins sur le critère de précision minimale, et amélioré la précision globale de 106%. Comparé aux algorithmes modernes contraints par les enzymes, ET-OptME présente toujours un avantage de 70% en précision et de 47% en exactitude. L'étude a également approfondi l'analyse des cibles métaboliques clés telles que pyc, gapA et leuA, révélant comment l'intégration des contraintes enzymatiques et thermodynamiques peut optimiser l'efficacité des voies de production et surmonter les goulots d'étranglement métaboliques. Ces résultats, publiés récemment dans la revue Metabolic Engineering, ont bénéficié du soutien du programme national de recherche et développement ainsi que du fonds national pour la science naturelle. Le cadre ET-OptME promet donc de devenir un outil majeur pour l'avancement de la métabolique ingénierie, facilitant la conception de procédés microbiens plus efficaces et économiques.