Metabolic model guided design enabling adaptively evolving improved production by microbial hosts

Loading...
Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Kemian tekniikan korkeakoulu | Master's thesis

Date

2021-06-15

Department

Major/Subject

Biotechnology

Mcode

CHEM3022

Degree programme

Master's Programme in Chemical, Biochemical and Materials Engineering

Language

en

Pages

63+17

Series

Abstract

Engineering microbial hosts to achieve higher production levels of e.g. chemicals is challenging as genotype-phenotype relationships are limitedly known. Adaptive laboratory evolution allows host improvement without the need to know the genotypic underpinnings of phenotypes. However, adaptive laboratory evolution can only be used when the desired production related trait is genetically correlated with fitness (i.e. growth), and chemical production is rarely naturally growth-coupled. Metabolic network creates couplings between fluxes, including biosynthetic fluxes for growth. Besides the metabolic network structure, also the nutritional environment affects the flux couplings, and these can be predicted using genome-scale metabolic model simulations. In this work, a novel algorithm EvolveXGA that use genome-scale metabolic models was demonstrated for designing strategies combining biochemical reaction deletions (i.e. achievable with gene deletions) and nutritional environments to optimize target flux(es) coupling with growth. When the target fluxes are chosen to include either the production pathway or reactions providing precursors for the desired pathway, the strategies are predicted to enable adaptively evolving improved production. EvolveXGA uses a genetic algorithm as an optimization routine. First, the genetic algorithm was set up for optimizing the target flux(es) coupling to growth using reaction deletions and nutritional environment as variables. Then, EvolveXGA was tested for designing strategies including reaction deletions and nutritional environment to growth-couple glycolic acid production pathway in Saccharomyces cerevisiae. Finally, the generalizability of the method was evaluated by designing such strategies for 28 other heterologous products. EvolveXGA found strategies to couple 13 of these production pathways with growth including the oxalate pathway for glycolic acid. In addition, for the remainder of the pathways EvolveXGA found strategies to couple native precursor providing reactions with growth. Some of these strategies showed potential to be realized in vivo. Synthetic biology tools have enabled fast development and implementation of new production pathways into microbial hosts. However, improving the production experimentally from lab demonstration to economically feasible levels has remained resource-intensive and creates a bottleneck for new industrial microbial fermentation processes. The novel model-guided approach that was demonstrated in silico in this project offers generalizable means to accelerate the production improvement using operationally simple, powerful, adaptive laboratory evolution.

Tuotantokantojen kehitys parempien tuotantotasojen saavuttamiseksi on hankalaa, koska genotyypin ja fenotyyppin välistä riippuvuutta ei usein tunneta riittävän hyvin. Adaptiivinen laboratorioevoluutio mahdollistaa kantojen kehityksen ilman, että genotyypin ja fenotyypin välistä yhteyttä tarvitsisi tietää. Adaptiivista laboratorioevoluutiota voi kuitenkin käyttää ainoastaan silloin, kun haluttu ominaisuus on geneettisesti kytköksissä kasvuun, mutta haluttu tuotanto on harvoin suoraan kasvuun kytkeytynyt. Aineenvaihduntaverkko muodostaa kytköksiä aineenvaihdunnan reaktioiden välille. Aineenvaihduntaverkon lisäksi myös kasvuympäristö vaikuttaa siihen, mitkä reaktiot ovat kytköksissä. Reaktioiden kytköksiä on mahdollista ennustaa genominlaajuisia aineenvaihduntamalleja simuloimalla. Tässä työssä esitellään uusi algoritmi, EvolveXGA, joka hyödyntää genominlaajuisia aineenvaihduntamalleja ja suunnittelee strategioita, joilla halutut tavoitereaktiot voidaan kytkeä solujen kasvuun. Nämä strategiat sisältävät sekä reaktiodeleetioita, jotka voidaan toteuttaa geenideleetioilla, että sopivan kasvuympäristön määrittelyn. Oletuksena on, että EvolveXGAn määrittelemät strategiat mahdollistavat tuotannon parantumisen adaptiivisen laboratorioevoluution aikana, kun tavoite reaktiot valitaan siten, että ne ovat osa tuotteeseen johtavaa aineenvaihduntareittiä tai tuottavat lähtöaineita tuotantoreitille. EvolveXGA käyttää optimoinnissa geneettistä algoritmia. Ensin geneettinen algoritmi alustettiin tavoitereaktioiden kasvuun kytkennän optimoimiseksi, reaktiodeleetiot ja kasvuympäristö muuttujina. Tämän jälkeen kokeiltiin, pystyykö EvolveXGA löytämään reaktiodeleetioita ja kasvuympäristön sisältäviä strategioita siten, että glykolihapon tuottoreitti kytkeytyy kasvuun Saccharomyces cerevisiae hiivassa. Lopuksi, lähestymistavan yleistettävyyttä evaluoitiin suunnittelemalla näitä strategioita 28 muulle heterologiselle tuotteelle. EvolveXGA löysi strategiat kytkeä 13 heterologisen tuotteen, sisältäen glykolihapon, synteesireitit kasvuun. Lisäksi niille tuotteille, joille synteesireitin kytkeminen kasvuun ei onnistunut, EvolveXGA löysi tavan kytkeä hiivan omia, synteesireitin lähtöaineita tuottavia reaktioita kasvuun. Osa EvolveXGAn löytämistä strategioista voisivat myös olla toteutettavissa. Synteettinen biologia on mahdollistanut uusien tuotteiden synteesireittien nopean kehityksen ja viennin mikrobeihin laboratoriossa. Tuottotasot ovat usein kuitenkin liian matalia, jotta teollisen mittakaavan tuotanto olisi kannattavaa. Tässä työssä esitellyn uuden, aineenvaihduntamallejamalleja hyödyntävän, lähestymistavan odotetaan mahdollistavan tuottotasojen parantamisen helposti toteutettavalla adaptiivisella laboratorioevoluutiolla.

Description

Supervisor

Penttilä, Merja

Thesis advisor

Jouhten, Paula

Keywords

strain improvement, metabolic modelling, adaptive laboratory evolution, EvolveX algorithm, EvolveXGA algorithm, genetic algorithm

Other note

Citation