Identification of the metabolic underpinnings of fungal protein production by integrating metabolic network modelling and machine learning
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Kemian tekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2024-05-21
Department
Major/Subject
Biotechnology
Mcode
CHEM3022
Degree programme
Master's Programme in Chemical, Biochemical and Materials Engineering
Language
en
Pages
53 + 8
Series
Abstract
High-throughput screenings have enabled the wide analysis and large data sets in a short time. Processing data and identifying correlated relationships is possible with existing machine learning techniques, but it remains a challenge to elucidate causal insights. In this project, a metabolic model of Trichoderma reesei RUT-C30 and machine learning were used to develop two machine learning models (ML), a linear elastic network model and a multilayer neural network model. By simulating the metabolic model under growth conditions and using this information as an input data to the ML models, provided preliminary insights into causal relationships between T. reesei total protein concentration and different growth conditions. For the construction of the ML models, growth and total protein concentration data were collected by performing high-throughput screenings on Phenotype MicroArrayTM (PM) plates pre-filled with different carbon and nitrogen sources. In addition, pH-adjusted media cultivations were performed with different combinations of carbon and nitrogen sources. Growth in similar conditions was then simulated with a metabolic model of T. reesei RUT-C30 and flux balance analysis using the Cobrapy Python package. Linear as well as multilinear models between simulated metabolic fluxes and measured protein concentration were constructed using algorithms from the scikit-learn, Tensorflow and Keras python libraries, respectively. The scalability of the observed relationships between protein production and environmental conditions was tested by performing bioreactor cultures in 1L reactors using selected nutrient sources. Total protein concentration and biomass as dry weight were determined from the cultures. The used conditions in bioreactors were simulated with the metabolic model and the protein concentration predictions of the constructed machine learning models were compared with the determined total protein concentrations. The correlation between predicted and measured protein concentration was 0.748 for the elastic net method and 0.787 for the neural network method. The correlation between the models were 0.890, i.e., their predictive ability was close to each other. Given the differences in growth conditions between small-scale and bioreactor cultures, the correlations were surprisingly high. Thus, active metabolic pathways appear to be an important factor in determining protein production. According to both models, the most important factors positively affecting protein production were the transport reactions of glutamate and trehalose, and the metabolic fluxes involved in amino acid and carbohydrate metabolism, such as glycolysis. By uncovering causal relationships, it would be possible to select targets that, by modification, could improve protein production and making bioprocess more cost-effective. Protein production in cells is important as proteins are widely required in various industrial processes, such as food, textiles, biofuels, and pharmaceuticals.Korkean kapasiteetin, pienen mittakaavan kasvatuksilla pystytään mittaamaan laajoja tietokokonaisuuksia lyhyessä ajassa. Tiedon käsittely ja korreloivien suhteiden tunnistaminen on mahdollista nykyisten koneoppimistekniikoiden avulla mutta syy-seuraussuhteiden selvittäminen on vaikeaa. Tässä työssä rihmasieni Trichoderma reesei RUT-C30 aineenvaihduntamallin ja koneoppimisen avulla tehtiin kaksi koneoppimismallia, lineaarinen joustava verkko sekä multilineaarinen neuroverkko. Simuloimalla aineenvaihduntamallia kasvuolosuhteissa ja käyttämällä tätä tietoa lähtöarvoina koneoppimismalleille, saavutettiin tietoa syy-seuraussuhteista T. reesein totaaliproteiinituoton ja kasvuolosuhteiden välillä. Koneoppimismallien rakentamista varten kerättiin kasvu- ja totaaliproteiinikonsentraatiodataa tekemällä pienen mittakaavan kasvatuksia Phenotype MicroArrayTM (PM) levyillä, jotka sisälsivät valmiiksi eri hiilen- ja typenlähteitä. Tämän lisäksi toteutettiin pH säädettyjä kasvatuksia eri hiilen- ja typenlähteen kombinaatioilla. T. reesei RUT-C30:n aineenvaihdunta mallia simuloitiin käytetyissä kasvuolosuhteissa Cobrapy Python kirjaston avulla. Lineaarinen sekä multilineaarinen malli simuloitujen aineenvaihduntavirtausten ja mitatun proteiinituoton välillä rakennettiin käyttäen scikit-learn sekä Tensorflow ja Keras kirjastoja vastaavasti. Havaittujen kasvatusolosuhteiden skaalautuvuutta testattiin tekemällä bioreaktorikasvatuksia 1l reaktoreissa valituilla hiilen- ja typen lähteillä. Kasvatuksista määritettiin totaaliproteiinikonsentraatiot sekä biomassan tuotto kuivapainona. Aineenvaihduntamallia simuloitiin käytetyissä bioreaktoriolosuhteissa ja rakennettujen koneoppimismallien proteiinintuottoennustetta verrattiin määritettyihin totaaliproteiinituloksiin. Korrelaatio ennustetun ja mitatun proteiinituoton välillä olivat elastic net menetelmällä oli 0.748 ja neural network menetelmällä 0.787. Mallien välinen korrelaatio oli 0.890, eli niiden ennustamiskyky oli hyvin lähellä toisiaan. Ottaen huomioon kasvuolosuhteiden eroavaisuudet pienen mittakaavan ja bioreaktorikasvatusten välillä, korrelaatiot olivat yllättävän korkeita. Näin ollen aktiiviset aineenvaihduntareitit vaikuttavat olevan merkittävä tekijä proteiinituoton määräytymisessä. Molempien mallien mukaan merkittävimmät tekijät, jotka vaikuttavat positiivisesti proteiinintuottoon olivat glutamaatin ja trehaloosin kulutus sekä vastaavasti aminohappo- ja hiilihydraattiaineenvaihduntaan kuuluvat aineenvaihduntareitit, kuten glykolyysi. Syy- ja seuraussuhteita paljastamalla pystytään valitsemaan kohteita, joita muokkaamalla esimerkiksi geenitekniikan avulla, voitaisiin parantaa proteiinintuottoa ja samalla kehittää bioprosesseja kustannustehokkaammaksi. Proteiinintuotto soluilla on tärkeää, sillä erilaisia proteiineja tarvitaan laajalti eri teollisuudenprosesseissa, kuten ruoka-, tekstiili-, biopolttoaine- ja lääketeollisuudessa.Description
Supervisor
Jouhten, PaulaThesis advisor
Krogerus, KristofferKeywords
Trichoderma reesei, RUT-C30, machine learning, metabolic modelling