Published September 8, 2023
| Version v1
Publication
Open
Optimizing Ethanol Production in <i>Saccharomyces cerevisiae</i> at Ambient and Elevated Temperatures through Machine Learning-Guided Combinatorial Promoter Modifications
Creators
- 1. National Science and Technology Development Agency
- 2. National Center for Genetic Engineering and Biotechnology
- 3. Shanghai Jiao Tong University
Description
Bioethanol has gained popularity in recent decades as an ecofriendly alternative to fossil fuels due to increasing concerns about global climate change. However, economically viable ethanol fermentation remains a challenge. High-temperature fermentation can reduce production costs, but Saccharomyces cerevisiae yeast strains normally ferment poorly under high temperatures. In this study, we present a machine learning (ML) approach to optimize bioethanol production in S. cerevisiae by fine-tuning the promoter activities of three endogenous genes. We created 216 combinatorial strains of S. cerevisiae by replacing native promoters with five promoters of varying strengths to regulate ethanol production. Promoter replacement resulted in a 63% improvement in ethanol production at 30 °C. We created an ML-guided workflow by utilizing XGBoost to train high-performance models based on promoter strengths and cellular metabolite concentrations obtained from ethanol production of 216 combinatorial strains at 30 °C. This strategy was then applied to optimize ethanol production at 40 °C, where we selected 31 strains for experimental fermentation. This reduced experimental load led to a 7.4% increase in ethanol production in the second round of the ML-guided workflow. Our study offers a comprehensive library of promoter strength modifications for key ethanol production enzymes, showcasing how machine learning can guide yeast strain optimization and make bioethanol production more cost-effective and efficient. Furthermore, we demonstrate that metabolic engineering processes can be accelerated and optimized through this approach.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
اكتسب الإيثانول الحيوي شعبية في العقود الأخيرة كبديل صديق للبيئة للوقود الأحفوري بسبب المخاوف المتزايدة بشأن تغير المناخ العالمي. ومع ذلك، لا يزال تخمير الإيثانول القابل للتطبيق اقتصاديًا يمثل تحديًا. يمكن أن يؤدي التخمير بدرجة حرارة عالية إلى تقليل تكاليف الإنتاج، لكن سلالات الخميرة Saccharomyces cerevisiae عادة ما تتخمر بشكل سيئ تحت درجات حرارة عالية. في هذه الدراسة، نقدم نهج التعلم الآلي (ML) لتحسين إنتاج الإيثانول الحيوي في S. cerevisiae من خلال ضبط أنشطة المحفز لثلاثة جينات داخلية. أنشأنا 216 سلالة اندماجية من S. cerevisiae من خلال استبدال المروجين الأصليين بخمسة مروجين من نقاط قوة مختلفة لتنظيم إنتاج الإيثانول. أدى استبدال المحفز إلى تحسن بنسبة 63 ٪ في إنتاج الإيثانول عند 30 درجة مئوية. أنشأنا سير عمل موجه بـ ML من خلال استخدام XGBoost لتدريب النماذج عالية الأداء بناءً على نقاط قوة المعزز وتركيزات المستقلب الخلوي التي تم الحصول عليها من إنتاج الإيثانول لـ 216 سلالة اندماجية عند 30 درجة مئوية. ثم تم تطبيق هذه الاستراتيجية لتحسين إنتاج الإيثانول عند 40 درجة مئوية، حيث اخترنا 31 سلالة للتخمير التجريبي. أدى هذا الحمل التجريبي المنخفض إلى زيادة بنسبة 7.4 ٪ في إنتاج الإيثانول في الجولة الثانية من سير العمل الموجه بـ ML. تقدم دراستنا مكتبة شاملة لتعديلات قوة المعزز لإنزيمات إنتاج الإيثانول الرئيسية، وتوضح كيف يمكن للتعلم الآلي توجيه تحسين سلالة الخميرة وجعل إنتاج الإيثانول أكثر فعالية من حيث التكلفة وكفاءة. علاوة على ذلك، نوضح أنه يمكن تسريع عمليات الهندسة الأيضية وتحسينها من خلال هذا النهج.Translated Description (French)
Le bioéthanol a gagné en popularité au cours des dernières décennies en tant qu'alternative écologique aux combustibles fossiles en raison des préoccupations croissantes concernant le changement climatique mondial. Cependant, la fermentation de l'éthanol économiquement viable reste un défi. La fermentation à haute température peut réduire les coûts de production, mais les souches de levure Saccharomyces cerevisiae fermentent normalement mal à haute température. Dans cette étude, nous présentons une approche d'apprentissage automatique (ML) pour optimiser la production de bioéthanol chez S. cerevisiae en affinant les activités promotrices de trois gènes endogènes. Nous avons créé 216 souches combinatoires de S. cerevisiae en remplaçant les promoteurs natifs par cinq promoteurs de forces variables pour réguler la production d'éthanol. Le remplacement du promoteur a entraîné une amélioration de 63 % de la production d'éthanol à 30 °C. Nous avons créé un flux de travail guidé par ML en utilisant XGBoost pour former des modèles haute performance basés sur les forces des promoteurs et les concentrations de métabolites cellulaires obtenues à partir de la production d'éthanol de 216 souches combinatoires à 30 °C. Cette stratégie a ensuite été appliquée pour optimiser la production d'éthanol à 40 °C, où nous avons sélectionné 31 souches pour une fermentation expérimentale. Cette charge expérimentale réduite a entraîné une augmentation de 7,4 % de la production d'éthanol au deuxième tour du flux de travail guidé par ML. Notre étude offre une bibliothèque complète de modifications de la force du promoteur pour les principales enzymes de production d'éthanol, montrant comment l'apprentissage automatique peut guider l'optimisation de la souche de levure et rendre la production de bioéthanol plus rentable et efficace. De plus, nous démontrons que les processus d'ingénierie métabolique peuvent être accélérés et optimisés grâce à cette approche.Translated Description (Spanish)
El bioetanol ha ganado popularidad en las últimas décadas como una alternativa ecológica a los combustibles fósiles debido a las crecientes preocupaciones sobre el cambio climático global. Sin embargo, la fermentación de etanol económicamente viable sigue siendo un desafío. La fermentación a alta temperatura puede reducir los costos de producción, pero las cepas de levadura Saccharomyces cerevisiae normalmente fermentan mal a altas temperaturas. En este estudio, presentamos un enfoque de aprendizaje automático (ML) para optimizar la producción de bioetanol en S. cerevisiae mediante el ajuste fino de las actividades promotoras de tres genes endógenos. Creamos 216 cepas combinatorias de S. cerevisiae mediante la sustitución de promotores nativos por cinco promotores de diferentes concentraciones para regular la producción de etanol. El reemplazo del promotor dio como resultado una mejora del 63% en la producción de etanol a 30 °C. Creamos un flujo de trabajo guiado por ML utilizando XGBoost para entrenar modelos de alto rendimiento basados en las fuerzas del promotor y las concentraciones de metabolitos celulares obtenidas de la producción de etanol de 216 cepas combinatorias a 30 °C. Esta estrategia se aplicó luego para optimizar la producción de etanol a 40 °C, donde seleccionamos 31 cepas para la fermentación experimental. Esta carga experimental reducida condujo a un aumento del 7,4% en la producción de etanol en la segunda ronda del flujo de trabajo guiado por ML. Nuestro estudio ofrece una biblioteca completa de modificaciones de la fuerza del promotor para las enzimas clave de producción de etanol, mostrando cómo el aprendizaje automático puede guiar la optimización de la cepa de levadura y hacer que la producción de bioetanol sea más rentable y eficiente. Además, demostramos que los procesos de ingeniería metabólica se pueden acelerar y optimizar a través de este enfoque.Files
acssynbio.3c00199.pdf
Files
(15.8 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:b6859a53448b74839186bb40867024b8
|
15.8 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحسين إنتاج الإيثانول في السكريات <i>المخاطية في</i> درجات الحرارة المحيطة والمرتفعة من خلال تعديلات المروج التوافقي الموجه بالتعلم الآلي
- Translated title (French)
- Optimisation de la production d'éthanol chez <i>Saccharomyces cerevisiae</i> à des températures ambiantes et élevées grâce à des modifications combinatoires du promoteur guidées par l'apprentissage automatique
- Translated title (Spanish)
- Optimización de la producción de etanol en <i>Saccharomyces cerevisiae</i> a temperatura ambiente y elevada a través de modificaciones del promotor combinatorio guiadas por aprendizaje automático
Identifiers
- Other
- https://openalex.org/W4386530614
- DOI
- 10.1021/acssynbio.3c00199
References
- https://openalex.org/W1810028515
- https://openalex.org/W1831050183
- https://openalex.org/W1862509991
- https://openalex.org/W1984096521
- https://openalex.org/W1985076072
- https://openalex.org/W2001649514
- https://openalex.org/W2003309055
- https://openalex.org/W2021242983
- https://openalex.org/W2038591876
- https://openalex.org/W2041117835
- https://openalex.org/W2057967928
- https://openalex.org/W2071099979
- https://openalex.org/W2074368204
- https://openalex.org/W2082636686
- https://openalex.org/W2088246177
- https://openalex.org/W2097618394
- https://openalex.org/W2105028306
- https://openalex.org/W2114245320
- https://openalex.org/W2115420193
- https://openalex.org/W2116501809
- https://openalex.org/W2123985266
- https://openalex.org/W2143109888
- https://openalex.org/W2147892681
- https://openalex.org/W2157963336
- https://openalex.org/W2163297678
- https://openalex.org/W2165195079
- https://openalex.org/W2417865694
- https://openalex.org/W2521031500
- https://openalex.org/W2559716871
- https://openalex.org/W2796436295
- https://openalex.org/W2801954748
- https://openalex.org/W2835014956
- https://openalex.org/W2903740678
- https://openalex.org/W2910030584
- https://openalex.org/W2935023030
- https://openalex.org/W2943995236
- https://openalex.org/W2972824486
- https://openalex.org/W2981982270
- https://openalex.org/W2994115888
- https://openalex.org/W3016489277
- https://openalex.org/W3016745570
- https://openalex.org/W3028645112
- https://openalex.org/W3088063380
- https://openalex.org/W3093314742
- https://openalex.org/W3102476541
- https://openalex.org/W3105098767
- https://openalex.org/W3133824676
- https://openalex.org/W4200537000
- https://openalex.org/W4210426905
- https://openalex.org/W4312129016