合成生物新突破！中科院羅小舟團隊開發 ProEnsemble 機器學習框架：優化進化通路啟動子組合

AIGC動態歡迎閱讀

原標題：合成生物新突破！中科院羅小舟團隊開發 ProEnsemble 機器學習框架：優化進化通路啟動子組合
關鍵字：菌株,報告,模型,途徑,產量
文章來源：HyperAI超神經
內容字數：7442字

內容摘要：

作者：十九
編輯：李寶珠，三羊
自動化 + ProEnsemble 機器學習框架攻克了代謝途徑進化不確定性的技術壁壘，實現了柚皮素產量從實驗室到工業規模生產的跨越，其通用型底盤成功合成高產量黃酮類化合物。在合成生物學領域，研究人員將來自其他生物體的酶基因導入某種宿主體中，構建起新的代謝途徑，可以讓宿主生產出自己本身不能合成的物質，這一點已被證實并廣泛應用于生物燃料、高價值化學品和抗癌藥物等化合物的生產中。
然而，上述的代謝途徑進化過程并非暢通無阻，一個重要的制約因素便是基因上位效應。
遺傳學家 Daniel Weinreich 曾表示，基因上位效應類似于已知單個突變作用時，組合突變卻產生「意外之喜」。具體來講，上位基因可以抑制某個特定基因的功能性表達，這使得一些有助于優化代謝途徑的基因突變無法發揮作用，造成代謝途徑進化的不確定性。
自然狀態下，由于基因上位效應的存在，一個酶的微小改造可能會使另一個酶阻礙代謝途徑的發展，導致代謝功能增強或新功能挖掘需要經歷較長的周期。因此，如何以更短時間、較少迭代次數快速達到數千年自然進化所需的效果，一直是該領域研究的難點。
針對上述問題，中國科學院深圳

原文鏈接：合成生物新突破！中科院羅小舟團隊開發 ProEnsemble 機器學習框架：優化進化通路啟動子組合

聯系作者

文章來源：HyperAI超神經
作者微信：HyperAI
作者簡介：解構技術先進性與普適性，解讀更前沿的 AIForScience 案例