A systems approach to plant bioprocess optimization
Notice bibliographique
Résumé
A dynamic model for plant cell metabolism was used as a basis for a rational analysis of plant production potential in in vitro cultures. The model was calibrated with data from 3-L bioreactor cultures. A dynamic sensitivity analysis framework was developed to analyse the response curves of secondary metabolite production to metabolic and medium perturbations. Simulation results suggest that a straightforward engineering of cell metabolism or medium composition might only have a limited effect on productivity. To circumvent the problem of the dynamic allocation of resources between growth and production pathways, the sensitivity analysis framework was used to assess the effect of stabilizing intracellular nutrient concentrations. Simulations showed that a stabilization of intracellular glucose and nitrogen reserves could lead to a 116% increase in the specific production of secondary metabolites compared with standard culture protocol. This culture strategy was implemented experimentally using a perfusion bioreactor. To stabilize intracellular concentrations, adaptive medium feeding was performed using model mass balances and estimations. This allowed for a completely automated culture, with controlled conditions and pre-defined decision making algorithm. The proposed culture strategy leads to a 73% increase in specific production and a 129% increase in total production, as compared with a standard batch culture protocol. The sensitivity analysis on a mathematical model of plant metabolism thus allowed producing new insights on the links between intracellular nutritional management and cell productivity. The experimental implementation was also a significant improvement on current plant bioprocess strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».