Improving Ethanol Tolerance of Escherichia coli by Rewiring Its Global Regulator cAMP Receptor Protein (CRP)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A major challenge in bioethanol fermentation is the low tolerance of the microbial host towards the end product bioethanol. Here we report to improve the ethanol tolerance of E. coli from the transcriptional level by engineering its global transcription factor cAMP receptor protein (CRP), which is known to regulate over 400 genes in E. coli. Three ethanol tolerant CRP mutants (E1- E3) were identified from error-prone PCR libraries. The best ethanol-tolerant strain E2 (M59T) had the growth rate of 0.08 h(-1) in 62 g/L ethanol, higher than that of the control at 0.06 h(-1). The M59T mutation was then integrated into the genome to create variant iE2. When exposed to 150 g/l ethanol, the survival of iE2 after 15 min was about 12%, while that of BW25113 was <0.01%. Quantitative real-time reverse transcription PCR analysis (RT-PCR) on 444 CRP-regulated genes using OpenArray® technology revealed that 203 genes were differentially expressed in iE2 in the absence of ethanol, whereas 92 displayed differential expression when facing ethanol stress. These genes belong to various functional groups, including central intermediary metabolism (aceE, acnA, sdhD, sucA), iron ion transport (entH, entD, fecA, fecB), and general stress response (osmY, rpoS). Six up-regulated and twelve down-regulated common genes were found in both iE2 and E2 under ethanol stress, whereas over one hundred common genes showed differential expression in the absence of ethanol. Based on the RT-PCR results, entA, marA or bhsA was knocked out in iE2 and the resulting strains became more sensitive towards ethanol.
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.
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 découle