Kinetic Modeling and Isotopic Investigation of Isobutanol Fermentation by Two Engineered Escherichia coli Strains
Notice bibliographique
Résumé
We constructed an Escherichia coli BL21 strain with the Ehrlich pathway (the low-performance strain for isobutanol production). We also obtained a high isobutanol-producing E. coli strain JCL260 from the James Liao group (University of California). To compare the fermentation performances of the two engineered strains, we employed a general Monod-based model coupled with mixed-growth-associated isobutanol formation kinetics to simulate glucose consumption, biomass growth, and product secretion/loss under different cultivation conditions. On the basis of both kinetic data and additional 13 C-isotopic investigation, we found that the low-performance strain demonstrated robust biomass growth in the minimal growth medium (20 g/L glucose), achieving isobutanol production (up to 0.95 g/L). It utilized significant amounts of yeast extract to synthesize isobutanol when it grew in the rich medium. The rich medium also enhanced waste product secretion, and thus reduced the glucose-based isobutanol yield. In contrast, JCL260 had poor biomass growth in the minimal medium due to an inflated Monod constant ( K S ), while the rich medium greatly promoted both biomass growth and isobutanol productivity (∼60% of the theoretical isobutanol yield). With the optimized keto-acid pathway, JCL260 synthesized isobutanol mostly from glucose even in the presence of sufficient yeast extract. This study not only provided a kinetic model for scaled-up isobutanol fermentation but also offered metabolic insights into the performance trade-off between the two engineered E. coli strains.
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 | 0,001 | 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 ».