MétaCan
Menu
Retour à la cohorte
Enregistrement W2597426451 · doi:10.1186/s13068-017-0763-7

Hybridization and adaptive evolution of diverse Saccharomyces species for cellulosic biofuel production

2017· article· en· W2597426451 sur OpenAlexafffund
David Peris, Ryan V. Moriarty, William G. Alexander, EmilyClare P. Baker, Kayla Sylvester, Maria Sardi, Quinn K. Langdon, Diego Libkind, Qi-Ming Wang, Feng‐Yan Bai, Jean‐Baptiste Leducq, Guillaume Charron, Christian R. Landry, José Paulo Sampaio, Paula Gonçalves, Katie E. Hyma, Justin C. Fay, Trey K. Sato, Chris Todd Hittinger

Notice bibliographique

RevueBiotechnology for Biofuels · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversité de MontréalUniversité Laval
Organismes subventionnairesNational Institute of General Medical SciencesAgencia Nacional de Promoción Científica y TecnológicaU.S. Department of AgricultureNatural Sciences and Engineering Research Council of CanadaConsejo Nacional de Investigaciones Científicas y TécnicasGreat Lakes Bioenergy Research CenterPew Charitable TrustsNational Institutes of HealthNational Institute of Food and AgricultureNational Natural Science Foundation of ChinaNational Science FoundationOffice of ScienceU.S. Department of Energy
Mots-clésCellulosic ethanolBiofuelBiotechnologyProduction (economics)Biomass (ecology)BiologyBioenergyBiochemical engineeringCelluloseAgronomyEngineeringEconomicsBiochemistry

Résumé

récupéré en direct d'OpenAlex

Lignocellulosic biomass is a common resource across the globe, and its fermentation offers a promising option for generating renewable liquid transportation fuels. The deconstruction of lignocellulosic biomass releases sugars that can be fermented by microbes, but these processes also produce fermentation inhibitors, such as aromatic acids and aldehydes. Several research projects have investigated lignocellulosic biomass fermentation by the baker’s yeast Saccharomyces cerevisiae . Most projects have taken synthetic biological approaches or have explored naturally occurring diversity in S. cerevisiae to enhance stress tolerance, xylose consumption, or ethanol production. Despite these efforts, improved strains with new properties are needed. In other industrial processes, such as wine and beer fermentation, interspecies hybrids have combined important traits from multiple species, suggesting that interspecies hybridization may also offer potential for biofuel research. To investigate the efficacy of this approach for traits relevant to lignocellulosic biofuel production, we generated synthetic hybrids by crossing engineered xylose-fermenting strains of S. cerevisiae with wild strains from various Saccharomyces species. These interspecies hybrids retained important parental traits, such as xylose consumption and stress tolerance, while displaying intermediate kinetic parameters and, in some cases, heterosis (hybrid vigor). Next, we exposed them to adaptive evolution in ammonia fiber expansion-pretreated corn stover hydrolysate and recovered strains with improved fermentative traits. Genome sequencing showed that the genomes of these evolved synthetic hybrids underwent rearrangements, duplications, and deletions. To determine whether the genus Saccharomyces contains additional untapped potential, we screened a genetically diverse collection of more than 500 wild, non-engineered Saccharomyces isolates and uncovered a wide range of capabilities for traits relevant to cellulosic biofuel production. Notably, Saccharomyces mikatae strains have high innate tolerance to hydrolysate toxins, while some Saccharomyces species have a robust native capacity to consume xylose. This research demonstrates that hybridization is a viable method to combine industrially relevant traits from diverse yeast species and that members of the genus Saccharomyces beyond S. cerevisiae may offer advantageous genes and traits of interest to the lignocellulosic biofuel industry.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,224
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations90
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiotechnology for BiofuelsMême sujetBiofuel production and bioconversionTravaux en français237 207