Automation assisted anaerobic phenotyping for metabolic engineering
Notice bibliographique
Résumé
BACKGROUND: Microorganisms can be metabolically engineered to produce a wide range of commercially important chemicals. Advancements in computational strategies for strain design and synthetic biological techniques to construct the designed strains have facilitated the generation of large libraries of potential candidates for chemical production. Consequently, there is a need for high-throughput laboratory scale techniques to characterize and screen these candidates to select strains for further investigation in large scale fermentation processes. Several small-scale fermentation techniques, in conjunction with laboratory automation have enhanced the throughput of enzyme and strain phenotyping experiments. However, such high throughput experimentation typically entails large operational costs and generate massive amounts of laboratory plastic waste. RESULTS: In this work, we develop an eco-friendly automation workflow that effectively calibrates and decontaminates fixed-tip liquid handling systems to reduce tip waste. We also investigate inexpensive methods to establish anaerobic conditions in microplates for high-throughput anaerobic phenotyping. To validate our phenotyping platform, we perform two case studies-an anaerobic enzyme screen, and a microbial phenotypic screen. We used our automation platform to investigate conditions under which several strains of E. coli exhibit the same phenotypes in 0.5 L bioreactors and in our scaled-down fermentation platform. We also propose the use of dimensionality reduction through t-distributed stochastic neighbours embedding (t-SNE) in conjunction with our phenotyping platform to effectively cluster similarly performing strains at the bioreactor scale. CONCLUSIONS: Fixed-tip liquid handling systems can significantly reduce the amount of plastic waste generated in biological laboratories and our decontamination and calibration protocols could facilitate the widespread adoption of such systems. Further, the use of t-SNE in conjunction with our automation platform could serve as an effective scale-down model for bioreactor fermentations. Finally, by integrating an in-house data-analysis pipeline, we were able to accelerate the 'test' phase of the design-build-test-learn cycle of metabolic engineering.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».