Faster Growth Enhances Low Carbon Fuel and Chemical Production Through Gas Fermentation
Notice bibliographique
Résumé
Gas fermentation offers both fossil carbon-free sustainable production of fuels and chemicals and recycling of gaseous and solid waste using gas-fermenting microbes. Bioprocess development, systems-level analysis of biocatalyst metabolism, and engineering of cell factories are advancing the widespread deployment of the commercialised technology. Acetogens are particularly attractive biocatalysts but effects of the key physiological parameter–specific growth rate (μ)—on acetogen metabolism and the gas fermentation bioprocess have not been established yet. Here, we investigate the μ-dependent bioprocess performance of the model-acetogen Clostridium autoethanogenum in CO and syngas (CO + CO 2 +H 2 ) grown chemostat cultures and assess systems-level metabolic responses using gas analysis, metabolomics, transcriptomics, and metabolic modelling. We were able to obtain steady-states up to μ ∼2.8 day −1 (∼0.12 h −1 ) and show that faster growth supports both higher yields and productivities for reduced by-products ethanol and 2,3-butanediol. Transcriptomics data revealed differential expression of 1,337 genes with increasing μ and suggest that C. autoethanogenum uses transcriptional regulation to a large extent for facilitating faster growth. Metabolic modelling showed significantly increased fluxes for faster growing cells that were, however, not accompanied by gene expression changes in key catabolic pathways for CO and H 2 metabolism. Cells thus seem to maintain sufficient “baseline” gene expression to rapidly respond to CO and H 2 availability without delays to kick-start metabolism. Our work advances understanding of transcriptional regulation in acetogens and shows that faster growth of the biocatalyst improves the gas fermentation bioprocess.
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 ».