Engineering <i>Escherichia coli</i> to produce aromatic chemicals from ethylene glycol
Notice bibliographique
Résumé
Abstract Microbial overproduction of aromatic chemicals has gained considerable industrial interest and various metabolic engineering approaches have been employed in recent years to address the associated challenges. So far, most studies have used sugars (mostly glucose) or glycerol as the primary carbon source. In this study, we used ethylene glycol (EG) as the main carbon substrate. EG could be obtained from the degradation of plastic and cellulosic wastes. As a proof of concept, Escherichia coli was engineered to transform EG into L-tyrosine, a valuable aromatic amino acid. Under the best fermentation condition, the strain produced 2 g/L L-tyrosine from 10 g/L EG at approximately 50% of the theoretical yield, outperforming glucose (the most common sugar feedstock) in the same experimental conditions. To prove the concept that EG can be converted into different aromatic chemicals, E. coli was further engineered with a similar approach to synthesize other valuable aromatic chemicals, L-phenylalanine and p -coumaric acid. Finally, waste polyethylene terephthalate (PET) bottles were degraded using acid hydrolysis and the resulting monomer EG was transformed into L-tyrosine using the engineered E. coli , yielding a comparable titer to that obtained using commercial EG. The strains developed in this study should be valuable to the community for producing valuable aromatics from EG.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».