Ingeniería bioquímica y bioprocesos
Aspectos de bioingeniería
- Video:Optimización de bioprocesos: del agitador al bioreactor
- Fuente:Youtube
Machine learning for metabolic engineering: A review
Revisión sobre aplicación de aprendizaje automático en ingeniería metabólica
Este trabajo presenta una revisión sobre la aplicación de machine learning (ML) o aprendizaje automático para mejorar la predictibilidad y eficiencia de la ingeniería metabólica, abordando aspectos como gestión de datos, bibliotecas de algoritmos y recursos informáticos, una discusión sobre diversas aplicaciones desde la construcción y optimización de vías hasta la ampliación. Los autores incluyen un apartado sobre perspectivas futuras y las alternativas más promisorias para la combinación de estas metodologías, aclarando que la ingeniería metabólica podría tomar dos cursos; uno donde prevalecen los métodos tradicionales, el progreso es incremental y donde una mayor cantidad de moléculas se ponen arduamente en uso comercial a un ritmo creciente. En el otro, la ingeniería metabólica abarca e integra completamente las posibilidades que ofrece la automatización y el aprendizaje automático, lo cual conduce a un cambio disruptivo que hace que la producción de nuevas moléculas sea una tarea relativamente fácil, gracias a las nuevas capacidades predictivas.
Este estudio fue desarrollado por Christopher E. Lawson (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA), Jose Manuel Martía (Joint BioEnergy Institute, CA, USA; DOE Agile BioFoundry, CA, USA), Tijana Radivojevic, Sai Vamshi R.Jonnalagadda (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA; DOE Agile BioFoundry, CA, USA), Reinhard Gentz (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA), Nathan J.Hillson (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA; DOE Agile BioFoundry, CA, USA), Sean Peisert (Lawrence Berkeley National Laboratory, CA, USA; University of California Davis, CA, USA), Joonhoon Kim (Joint BioEnergy Institute, CA, USA; Pacific Northwest National Laboratory, WA, USA ), Blake A. Simmons, Christopher J. Petzold (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA; DOE Agile BioFoundry, CA, USA), Steven W. Singer (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA), Aindrila Mukhopadhyay (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA), Deepti Tanjore (Lawrence Berkeley National Laboratory, CA, USA; Advanced Biofuels and Bioproducts Process Development Unit, CA, USA), Joshua G. Dunn (Ginkgo Bioworks, Boston, MA, 02210, USA) y Hector Garcia Martin (Lawrence Berkeley National Laboratory, CA, USA; Joint BioEnergy Institute, CA, USA; DOE Agile BioFoundry, CA, USA; Basque Center for Applied Mathematics, Bilbao, Spain) para Metabolic Engineering (MBE) (2021), una revista especializada en estudios sobre modulación de rutas metabólicas para producción de metabolitos y el mejoramiento de propiedades celulares. Esta es una publicación de Elsevier Inc. (Amsterdam, The Netherlands).
Replacing the Calvin cycle with the reductive glycine pathway in Cupriavidus necator
Sustitución del ciclo de Calvin a través de la ruta reductiva de la glicina en Cupriavidus necator
La biosíntesis microbiana es una alternativa ambientalmente favorable para la producción basada en combustibles fósiles. Sin embargo, existen limitaciones en cuanto a la disponibilidad y sostenibilidad de sustratos microbianos, afectando la productividad biotecnológica. El formiato es un compuesto que puede ser producido a partir de CO2, siendo un sustrato viable para la bioproducción sostenible. Cupriavidus necator H16 (Ralstonia eutropha H16) es un microorganismo con capacidad para metabolizar el formiato, siendo de gran interés biotecnológico para la producción de polihidroxibutirato, isopropanol y terpenoides. Sin embargo, el uso de formiato para la producción de biomasa y productos de interés tiene un bajo rendimiento como consecuencia del desperdicio de ATP en el Ciclo de Calvin. En este sentido, los autores proponen un método para rediseñar el metabolismo de C. necator en la asimilación de formiato a través de la vía sintética reductora de glicina, que presenta una mayor eficiencia en términos de ATP.
Este trabajo fue desarrollado por Nico J. Claassens, Guillermo Bordanaba-Florit, Charles A.R. Cotton, Alberto De Maria, Max Finger-Bou, Lukas Friedeheim, Natalia Giner-Laguarda, Martí Munar-Palmer, William Newell, Giovanni Scarinci, Jari Verbunt, Stijn T. de Vries, Suzan Yilmaz y Arren Bar-Even (Max Planck Institute of Molecular Plant Physiology, Potsdam-Golm, Germany) para Metabolic Engineering (MBE) (Vol. 62, p. 30-41, 2020), una revista especializada en estudios sobre modulación de rutas metabólicas para producción de metabolitos y el mejoramiento de propiedades celulares. Esta es una publicación de Elsevier Inc. (Amsterdam, The Netherlands).
