Algorithms and tools for in silico design of cell factories

Abstract

The progressive shift from chemical to biotechnological processes is one of the pillars of the 21st century industrial biotechnology. Projections from the Organization for Economic Co-operation and Development estimate that, within the next two decades, about 35% of the production of chemicals will be guaranteed by biotechnological processes. The development of efficient cell-factories, capable of outperforming current chemical processes, is vital for this leap to happen. The development of constraint-based models of metabolism and rational computational strain optimization algorithms (CSOMs) hold the promise to accelerate these e orts. Here, we aim to provide an in depth and critical review of the currently available constraint-based CSOMs, their strengths and limitations, as well as to discuss future trends in the field. Then, we cover in detail the main tasks in strain design and provide a taxonomy of the main CSOMs. These are presented in detail and their features and limitations are explored. One of the identified problems is their limited offering of trade-o solutions of biotechnological objectives (e.g. overproducing desired compounds or minimizing the cost of solutions) versus cellular objectives (e.g. maximizing biomass). To tackle this problem we developed an evolutionary multi-objective (MO) framework for strain optimization capable of finding high-quality, trade-off solutions that can be explored by metabolic engineering experts. Also, the majority of the strain optimization algorithms rely on phenotype prediction methods based on debatable biological assumptions. We verified that, for a large percentage of solutions generated by a CSOM using one phenotype prediction method, the results would not hold when simulated with an alternative method. Leveraging on the previously developed framework and driven by the MO nature of this problem, we proposed a tandem approach capable of finding strain designs that comply with the assumptions of distinct phenotype prediction methods, validating the approach with multiple case studies. Finally, all the algorithms developed during this work are made available in the form of an open and flexible software framework. This framework is a powerful tool for both common users, interested in exploring the available methods, and experienced programmers which are able to easily extend it to support new features.

A conversão de processos químicos em processos biotecnológicos e um dos grandes objetivos da biotecnologia industrial para o seculo XXI. A Organização para a Cooperação e Desenvolvimento Economico estima que, nas próximas duas décadas, cerca de 35% da produção de compostos químicos sejam assegurados por processos biotecnológicos. O desenvolvimento de fabricas celulares eficientes, capazes de superar o rendimento dos atuais processos químicos, é vital para que este avanço seja possível. O desenvolvimento de modelos metabólicos e algoritmos para otimização de estirpes (AOEs), e uma das grandes esperanças para acelerar estes esforços. Neste trabalho, pretendemos efetuar uma revisão aprofundada dos AOEs atuais baseados na modelação por restrições, analisar os seus pontes fortes e limitações, e discutir temas de interesse futuro na área. De seguida, estudamos em detalhe os tipos de estratégias comuns para o desenho de estirpes e formulamos uma taxonomia para os principais AOEs. Estes são avaliados em detalhe e as suas características principais são devidamente exploradas. Um dos problemas identificados prende-se com a sua oferta limitada de soluções de compromisso entre objetivos industriais (como produzir em excesso um composto de interesse, ou reduzir o custo de implementar uma solução) e objetivos celulares (como a maximização do crescimento). Para enfrentar este problema, desenvolvemos uma plataforma para otimização de estirpes baseada em computação evolucionária multiobjectivo, capaz de encontrar soluções de compromisso de elevada qualidade, que podem ser exploradas por peritos em engenharia metabólica. Para além disso, a grande maioria dos AOEs baseia-se em métodos de previsão de fenótipos que, por sua vez, são construídos sobre assunções biológicas discutíveis. Verificamos que uma grande percentagem das soluções geradas por um AOE, usando um método de previsão de fenótipos, deixaria de ser valida quando simulada com um método alternativo. Tirando partido da plataforma desenvolvida anteriormente e motivados pela natureza multiobjectivo deste problema, propusemos uma abordagem capaz de encontrar estirpes que respeitassem as assunções de diferentes métodos de previsão de fenótipos. Esta abordagem foi validada com vários casos de estudo. Por fim, todos os algoritmos desenvolvidos ao longo deste trabalho são disponibilizados sob a forma de uma aplicação de software aberto. Esta constitui uma ferramenta poderosa, tanto para utilizadores comuns interessados em explorar os métodos disponibilizados, como para programadores experientes que podem estendê-la facilmente com novos métodos.