组成图示
点击图片查看大图 · 依据论文自动绘制
传感器类型
全细胞生物传感器
检测对象
53 种小分子代谢物（metabolites，代表性包括甲羟戊酸 mevalonate、吲哚 indole、甘油 glycerol、L-丝氨酸 L-serine、色氨酸 tryptophan、氨基酸 amino acids、糖类 sugars）；样品基质：大肠杆菌生产菌株发酵废液/培养上清（spent media）
检测原理
该方法以大肠杆菌基因组尺度代谢模型 iJR904 为基础，通过双层混合整数线性规划搜索不超过 3 个基因敲除组合，使工程菌对目标化学物 C 呈超营养缺陷型：当 C 存在时可摄取并利用 C 合成生物量并生长；当 C 缺失时，即使培养基中含有其他可摄取代谢物，最大生长率也被约束为零。生产菌株发酵废液转入含葡萄糖最小培养基或富集培养基的传感器菌培养体系中，C 的转运与代谢进入细胞，驱动生物量积累；富集培养基掩蔽其他分泌代谢物，使总生物量或 GFP 荧光信号主要随 C 浓度升高而增强。信号通过生长率、生物量或荧光读出，实现高通量检测与定量，并可进一步用于筛选高产菌株或代理代谢物偶联生产。
检测灵敏度
原文未报告 LOD、线性范围、灵敏度斜率或相关系数。
效应效果
在 E. coli iJR904 模型中，方法预测 53 种代谢物生物传感器：葡萄糖最小培养基 43 种，富集培养基额外 10 种，含 19 种氨基酸和 14 种糖。与 CGSC 已知氨基酸营养缺陷型比较，10 种敲除完全匹配，5 种已知敲除仅达营养缺陷而非超营养缺陷，3 种不匹配但文献支持。组合生物传感器策略预测 25 种代谢物产量大于 0；OptKnock 仅 10 种，RobustKnock 保证 6 种。甘油允许 10 次敲除时理性设计达最大理论产量 66%，生物传感器策略达 89%；L-丝氨酸理性设计保证产量为 0。代理代谢物策略中，OptKnock-proxy 使 20/25 无直接传感器代谢物可生产，5 种产量高于 OptKnock；RobustKnock-proxy 保证 11 种，5 种高于 RobustKnock，平均分别可用 6.95 和 3.31 个生物传感器。作者主张其可提升高通量筛选与产量。
传感器的构成
- 全细胞换能器：大肠杆菌工程菌（E. coli，基于 iJR904 代谢网络），承担识别与生长换能。
- 识别元件：目标底物转运/合成通路基因敲除组合（≤3 knockouts），形成超营养缺陷型（ultra-auxotrophy），使生长依赖目标化学物 C。
- 信号标记物：绿色荧光蛋白（GFP）或总生物量（biomass），用于报告目标物浓度。
- 样品基质/培养基：葡萄糖最小培养基（glucose minimal medium）或富集培养基（rich medium），提供营养并掩蔽干扰代谢物。
- 读出参数：生长率/生物量（growth rate/biomass yield），随目标物浓度变化。
中文摘要
组合代谢工程通过在大肠杆菌等微生物群体中产生遗传多样性，并筛选具有改善表型的菌株，以构建高产量化学品生产菌株。该领域的主要瓶颈是许多目标化学品缺乏易于识别的表型特征，导致高通量筛选昂贵且耗时。为此，已有研究提出利用微生物生物传感器检测并量化目标化学品。本文提出新的计算方法：第一，基于底物营养缺陷型理性设计微生物生物传感器，使工程菌的生长严格依赖目标化学物的存在，从而支持高通量筛选；第二，预测将目标化学品合成与可被生物传感器高通量筛选的代理代谢物生产相偶联的基因敲除策略。作者利用大肠杆菌 iJR904 基因组尺度代谢模型，以已知氨基酸营养缺陷型菌株的基因改造结果验证设计方法，并比较了生物传感器辅助组合工程与 OptKnock、RobustKnock 等理性设计方法的预测产量。结果表明，基于生物传感器的策略可能获得比现有理性设计方法更高的化学品产量。文中提供了 Matlab 实现。
英文摘要
Combinatorial approaches in metabolic engineering work by generating genetic diversity in a microbial population followed by screening for strains with improved phenotypes. One of the most common goals in this field is the generation of a high rate chemical producing strain. A major hurdle with this approach is that many chemicals do not have easy to recognize attributes, making their screening expensive and time consuming. To address this problem, it was previously suggested to use microbial biosensors to facilitate the detection and quantification of chemicals of interest. Here, we present novel computational methods to: (i) rationally design microbial biosensors for chemicals of interest based on substrate auxotrophy that would enable their high-throughput screening; (ii) predict engineering strategies for coupling the synthesis of a chemical of interest with the production of a proxy metabolite for which high-throughput screening is possible via a designed bio-sensor. The biosensor design method is validated based on known genetic modifications in an array of E. coli strains auxotrophic to various amino-acids. Predicted chemical production rates achievable via the biosensor-based approach are shown to potentially improve upon those predicted by current rational strain design approaches. (A Matlab implementation of the biosensor design method is available via http://www.cs.technion.ac.il/~tomersh/tools).