シキミ酸生産のために設計された大腸菌株の代謝モデリングと応答表面分析

背景：古典的な代謝工学戦略は、しばしば微生物代謝に対する有意なフラックスの不均衡を誘発し、基質の製品への最適な変換などの望ましくない結果を引き起こします。生産株の生理学的および代謝状態を理解し、生物生物形成の改善のための遺伝子修飾ターゲットを特定するために、いくつかの数学的枠組みが開発されました。この作業では、複雑な媒体で成長した主要なグルコース輸送システムを欠く大腸菌株を過剰生産するシキミ酸過剰生産の代謝フラックスを記述するために、モデリングアプローチを適用しました。 結果：得られたフラックス分布は、ペントースリン酸およびエントナードウドロフ経路を介した高磁束の存在を示しており、ペントースリン酸経路を通る高磁束リン酸化のためにエリスロース-4-リン酸塩の利用可能性を制限する可能性があります。さらに、非常に活性なグリオキシレートシャントフラックスとピルビン酸/アセテートサイクルは、テストされた条件でのオーバーフロー解糖代謝の指標です。生理学的およびフラックス応答の組み合わせの分析により、バリアント基質条件内のさまざまな生理学的出力のゾーン割り当てが有効になりました。この情報は、シキミ酸生産性を向上させることがわかった代謝条件を維持するために設計された改善されたFEDバッチプロセスに使用されました。これにより、バッチプロセスと比較して、収量を維持しながら、シキミ酸力価（60 g/L）が40％増加し、体積生産性が70％増加しました（2.45 GSA/L*h）。 結論：動的代謝モデリングと実験パラメーター応答表面の組み合わせは、さまざまな基質濃度の下でのシキミ酸産生株の挙動を理解および予測するための成功したアプローチでした。応答表面は、さまざまな優先製品の結果でさまざまな生理学的行動ゾーンを割り当てるのに役立ちました。両方のモデルセットは、エンジニアリングしたシキミ酸酸過剰生産の大腸菌株のシキミ酸産生を強化するために適用できる情報を提供しました。

BACKGROUND: Classic metabolic engineering strategies often induce significant flux imbalances to microbial metabolism, causing undesirable outcomes such as suboptimal conversion of substrates to products. Several mathematical frameworks have been developed to understand the physiological and metabolic state of production strains and to identify genetic modification targets for improved bioproduct formation. In this work, a modeling approach was applied to describe the physiological behavior and the metabolic fluxes of a shikimic acid overproducing Escherichia coli strain lacking the major glucose transport system, grown on complex media. RESULTS: The obtained flux distributions indicate the presence of high fluxes through the pentose phosphate and Entner-Doudoroff pathways, which could limit the availability of erythrose-4-phosphate for shikimic acid production even with high flux redirection through the pentose phosphate pathway. In addition, highly active glyoxylate shunt fluxes and a pyruvate/acetate cycle are indicators of overflow glycolytic metabolism in the tested conditions. The analysis of the combined physiological and flux response surfaces, enabled zone allocation for different physiological outputs within variant substrate conditions. This information was then used for an improved fed-batch process designed to preserve the metabolic conditions that were found to enhance shikimic acid productivity. This resulted in a 40% increase in the shikimic acid titer (60 g/L) and 70% increase in volumetric productivity (2.45 gSA/L*h), while preserving yields, compared to the batch process. CONCLUSIONS: The combination of dynamic metabolic modeling and experimental parameter response surfaces was a successful approach to understand and predict the behavior of a shikimic acid producing strain under variable substrate concentrations. Response surfaces were useful for allocating different physiological behavior zones with different preferential product outcomes. Both model sets provided information that could be applied to enhance shikimic acid production on an engineered shikimic acid overproducing Escherichia coli strain.