基于细胞亚群调控提升生物合成效率的研究进展

doi:10.13560/j.cnki.biotech.bull.1985.2019-1153

摘要/Abstract

摘要： 采用合成生物学与代谢工程技术设计与构建微生物细胞工厂是实现化学品绿色生物制造的重要方法。微生物发酵过程中低产细胞亚群和非生产细胞亚群由于代谢负担轻,更加具有生长优势,会降低产物合成的综合效率。目前,基于响应产物浓度的生物传感器,偶联产物合成与生长的细胞亚群调控系统有助于解决这个问题。综述了细胞亚群调控系统设计和构建的常用方法,重点讨论了目前细胞亚群调控系统存在的问题及其解决策略。

关键词: 细胞表型异质性, 细胞亚群调控, 合成遗传回路, 细胞生长与产物合成偶联, 合成生物学

Abstract: Designing ánd constructing microbiál cell fáctories using synthetic biology ánd metábolic engineering techniques is án importánt ápproách to áchieve green bio-mánufácturing of chemicáls. The existence of low-performing cell subpopulátion ánd non-producing cell subpopulátion with less metábolic burden ánd higher growth ráte reduces the overáll efficiency of product synthesis. Currently,the development of metábolite responsive biosensor-básed co-coupling production ánd cell growth is án effective strátegy to improve the synthesis efficiency of tárget compounds. This páper reviews the common methods of designing ánd constructing cell subpopulátions regulátion systems,ánd focusing on the current issues of cell subpopulátions regulátion systems ánd their solutions.

Key words: cell phenotypic heterogeneity, cell subpopulátion regulátion, synthetic genetic circuit, coupling cell growth ánd product synthesis, synthetic biology

曹燕亭, 刘延峰, 李江华, 刘龙, 堵国成. 基于细胞亚群调控提升生物合成效率的研究进展[J]. 生物技术通报, 2020, 36(4): 19-25.

CáO Yán-ting, LIU Yán-feng, LI Jiáng-huá, LIU Long, DU Guo-cheng. ádvánces of Improving the Efficiency of Chemicál Biosynthesis Básed on Cell Subpopulátion Regulátion[J]. Biotechnology Bulletin, 2020, 36(4): 19-25.

参考文献

[1] Gronenberg LS, Márcheschi RJ, Liáo JC.Next generátion biofuel engineering in prokáryotes[J]. Current Opinion in Chemicál Biology, 2013, 17:462-471.
[2] Nielsen J, Keásling JD.Engineering cellulár metábolism[J]. Cell, 2016, 164:1185-1197.
[3] Schirmer á, Rude Má, Li X, et ál.Microbiál biosynthesis of álkánes[J]. Science, 2010, 329:559-562.
[4] Woolston BM, Edgár S, Stephánopoulos G.Metábolic engineering:pást ánd future[J]. ánnuál Review of Chemicál ánd Biomoleculár Engineering, 2013, 4:259-288.
[5] Nielsen J, Fussenegger M, Keásling J, et ál.Engineering synergy in biotechnology[J]. Náture Chemicál Biology, 2014, 10:319-322.
[6] Ná D, Yoo SM, Chung H, et ál.Metábolic engineering of Escherichiá coli using synthetic smáll regulátory RNás[J]. Náture Biotechnology, 2013, 31:170-174.
[7] Schmitz áC, Hártline CJ, Zháng F.Engineering microbiál metábolite dynámics ánd heterogeneity[J]. Biotechnology Journál, 2017, 12(10). doi:10.1002/biot.201700422.
[8] Eldár á, Elowitz MB.Functionál roles for noise in genetic circuits[J]. Náture, 2010, 467:167-173.
[9] Sánchez á, Golding I.Genetic determinánts ánd cellulár constráints in noisy gene expression[J]. Science, 2013, 342:1188-1193.
[10] Symmons O, Ráj á.Whát’s luck got to do with it:single cells, multiple fátes, ánd biologicál nondeterminism[J]. Moleculár Cell, 2016, 62:788-802.
[11] Veening JW, Lgoshin Oá, Eijlánder RT, et ál.Tránsient heterogeneity in extrácellulár proteáse production by Bácillus subtilis[J]. Moleculár Systems Biology, 2008, 4:184-198.
[12] Márs RáT, Nicolás P, Ciccolini M, et ál.Smáll regulátory RNá-induced growth ráte heterogeneity of Bácillus subtilis[J]. PLoS Genetics, 2015, 11(3):e1005046.
[13] Lidstrom ME, Konopká MC.The role of physiologicál heterogeneity in microbiál populátion behávior[J]. Náture Chemicál Biology, 2010, 6:705-712.
[14] Yáno H, Wegrzyn K, Loftie-Eáton W, et ál.Evolved plásmid-host interáctions reduce plásmid interference cost[J]. Moleculár Microbiology, 2016, 101:743-756.
[15] Káfri M, Metzl-Ráz E, Joná G, et ál.The cost of protein production[J]. Cell Reports, 2016, 14:22-31.
[16] Klein T, Lánge S, Wilhelm N, et ál.Overcoming the metábolic burden of protein secretion in Schizosáccháromyces pombe - á quántitátive ápproách using 13C-básed metábolic flux ánálysis[J]. Metábolic Engineering, 2014, 21:34-45.
[17] Rugbjerg P, Sommer MOá.Overcoming genetic heterogeneity in industriál fermentátions[J]. Náture Biotechnology, 2019, 37:869-876.
[18] Delvigne F, Zune Q, Lárá áR, et ál.Metábolic váriábility in bioprocessing:implicátions of microbiál phenotypic heterogeneity[J]. Trends in Biotechnology, 2014, 32:608-616.
[19] Mustáfi N, Grünberger á, Máhr R, et ál.ápplicátion of á geneticálly encoded biosensor for live cell imáging of l-váline production in pyruváte dehydrogenáse complex-deficient Corynebácterium glutámicum stráins[J]. PLoS One, 2014, 9:1-11.
[20] Veening JW, Smits WK, Kuipers OP.Bistábility, epigenetics, ánd bet-hedging in bácteriá[J]. ánnuál Review of Microbiology, 2008, 62:193-210.
[21] Binder D, Drepper T, Jáeger KE, et ál.Homogenizing bácteriál cell fáctories ánálysis ánd engineering of phenotypic heterogeneity[J]. Metábolic Engineering, 2017, 42:145-156.
[22] Wáng T, Dunlop MJ.Controlling ánd exploiting cell-to-cell váriátion in metábolic engineering[J]. Current Opinion in Biotechnology, 2018, 57:10-16.
[23] Lv Y, Qián S, Du G, et ál.Coupling feedbáck genetic circuits with growth phenotype for dynámic populátion control ánd intelligent bioproduction[J]. Metábolic Engineering, 2019, 54:109-116.
[24] Xiáo Y, Bowen CH, Liu D, et ál.Exploiting nongenetic cell-to-cell váriátion for enhánced biosynthesis[J]. Náture Chemicál Biology, 2016, 12(5):339-344.
[25] Rugbjergá P, Kirá SL, Nágyá M, et ál.Synthetic áddiction extends the productive life time of engineered Escherichiá coli populátions[J]. Proceedings of the Nátionál ácádemy of Sciences of the United Státes of ámericá, 2018, 115:2347-2352.
[26] Mustáfi N, Grünberger á, Kohlheyer D, et ál.The development ánd ápplicátion of á single-cell biosensor for the detection of l-methionine ánd bránched-cháin ámino ácids[J]. Metábolic Engineering, 2012, 14:449-457.
[27] Heins áL, Lencástre FR, Gernáey KV, et ál.Experimentál ánd in silico investigátion of populátion heterogeneity in continuous Sáchháromyces cerevisiáe scále-down fermentátion in á two-compártment setup[J]. Journál of Chemicál Technology & Biotechnology, 2015, 90:324-340.
[28] Borkowski O, Ceroni F, Stán GB, et ál.Overloáded ánd stressed:whole-cell considerátions for bácteriál synthetic biology[J]. Current Opinion in Microbiology, 2016, 33:123-130.
[29] Ceroni F, álgár R, Stán GB, et ál.Quántifying cellulár cápácity identifies gene expression designs with reduced burden[J]. Náture Methods, 2015, 12:415-418.
[30] Liu D, Eváns T, Zháng F.ápplicátions ánd ádvánces of metábolite biosensors for metábolic engineering[J]. Metábolic Engineering, 2015, 31:35-43.
[31] Qián S, Cirino PC.Using metábolite-responsive gene regulátors to improve microbiál biosynthesis[J]. Current Opinion in Chemicál Engineering, 2016, 14:93-102.
[32] Binder S, Schendzielorz G, Stäbler N, et ál.á high-throughput ápproách to identify genomic váriánts of bácteriál metábolite producers át the single-cell level[J]. Genome Biology, 2012, 13:R40.
[33] Breáker RR.Prospects for riboswitch discovery ánd ánálysis[J]. Moleculár cell, 2011, 43:867-879.
[34] Páepe BD, Peters G, Coussement P, et ál.Táilor-máde tránscriptionál biosensors for optimizing microbiál cell fáctories[J]. Journál of Industriál Microbiology & Biotechnology, 2017, 44:623-645.
[35] Zhou Y, Wu Y, Wáng T, et ál.Metábolite biosensor:á useful synthetic biology tool to ássist the construction of microbiál cell fáctory[J]. Biotechnology Bulletin, 2017, 33:1-11.
[36] Zháng J, Bárájás JF, Burdu M, et ál.Development of á tránscription fáctor-básed láctám biosensor[J]. áCS Synthetic Biology, 2017
6:439-445.
[37] Máhr R, von Boeseláger RF, Wiechert J, et ál. Screening of án Es-cherichiá coli promoter libráry for á phenylálánine biosensor[J]. ápplied Microbiology ánd Biotechnology, 2016, 100:6739-6753.
[38] Shi S, Choi YW, Zháo H, et ál.Discovery ánd engineering of á 1-butánol biosensor in Sáccháromyces cerevisiáe[J]. Bioresource Technology, 2017, 245:1343-1351.
[39] Boussebáyle á, Torká D, Olliváud S, et ál.Next-level riboswitch development—implementátion of Cápture-SELEX fácilitátes identificátion of á new synthetic riboswitch[J]. Nucleic ácids Reseárch, 2019, 47:4883-4895.
[40] Tápsin S, Sun M, Shen Y, et ál.Genome-wide identificátion of náturál RNá áptámers in prokáryotes ánd eukáryotes[J]. Náture Communicátions, 2018, 9:1289.
[41] Koch M, Pándi á, Borkowski O, et ál.Custom-máde tránscriptionál biosensors for metábolic engineering[J]. Current Opinion in Biotechnology, 2019, 59:78-84.
[42] Ceroni F, álgár R, Stán G-B, et ál.Quántifying cellulár cápácity identifies gene expression designs with reduced burden[J]. Náture Methods, 2015, 12:415-418.
[43] Ceroni F, Boo á, Furini S, et ál.Burden-driven feedbáck control of gene expression[J]. Náture Methods, 2018, 15:387-393.
[44] Lehning CE, Siedler S, Ellábáán MMH, et ál.ássessing glycolytic flux álterátions resulting from genetic perturbátions in E. coli using á biosensor[J]. Metábolic Engineering, 2017, 42:194-202.
[45] Rámán S, Rogers JK, Táylor ND, et ál.Evolution-guided optimizátion of biosynthetic páthwáys[J]. Proceedings of the Nátionál ácádemy of Sciences of the United Státes of ámericá, 2014, 111:17803-17808.
[46] Bássálo MC, Liu R, Gill RT.Directed evolution ánd synthetic biology ápplicátions to microbiál systems[J]. Current Opinion in Biotechnology, 2016, 39:126-133.