آنالیز فرآیند تخمیر اسید L-گلوتامیک با استفاده از یک مدل شبیه سازی متابولیسم پویا Escherichia coli

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

آنالیز فرآیند تخمیر اسید L-گلوتامیک با استفاده از یک مدل شبیه سازی متابولیسم پویا Escherichia coli

عنوان لاتین

Analysis of L-glutamic acid fermentation by using a dynamic metabolic simulation model of Escherichia coli

سابقه و هدف: شناخت فرایند تخمیر اسید آمینه به عنوان یک سیستم جامع، یک کار چالش برانگیز است. پیش از این، ما یک مدل شبیه سازی پویا مبتنی بر مقالات گنجانده ایم که شامل تنظیم رونویسی، رونوشت، برگردان و واکنش های آنزیمی مربوط به گلیکولیز، مسیر پنتوز فسفات، چرخه تریکاربوکیلیک اسید (TCA) و مسیر آناپلیروسیک Escherichia coli است. در طی شبیه سازی، رشد سلولی به عنوان مثال برای تولید پروتئین رشد آزمایش سلولی از کشت فریبنده در مخمرهای جاروبی تعریف شد. با این حال، برای تایید مناسب بودن بیولوژیکی مدل ما، آنالیز حساسیت و اعتبار سنجی تجربی مورد نیاز بود. یافته ها: ما یک شبیه سازی تخمک تخمیر اسید L-گلوتامیک با حذف sucAB، یک ژن کدبندی α-کتوگلوترات دهیدروژناز ساختیم. سپس تجزیه و تحلیل حساسیت سیستماتیک برای تولید اسید L-گلوتامیک انجام شد؛ نتایج حاصل از این فرآیند با داده های تجربی قبلی مربوط به تخمیر اسید L-گلوتامیک مطابقت داشت. علاوه بر این، ما امکان پیش بینی احتمال وجود تجمع 3-فسفو گلیسیرات در سلول را در تنظیم فلاکس کربن به چرخه TCA و افزایش تولید اسید L-گلوتامیک از طریق تخمیر فراهم کردیم. ما این فرضیه را با استفاده از یک آزمایش تخمیری که شامل یک مدل تولید اسید تولید کننده اسید L-گلوتامیک ، E.coli MG1655 ΔsucA معتبر ساختیم که در آن ژن فسفوگلیسرات کیناز به منظور تجمع 3-فسفو گلیسیرات تقویت شده است. افزایش مشاهده شده در تولید اسید L-گلوتامیک، قدرت پیش بینی کننده معنی دار زیست شناختی مدل شبیه سازی پویایی متابولیسم را تایید کرد. نتیجه گیری: در این مطالعه، شبیه سازی دینامیکی با استفاده از یک مدل مبتنی بر مقالات، برای تشخیص مکانیزم های دقیق در فرآیند های تخمیر داخل سلول مفید است. آنالیز حساسیت کامل تر، شناسایی عوامل جدید درگیر در تنظیم متابولیسم تخمیر آمینو اسید را تسهیل می کند.

Background: Understanding the process of amino acid fermentation as a comprehensive system is a challenging task. Previously, we developed a literature-based dynamic simulation model, which included transcriptional regulation, transcription, translation, and enzymatic reactions related to glycolysis, the pentose phosphate pathway, the tricarboxylic acid (TCA) cycle, and the anaplerotic pathway of Escherichia coli. During simulation, cell growth was defined such as to reproduce the experimental cell growth profile of fed-batch cultivation in jar fermenters. However, to confirm the biological appropriateness of our model, sensitivity analysis and experimental validation were required. Results: We constructed an L-glutamic acid fermentation simulation model by removing sucAB, a gene encoding α-ketoglutarate dehydrogenase. We then performed systematic sensitivity analysis for L-glutamic acid production; the results of this process corresponded with previous experimental data regarding L-glutamic acid fermentation. Furthermore, it allowed us to predicted the possibility that accumulation of 3-phosphoglycerate in the cell would regulate the carbon flux into the TCA cycle and lead to an increase in the yield of L-glutamic acid via fermentation. We validated this hypothesis through a fermentation experiment involving a model L-glutamic acid-production strain, E. coli MG1655 ΔsucA in which the phosphoglycerate kinase gene had been amplified to cause accumulation of 3-phosphoglycerate. The observed increase in L-glutamic acid production verified the biologically meaningful predictive power of our dynamic metabolic simulation model. Conclusions: In this study, dynamic simulation using a literature-based model was shown to be useful for elucidating the precise mechanisms involved in fermentation processes inside the cell. Further exhaustive sensitivity analysis will facilitate identification of novel factors involved in the metabolic regulation of amino acid fermentation.