Accelerating metabolic engineering tasks by the in silico development of yeast cell factories

Tese de Doutoramento em BioengenhariaThe increasing knowledge about microbial metabolism and the recent advances in genetic engineering tools are enabling metabolic engineering of microorganisms for the sustainable production of industrially relevant compounds. Moreover, the reconstruction of genome-scale metabolic models (GSMMs) together with the use of computational tools have contributed to the rational design of microbial cell factories. However, despite all the advances and available technologies in the systems biology field, the development of economically viable cell factories is still a costly and time-consuming process, since efforts have to be developed for each new targeted product. Therefore, the development of chassis cells, i.e. pre-optimized strains for the overproduction of different compounds, as well as the improvement of model predictive accuracy are needed to accelerate the model-driven design of efficient cell factories. Overall, this thesis follows the design-build-test-learn cycle of the model-guided metabolic engineering workflow, focusing on the development of chassis strains of Saccharomyces cerevisiae optimized for the improved production of different industrially relevant organic acids with possible applications in the food, chemical and pharmaceutical industries, in addition to the study of genotype-phenotype associations using GSMMs. A conceptual framework for the design of chassis strains aimed at overproducing C4- dicarboxylic acids, namely succinic, fumaric and malic acid, was developed. This strain design framework applies a metaheuristic approach to search for growth-coupled production designs, building upon the fact that these compounds are derived from the same metabolic precursors. Several chassis strains encompassing common and nonintuitive gene deletions, and requiring minimal strain optimization additional steps towards the overproduction of the three organic acids, were generated based on a modular fashion and analyzed in terms of their biological feasibility against literature data. The most promising candidate solutions were further implemented in vivo and physiologically characterized in batch cultivations regarding growth and production rates, using high performance liquid chromatography (HPLC) and gas chromatography-mass spectrometry (GC-MS) quantification techniques. Although the final strains developed in this study would require additional rounds of metabolic engineering and bioprocess development to achieve industrially relevant production levels, a proof of concept of the chassis cell for overproducing three different dicarboxylic acids has been established, to the best of our knowledge, for the first time. This work also demonstrates the potential of combining metabolic modeling with adaptive laboratory evolution in the design and optimization of yeast cell factories. After evolution, for example, the strains engineered to produce succinate showed a 6.1-fold improvement in the specific growth rate and a 4.9-fold improvement in the succinate secretion rate when compared to the non-evolved counterpart, with a 38-fold increase in succinate titer and 17-fold increase in productivity in comparison to the wild-type strain. Despite the promising results, some discrepancies were observed between the experimentally obtained yields and the simulated ones, stressing the need for model improvements. Therefore, in order to improve and make the model validation process more transparent and robust, phenomenaly (PHENOtypic and MEtabolic Network Analysis at Large-scale of Yeast data) was developed. Phenomenaly is an open source Python package built around manually curated data sets of yeast mutant phenotypes available on Saccharomyces Genome Database (SGD), that enables the simulation and analysis of genotype-phenotype associations using GSMMs of yeast. This tool was further used to perform a thorough characterization of the observed inconsistencies, guiding the formulation of several hypotheses to address these failures, including a detailed revision of the in silico representation of the yeast biomass composition. The applied changes contributed to the discovery of missing or erroneously present metabolic functions in the yeast metabolic network and to broaden the network’s functionality and activity, i.e. the number of reactions carrying flux in the wild-type simulation as suggested by experimental evidences. Moreover, the model’s ability to correctly predict lethal and auxotroph-inducing genes was improved by over 18% and 25%, respectively. The questions raised and addressed in this part of the work are expected to contribute to more effectively engineer yeast as a cell factory through model-guided approaches. In summary, the work developed in this thesis shows that model-predicted modular design strategies can indeed help to accelerate metabolic engineering tasks, although genotype/phenotype predictions with yeast metabolic networks must be improved to yield industrially relevant cell factories.O conhecimento acumulado sobre o metabolismo microbiano e o desenvolvimento de ferramentas avançadas de engenharia genética têm possibilitado a manipulação de microrganismos capazes de produzir compostos de interesse industrial de forma sustentável e ecológica. Além disso, a reconstrução de modelos metabólicos à escala genómica (GSMMs), aliada ao uso de ferramentas computacionais, tem contribuído para o desenho racional de microrganismos como fábricas celulares. No entanto, apesar dos avanços conseguidos e tecnologias disponíveis na área da biologia de sistemas, o desenvolvimento de fábricas celulares compatíveis com requisitos industriais é ainda um processo bastante caro e demorado, uma vez que cada produto alvo requer ainda uma estratégia única e desenvolvida de raiz, devido sobretudo à inexistência de células chassis (isto é, estirpes otimizadas para a produção de diferentes compostos), bem como à falta de ferramentas de modelação devidamente validadas. De um modo geral, esta tese segue o chamado ciclo “design-build-test-learn” associado ao processo de engenharia metabólica baseada em modelos à escala genómica, e foca-se no desenvolvimento de estirpes chassis de Saccharomyces cerevisiae, pré-otimizadas para a produção de diferentes ácidos orgânicos de elevado interesse industrial, assim como no estudo de associações entre genótipo e fenótipo usando este tipo de modelos. Para cumprir o objetivo de criar estirpes chassis de S. cerevisiae otimizadas para o aumento de produção de diferentes ácidos dicarboxílicos, nomeadamente ácido sucínico, ácido fumárico e ácido málico, foi desenvolvida uma ferramenta computacional que usa algoritmos de otimização existentes e se baseia na premissa de que estes compostos derivam dos mesmos precursores metabólicos. Foram geradas várias soluções possíveis para o efeito, incluindo alvos genéticos para deleção não óbvios e comuns à produção desta família de compostos, com base num conceito de design modular. As soluções mais promissoras foram depois implementadas in vivo e caracterizadas em termos de crescimento e taxas de produção, usando técnicas analíticas como HPLC e GCMS. Apesar de serem necessárias novas rondas de otimização das estirpes e dos bioprocessos utilizados para atingir valores compatíveis com a utilização industrial, estabeleceu-se, pela primeira vez, a prova de conceito de células chassis de S. cerevisiae otimizadas para a produção de diferentes ácidos orgânicos. Além disso, foi também demonstrado o potencial de combinar a utilização de modelos metabólicos com estratégias de adaptação evolutiva em laboratório no desenho e otimização de fábricas celulares de levedura. Depois do processo evolutivo, as estirpes produtoras de sucinato apresentaram uma melhoria significativa em termos de taxa específica de crescimento e taxa de secreção desse composto, em comparação com as estirpes não evoluídas, bem como uma significativa melhoria da produção de sucinato e produtividade da estirpe evoluída em relação à estirpe selvagem. Contudo, verificaram-se algumas discrepâncias entre os valores obtidos experimentalmente e os dados resultantes das simulações, reforçando a necessidade de melhoria da capacidade preditiva dos modelos. Com o intuito de melhorar e tornar o processo de validação dos modelos mais transparente, foi criada uma nova ferramenta computacional designada phenomenaly (PHENOtypic and MEtabolic Network Analysis at Large-scale of Yeast data). Esta ferramenta foi construída com base em conjuntos de dados de fenótipos resultantes de mutantes de S. cerevisiae disponíveis na Saccharomyces Genome Database (SGD). Através do phenomenaly é possível simular e analisar o fenótipo resultante da deleção de um determinado gene, usando diferentes GSMMs de levedura. Com o recurso à ferramenta desenvolvida, foram geradas várias hipóteses para tentar corrigir as discrepâncias observadas entre dados experimentais e dados in silico, o que levou à reformulação da equação representativa da biomassa do GSMM mais recente do microrganismo em estudo. As modificações efetuadas contribuíram para descobrir reações em falta ou mal representadas no modelo, assim como para ampliar o número de reações ativas ao nível da existência de fluxo, com base em evidências experimentais. Além disso, a capacidade do modelo prever genes letais ou auxotrofias foi também melhorada em cerca de 18% e 25%, respetivamente. Espera-se que número de questões levantadas e analisadas nesta parte do trabalho contribuam para construir fábricas celulares de levedura mais eficientes, com base em estratégias racionais. O trabalho desenvolvido ao longo desta tese demonstra que estratégias de design modular baseadas em modelos metabólicos podem, de facto, contribuir para acelerar as tarefas associadas à engenharia metabólica, embora a capacidade preditiva dos modelos deva ser melhorada para dar origem a fábricas celulares com níveis de produção industriais.Fundação para a Ciência e Tecnologia e ao Programa MIT Portugal pelo financiamento atribuído através da bolsa de doutoramento PD/BD/52336/2013