Modélisation des voies métaboliques pour la production de biomolécules dans les systèmes acellulaires

Cell-free systems (CFS) are emerging as a powerful platform for biomanufacturing. The optimisation of the cell-free system is important to achieve maximum yield. The experimental optimisation is time-consuming and expensive. Different kinds of modelling emerged in the last decades, helping to optimise the pathway of interest in a shorter time at a low cost. In this study, we tested two approaches: systemic through the implementation of neural networks, and analytical through the use of differential equations. In the first step, an artificial neural network model was built to predict the flux through the pathway, and in the second step, a new methodology termed GC-ANN was developed to select optimum and cost-efficient enzyme balances for higher flux. This approach showed unexpected betterment of flux estimation, up to 63%. In the third step, a kinetic model was built and estimation of kinetic parameters for selected enzymes was achieved to replicate experimental conditions. Finally, linked to one of the most demanding chemicals, malate synthesis pathway was successfully modelled in the cell-free system. Even though many studies have been performed, biomanufacturing has not yet been possible for malate. The combination of the cell-free system and modelling could help achieve the biomanufacturing of malate. Overall, this thesis explores different mathematical modelling approaches, and their limits, for optimising metabolic pathways.Les systèmes acellulaires sont en train de devenir une puissante plateforme de biofabrication. L'optimisation de systèmes acellulaires est importante pour obtenir un rendement maximal. L'optimisation expérimentale, en laboratoire humide, est longue et coûteuse. Différents types de modélisations permettant d'optimiser la voie d'intérêt, en un temps plus court et à moindre coût, sont apparus au cours des dernières décennies. Dans cette étude, nous avons testé deux approches : systémique à travers la mise en œuvre de réseaux de neurones, et analytique à travers l™utilisation d™équations différentielles. Dans une première étape, un modèle à réseau de neurones artificiels a été construit pour prédire le flux de métabolites à travers la voie. Dans une seconde étape, une nouvelle méthodologie, appelée GC-ANN, a été développée pour sélectionner des équilibres enzymatiques optimaux, et rentables, pour des valeurs de flux plus élevées. Cette approche a permis une amélioration inattendue du flux, jusqu'à 63%, validée in vitro. Dans une troisième étape, un modèle cinétique a été construit, et l™estimation des paramètres cinétiques pour les enzymes sélectionnées a été réalisée, afin de reproduire les conditions expérimentales. Enfin, liée à l'un des produits chimiques les plus exigeants en termes de production, la voie de synthèse du malate a été modélisée avec succès dans un système acellulaires. Même si de nombreuses études ont été réalisées, la biofabrication a grande échelle n'est pas encore possible pour le malate. La combinaison du système acellulaire et de la modélisation pourrait aider à réaliser la bioproduction du malate. De manière plus générale, cette thèse explore différentes approches de modélisations mathématiques, et leurs limites, pour l'optimisation de voies métaboliques