Machine Learning assisted engineering of artificial microbial consortia for the delivery of bio-plastic materials from renewable waste

Forskare: Marcus Liwicki och Leonidas Matsakas

Som svar på de miljöutmaningar som fossilbaserade plaster medför, inklusive energislöseri och föroreningar, finns ett akut behov av att identifiera biologiskt nedbrytbara plaster framställda från förnybara källor.

En framväxande trend är användningen av mikrobiella konsortier som kan metabolisera komplexa kolkällor, såsom jordbruks- eller skogsrester samt organiskt industriavfall, för att producera syntetiska, biologiskt nedbrytbara plaster. Eftersom olika råmaterial kräver olika mikrobiella konsortier är nuvarande praxis att utforma artificiella mikrobiella konsortier genom kostsamma försök-och-misstag-processer (i kombination med mänsklig erfarenhet) i laboratoriemiljö.

Detta projekt fokuserar på ett maskininlärningsbaserat system för konstruerade artificiella mikrobiella konsortier. Dessa erbjuder potential att designa mikroorganismer som kan ingå i symbiotiska relationer, vilket effektivt kan kringgå de metabola begränsningarna hos enskilda stammar samt ineffektiviteten hos naturliga konsortier.

Projektet förväntas leverera grunden för en ny maskininlärningsalgoritm som kan stödja konstruktionen av artificiella mikrobiella konsortier för produktion av bioplastmaterial från förnybart avfall och restströmmar.

1. Utmaningar

Årligen produceras 400 miljoner ton plast globalt, till följd av dess hållbarhet, breda användbarhet och kostnadseffektivitet [1]. Prognoser från World Economic Forum (WEF) indikerar att plastkonsumtionen kan fyrdubblas till år 2050 [1]. Denna ökning förväntas höja plastens andel av den globala oljekonsumtionen från 6 % år 2014 till uppskattningsvis 20 % år 2050, vilket motsvarar utsläpp på 6,5 Gt CO₂-ekvivalenter per år [1]. Tragiskt nog har omkring 60 % av all plast som producerats fram till 2017 (8 300 miljoner ton) hamnat på deponi eller slängts på ett oansvarigt sätt i miljön.

Som svar på de miljöutmaningar som fossilbaserade plaster medför, inklusive energislöseri och föroreningar, finns ett akut behov av att identifiera biologiskt nedbrytbara plaster framställda från förnybara källor [4]. Polyhydroxialkanoater (PHA), polyestrar som produceras av mikroorganismer, framstår som lovande alternativ eftersom de uppvisar många av de fördelaktiga egenskaperna hos petroleumbaserade plaster, samtidigt som de är biologiskt nedbrytbara och biokompatibla [4]. Den kommersiella produktionen av PHA hämmas dock av höga produktionskostnader, främst kopplade till råvarukostnader [5]. Beroendet av enskilda mikrobiella kulturer begränsar spektrumet av användbara råvaror (främst till acetat och butyrat [7]), vilket tillsammans med låg PHA-ackumulering [4] utgör ett betydande hinder för en bred kommersiell användning.

En potentiell lösning ligger i mikrobiella konsortier som kan metabolisera komplexa kolkällor, såsom jordbruks- eller skogsrester samt organiskt industriavfall. Dessa källor ligger utanför den metabola kapaciteten hos enskilda arter [5]. Även om naturligt förekommande mikrobiella konsortier, såsom de som finns i slam, utgör ett möjligt alternativ, är de notoriskt svåra att reglera för optimal produktutbyte, vilket leder till suboptimal processeffektivitet.

Fokus i detta projekt ligger på konstruerade artificiella mikrobiella konsortier. Dessa erbjuder möjligheten att designa mikroorganismer som kan ingå i symbiotiska relationer, vilket effektivt kan kringgå de metabola begränsningarna hos enskilda stammar samt ineffektiviteten hos naturliga konsortier. Till exempel har konstruktion av konsortier genom externa stimuli visat sig vara fördelaktigt för produktion av bio-vätgas och plattformskemikalier från organiskt avfall [2]. Traditionella metoder för att bygga dessa artificiella konsortier är dock arbetsintensiva, resurskrävande och förbiser ofta de komplexa mikrobiella interaktionerna, vilket kan leda till oväntade resultat eller till och med kollaps av konsortiet. Därför blir förmågan att förutse beteendet hos ett artificiellt konsortium innan det implementeras avgörande [8].

Nya framsteg inom högkapacitetsscreening, sekvensering, beräkningsmetoder och maskininlärning (ML) har banat väg för att designa, bygga och analysera komplexa mikrobiella konsortier [9]. Denna utveckling har öppnat ett nytt område inom syntetisk biologi och bioteknik, med målet att skapa artificiella samhällen som efterliknar robustheten, effektiviteten och flexibiliteten hos naturliga system. Utvecklingen har drivits av tillgången till biologiska data med hög genomströmning, inklusive transkriptomik, proteomik och metabolomik [10].

En framstående tillämpning av dessa tekniker är utvecklingen av ett maskininlärningsbaserat verktyg, Automated Recommendation Tool (ART), för syntetisk biologi. Detta verktyg föreslår uppsättningar av stammar för efterföljande konstruktionscykler, tillsammans med probabilistiska förutsägelser av deras produktionsprestanda [11].

Ur ett maskininlärnings- och datavetenskapligt perspektiv är ART väl konceptualiserat och lätt att använda, men inkluderar inte de senaste framstegen inom metalärande [12,13] och lärande med begränsad data (SSL – self-supervised learning) [14,15], vilket skulle vara värdefullt i scenarier där experimentell data är kostsam – och där många specifika lösningar delar en liknande övergripande struktur.

Referenser

[1] Tiso, Till, et al. "The metabolic potential of plastics as biotechnological carbon sources–review and targets for the future." Metabolic engineering 71 (2022): 77-98.

[2] Sarkar O, Matsakas L, Rova U, Christakopoulos P: "Ultrasound-controlled acidogenic valorization of wastewater for biohydrogen and volatile fatty acids production: Microbial community profiling." iScience 26 (2023): 106519.

[3] Mohanan, Nisha, et al. "Microbial and enzymatic degradation of synthetic plastics." Frontiers in Microbiology 11 (2020): 580709.

[4] Zhu, Yinzhuang, Mingmei Ai, and Xiaoqiang Jia. "Optimization of a two-species microbial consortium for improved mcl-PHA production from glucose–xylose mixtures." Frontiers in Bioengineering and Biotechnology 9 (2022): 794331.

[5] Corrado, Iolanda, et al. "The power of two: An artificial microbial consortium for the conversion of inulin into Polyhydroxyalkanoates." International Journal of Biological Macromolecules 189 (2021): 494-502.

[6] Guerra-Blanco, P., et al. "Polyhydroxyalkanoates (PHA) production by photoheterotrophic microbial consortia: effect of culture conditions over microbial population and biopolymer yield and composition." European Polymer Journal 98 (2018): 94-104.

[7] Morgan-Sagastume, F., et al. "Polyhydroxyalkanoate (PHA) production from sludge and municipal wastewater treatment." Water Science and Technology 69.1 (2014): 177-184.

[8] Karkaria, Behzad D., Alex JH Fedorec, and Chris P. Barnes. "Automated design of synthetic microbial communities." Nature communications 12.1 (2021): 672.

[9] Rapp, Kent M., Jackson P. Jenkins, and Michael J. Betenbaugh. "Partners for life: building microbial consortia for the future." Current Opinion in Biotechnology 66 (2020): 292-300.

[10] Dasgupta et al., Comput Methods Programs Biomed 2020;192:105436

[11] Radivojević, Tijana, et al. "A machine learning Automated Recommendation Tool for synthetic biology." Nature communications 11.1 (2020): 4879.

[12] Huisman, Mike, Jan N. Van Rijn, and Aske Plaat. "A survey of deep meta-learning." Artificial Intelligence Review 54.6 (2021): 4483-4541.

[13] Upadhyay, R., Phlypo, R., Saini, R., & Liwicki, M. (2021). Sharing to learn and learning to share--Fitting together Meta-Learning, Multi-Task Learning, and Transfer Learning: A meta review. arXiv preprint arXiv:2111.12146.

[14] Jaiswal, Ashish, et al. "A survey on contrastive self-supervised learning." Technologies 9.1 (2020): 2.

[15] Chhipa, P. C., Upadhyay, R., Pihlgren, G. G., Saini, R., Uchida, S., & Liwicki, M. "Magnification prior: a self-supervised method for learning representations on breast cancer histopathological images." Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2023.

Projektsida på WISE webbplats

• Machine Learning assisted engineering of artificial microbial consortia for the delivery of bio-plastic materials from renewable waste