Neues KI-Framework optimiert Biomasseproduktion von Hefen

Die Hefespezies Saccharomyces cerevisiae ist ein zentraler Organismus in der industriellen Biotechnologie, weil sie genetisch leicht zu manipulieren ist und eine robuste Fermentationskapazität aufweist. Trotz dieser Vorteile bleibt die genaue Vorhersage von Biomasseflüssen unter unterschiedlichen Umwelt- und Genetikbedingungen eine große Herausforderung für die rationalen Strain-Designs.

In einer neuen Studie wurde ein integriertes Rechenmodell vorgestellt, das das Yeast9-Genom‑Scale‑Metabolic‑Model mit maschinellem Lernen und Optimierung kombiniert. Durch Flux‑Balance‑Analysis wurden 2.000 Flussprofile erzeugt, indem die Aufnahme von Glukose, Sauerstoff und Ammonium variiert wurden. Random‑Forest‑ und XGBoost‑Regressoren erreichten dabei R²‑Werte von 0,99989 bzw. 0,9990, was eine nahezu perfekte Vorhersage der Biomasseflüsse bedeutet.

Ein variationaler Autoencoder identifizierte vier metabolische Cluster, während SHAP‑Analysen die Glykolyse, den Zitronensäurezyklus und die Lipidbiosynthese als entscheidende Faktoren für die Biomasseproduktion herausstellten. In silico‑Überexpression führte zu einem Biomassefluss von 0,979 gDW/h, und Bayesian‑Optimierung der Nährstoffbeschränkungen steigerte diesen um 12‑fach auf 1,041 gDW/h. Zusätzlich schlug ein generatives adversariales Netzwerk stoichiometrisch zulässige neue Flusskonfigurationen vor.

Das vorgestellte Framework demonstriert, wie genomweite Simulationen, interpretierbares maschinelles Lernen und generative Modelle zusammenwirken können, um die Hefemetabolik gezielt zu verbessern und die Produktion von biobasierten Kraftstoffen zu optimieren.