Melhorando a levedura de fermentadora de xilose para a produção de etanol 2G por meio de modelagem baseada em restrições combinada com análise de dados ômicos e aprendizado de máquina

• Processo: 20/15065-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 04 de abril de 2022
• Data de Término da vigência: 03 de abril de 2023
• Área de conhecimento: Ciências Biológicas - Genética - Genética Molecular e de Microorganismos
• Pesquisador responsável: Guido Costa Souza de Araújo
• Beneficiário: Lucas Miguel de Carvalho
• Supervisor: Miguel Francisco de Almeida Pereira da Rocha
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Universidade do Minho (UMinho), Portugal
• Vinculado à bolsa: 19/12914-3 - Análises integradas de ômicas e simulações de redes metabólicas aplicadas a Saccharomyces cerevisiae para produção de etanol de segunda geração, BP.PD
• Assunto(s): Biologia computacional Leveduras Xilose Bioetanol
• Palavra(s)-Chave do Pesquisador: constraint-based modeling | Flux Balance Analysis | Omics | xylose-fermenting yeast | 2G Ethanol | Bioinformática

Resumo

O estudo do metabolismo de um organismo fornece informações relevantes para a produção de energia e fenótipo. Modelagem baseada em restrições (CBM) é uma abordagem amplamente utilizada para estudar redes bioquímicas, em particular a reconstrução da rede metabólica através de modelos metabólicos em escala de genoma (GSMM), que contém as reações, genes que codificam cada enzima e seus metabólitos em um organismo. Atualmente, a integração de dados ômicos (transcriptômica, proteômica e metabolômica) com o GSMMs ainda está em desenvolvimento e é um desafio nos estudos de bioinformática. Recentemente, Dr. Rocha desenvolveu um conjunto de plataformas para realizar diferentes tarefas relacionadas ao CBM: reconstrução de modelos (merlin-merlin-sysbio.org), simulações metabólicas e otimização de cepas (OptFlux (http://www.optflux.org/) e MewPy (https://github.com/BioSystemsUM/mewpy)), bem como um framework de integração de omics com simulação GSMM, denominado Troppo. Esses ensaios permitem melhorar o fluxo de reações presentes nos modelos metabólicos e compreender condições contrastantes in-silico. Porém, além de serem informativos por si só, os fluxos metabólicos podem ser melhorados por meio de recursos extraídos de dados ômicos e simulações GSMM para treinar modelos de aprendizado de máquina (ML). Neste projeto, propomos o desenvolvimento e aplicação de métodos baseados em análise de dados ômicos apoiados por modelos de ML, integrados com modelos metabólicos em escala de genoma para entender os mecanismos por trás da regulação adaptativa de leveduras fermentadoras de xilose na fermentação de etanol 2G, uma tecnologia que o bioetanol é produzido a partir de biomassa lignocelulósica, como alternativa renovável. Nosso objetivo é construir modelos preditivos treinados com dados ômicos e recursos de simulação metabólica que nos permitirão aprender como melhorar a levedura modificada para melhorar a produção de etanol. (AU)