The production of recombinant proteins in a host using synthetic constructs such as plasmids comes at the cost of detrimental effects such as reduced growth, energetic inefficiencies, and other stress responses, collectively known as metabolic burden. Increasing the number of copies of the foreign gene increases the metabolic load but increases the expression of the foreign protein. Thus, there is a trade-off between biomass and product yield in response to changes in heterologous gene copy number. This work proposes a computational method, rETFL (recombinant Expression and Thermodynamic Flux), for analyzing and predicting the responses of recombinant organisms to the introduction of synthetic constructs. rETFL is an extension to the ETFL formulations designed to reconstruct models of metabolism and expression (ME-models). We have illustrated the capabilities of the method in four studies to (i) capture the growth reduction in plasmid-containing E. coli and recombinant protein production; (ii) explore the trade-off between biomass and product yield as plasmid copy number is varied; (iii) predict the emergence of overflow metabolism in recombinant E. coli in agreement with experimental data; and (iv) investigate the individual pathways and enzymes affected by the presence of the plasmid. We anticipate that rETFL will serve as a comprehensive platform for integrating available omics data for recombinant organisms and making context-specific predictions that can help optimize recombinant expression systems for biopharmaceutical production and gene therapy.

Abstract Microbial communities live in diverse habitats and significantly impact our health and the environment. However, the principles that govern their formation and evolution remain poorly understood. A crucial step in studying microbial communities is to identify the potential metabolic interactions between the community members, such as competition for nutrients or cross-feeding. Due to the size and complexity of the metabolic network of each organism, there may be a variety of connections between each pair of organisms, which poses a challenge to unraveling the metabolic interactions. Here, we present ReMIND, a computational framework to reconstruct the interaction networks in microbial communities based on the metabolic capabilities of individual organisms. We applied ReMIND to a well-studied uranium-reducing community and the honeybee gut microbiome. Our results provide new perspectives on the evolutionary forces that shape these ecosystems and the trade-off between metabolite exchange and biomass yield. By enumerating alternative interaction networks, we systematically identified the most likely metabolites to be exchanged and highlighted metabolites that could mediate competitive interactions. We envision that ReMIND will help characterize the metabolic capacity of individual members and elucidate metabolic interactions in diverse communities, thus holds the potential to guide many applications in precision medicine and synthetic ecology.

Abstract Genetic manipulation of cells to couple byproduct production and growth rate is important in bioengineering and biotechnology. In this way, we can use growth rate as a selective pressure, where the mutants with higher growth have higher production capacity. Computational methods have been proposed to find knockouts that couple growth and byproduct production. However, none of these methods consider the energetic and thermodynamic feasibility of such knockout strategies. Furthermore, there is no computational study of how variations in metabolite concentrations affect the coupling between growth and byproduct formation. One of the computational methods to find knockouts that couple growth and byproduct formation is OptKnock. OptKnock is a bi-level optimization problem. Here, we integrated thermodynamic constraints into the bilevel formulation of OptKnock to create TOptKnock. We show that the computational efficiency of TOptKnock is comparable to that of OptKnock. TOptKnock can account for the thermodynamic viability of the knockouts and examine how variations in metabolite concentrations affect the coupling. We have shown that the coupling between growth and byproduct formation can change in response to variations in concentrations. Thus, a knockout strategy might be optimal for one intracellular condition but suboptimal for another. If metabolomics data are available, TOptKnock can search for optimal knockout interventions under the given condition. We also envision that the TOptKnock framework will help develop strategies for manipulating metabolite concentrations to couple growth and byproduct formation.

The production of recombinant proteins in a host using synthetic constructs such as plasmids comes at the cost of detrimental effects such as reduced growth, energetic inefficiencies, and other stress responses, collectively known as metabolic stress. Increasing the number of copies of the foreign gene increases the metabolic load but increases the expression of the foreign protein. Thus, there is a trade-off between biomass and product yield in response to changes in heterologous gene copy number. This work proposes a computational method, rETFL (recombinant Expression and Thermodynamic Flux), for analyzing and predicting the responses of recombinant organisms to the introduction of synthetic constructs. rETFL is an extension to the ETFL formulations designed to reconstruct models of metabolism and expression (ME-models). We have illustrated the capabilities of the method in four studies to (i) capture the growth reduction in plasmid-containing E. coli and recombinant protein production; (ii) explore the trade-off between biomass and product yield as plasmid copy number is varied; (iii) predict the emergence of overflow metabolism in recombinant E. coli in agreement with experimental data; and (iv) investigate the individual pathways and enzymes affected by the presence of the plasmid. We anticipate that rETFL will serve as a comprehensive platform for integrating available omics data for recombinant organisms and making context-specific predictions that can help optimize recombinant expression systems for biopharmaceutical production and gene therapy.

Modeling-based methods are conventionally exploited to simulate and predict the dynamics of a system in various fields of engineering. However, due to the intricacy of biological systems, these methods were rarely utilized in bioengineering until recently. By developing advanced computers with the ability to cope with enormous calculations and extending our knowledge about biological systems, modeling-based approaches have been adopted to manipulate biological systems. While utilizing the models to investigate the behavior of a system has some advantages including lower cost and time consumption, such methods were used for tissue engineering scarcely. Exploiting modeling-based methods to tissue engineering field requires developing and utilizing efficient computational methods to model gene regulation and signaling networks, which determine cell response to environmental changes and cellular fate. In the present work, a novel spatio-temporal method was proposed, predicated on locally uniform mesh refinement. A benchmark comparison was performed with the previously used method and the results indicated the better performance of the incipiently adopted method. Besides, the model was utilized to investigate the effect of a popular differentiating stimulator, namely electrical stimulation, on mesenchymal stem cells as a type of stem cells widely used in tissue engineering. The results of the simulations demonstrated the puissance of such computational models in analyzing and predicting the effect of biochemical and biophysical perturbations on the cells and hence, their potential utility in tissue engineering.

Abstract Eukaryotic organisms play an important role in industrial biotechnology, from the production of fuels and commodity chemicals to therapeutic proteins. To optimize these industrial systems, a mathematical approach can be used to integrate the description of multiple biological networks into a single model for cell analysis and engineering. One of the current most accurate models of biological systems include metabolism and expression (ME-models), and Expression and Thermodynamics FLux (ETFL) is one such formulation that efficiently integrates RNA and protein synthesis with traditional genome-scale metabolic models. However, ETFL is so far only applicable for E. coli . To therefore adapt this ME-model for Saccharomyces cerevisiae , we herein developed yETFL. To do this, we augmented the original formulation with additional considerations for biomass composition, the compartmentalized cellular expression system, and the energetic costs of biological processes. We demonstrated the predictive ability of yETFL to capture maximum growth rate, essential genes, and the phenotype of overflow metabolism. We envision that the extended ETFL formulation can be applied to ME-model development for a wide range of eukaryotic organisms. The utility of these ME-models can be extended into academic and industrial research.