ABSTRACT Adaptive laboratory evolution (ALE) has emerged as an effective tool for scientific discovery and addressing biotechnological needs. Much of ALE's utility is derived from reproducibly obtained fitness increases. Identifying causal genetic changes and their combinatorial effects is challenging and time-consuming. Understanding how these genetic changes enable increased fitness can be difficult. A series of approaches that address these challenges was developed and demonstrated using Escherichia coli K-12 MG1655 on glucose minimal media at 37°C. By keeping E. coli in constant substrate excess and exponential growth, fitness increases up to 1.6-fold were obtained compared to the wild type. These increases are comparable to previously reported maximum growth rates in similar conditions but were obtained over a shorter time frame. Across the eight replicate ALE experiments performed, causal mutations were identified using three approaches: identifying mutations in the same gene/region across replicate experiments, sequencing strains before and after computationally determined fitness jumps, and allelic replacement coupled with targeted ALE of reconstructed strains. Three genetic regions were most often mutated: the global transcription gene rpoB , an 82-bp deletion between the metabolic pyrE gene and rph , and an IS element between the DNA structural gene hns and tdk . Model-derived classification of gene expression revealed a number of processes important for increased growth that were missed using a gene classification system alone. The methods described here represent a powerful combination of technologies to increase the speed and efficiency of ALE studies. The identified mutations can be examined as genetic parts for increasing growth rate in a desired strain and for understanding rapid growth phenotypes.

Abstract Synthetic microbial communities are attractive for applied biotechnology and healthcare applications through their ability to efficiently partition complex metabolic functions. By pairing auxotrophic mutants in co-culture, nascent E. coli communities can be established where strain pairs are metabolically coupled. Intuitive synthetic communities have been demonstrated, but the full space of cross-feeding metabolites has yet to be explored. A novel algorithm, OptAux, was constructed to design 66 multi-knockout E. coli auxotrophic strains that require significant metabolite cross-feeding when paired in co-culture. Three OptAux predicted auxotrophic strains were co-cultured with an L-histidine auxotroph and validated via adaptive laboratory evolution (ALE). Time-course sequencing revealed the genetic changes employed by each strain to achieve higher community fitness and provided insights on mechanisms for sharing and adapting to the syntrophic niche. A community model of metabolism and gene expression was utilized to predict the relative community composition and fundamental characteristics of the evolved communities. This work presents a novel computational method to elucidate metabolic changes that empower community formation and thus guide the optimization of co-cultures for a desired application.

A mechanistic understanding of how new phenotypes develop to overcome the loss of a gene product provides valuable insight on both the metabolic and regulatory function of the lost gene. The pgi gene, whose product catalyzes the second step in glycolysis, was deleted in a growth optimized Escherichia coli K-12 MG1655 strain. The knock-out (KO) strain exhibited an 80% drop in growth rate, that was largely recovered in eight replicate, but phenotypically distinct, cultures after undergoing adaptive laboratory evolution (ALE). Multi omic data sets showed that the loss of pgi substantially shifted pathway usage leading to a redox and sugar phosphate stress response. These stress responses were overcome by unique combinations of innovative mutations selected for by ALE. Thus, we show the coordinated mechanisms from genome to metabolome that lead to multiple optimal phenotypes after loss of a major gene product.

Abstract Adaptive laboratory evolution (ALE) is able to generate microbial strains which exhibit extreme phenotypes, revealing fundamental biological adaptation mechanisms. Here, we use ALE to evolve Escherichia coli strains that grow at temperatures as high as 45.3°C, a temperature lethal to wild type cells. The strains adopted a hypermutator phenotype and employed multiple systems-level adaptations that made global analysis of the DNA mutations difficult. Given the challenge at the genomic level, we were motivated to uncover high temperature tolerance adaptation mechanisms at the transcriptomic level. We employed independently modulated gene set (iModulon) analysis to reveal five transcriptional mechanisms underlying growth at high temperatures. These mechanisms were connected to acquired mutations, changes in transcriptome composition, sensory inputs, phenotypes, and protein structures. They are: (i) downregulation of general stress responses while upregulating the specific heat stress responses; (ii) upregulation of flagellar basal bodies without upregulating motility, and upregulation fimbriae; (iii) shift toward anaerobic metabolism, (iv) shift in regulation of iron uptake away from siderophore production, and (v) upregulation of yjfIJKL , a novel heat tolerance operon which we characterized using AlphaFold. iModulons associated with these five mechanisms explain nearly half of all variance in the gene expression in the adapted strains. These thermotolerance strategies reveal that optimal coordination of known stress responses and metabolism can be achieved with a small number of regulatory mutations, and may suggest a new role for large protein export systems. ALE with transcriptomic characterization is a productive approach for elucidating and interpreting adaptation to otherwise lethal stresses.

Adaptive laboratory evolution (ALE) has emerged as a new approach with which to pursue fundamental biological inquiries and, in particular, new insights into the systemic function of a gene product. Two E. coli knockout strains were constructed: one that blocked the Pentose Phosphate Pathway (gnd KO) and one that decoupled the TCA cycle from electron transport (sdhCDAB KO). Despite major perturbations in central metabolism, minimal growth rate changes were found in the two knockout strains. More surprisingly, many similarities were found in their initial transcriptomic states that could be traced to similarly perturbed metabolites despite the differences in the network location of the gene perturbations and concomitant re-routing of pathway fluxes around these perturbations. However, following ALE, distinct metabolomic and transcriptomic states were realized. These included divergent flux and gene expression profiles in the gnd and sdhCDAB KOs to overcome imbalances in NADPH production and nitrogen/sulfur assimilation, respectively, that were not obvious limitations of growth in the unevolved knockouts. Therefore, this work demonstrates that ALE provides a productive approach to reveal novel insights of gene function at a systems level that cannot be found by observing the fresh knockout alone.

Evidence suggests that novel enzyme functions evolved from low-level promiscuous activities in ancestral enzymes. Yet, the evolutionary dynamics and physiological mechanisms of how such side activities contribute to systems-level adaptations are poorly understood. Furthermore, it remains untested whether knowledge of an organism's promiscuous reaction set ('underground metabolism') can aid in forecasting the genetic basis of metabolic adaptations. Here, we employ a computational model of underground metabolism and laboratory evolution experiments to examine the role of enzyme promiscuity in the acquisition and optimization of growth on predicted non-native substrates in E. coli K-12 MG1655. After as few as 20 generations, the evolving populations repeatedly acquired the capacity to grow on five predicted novel substrates--D-lyxose, D-2-deoxyribose, D-arabinose, m-tartrate, and monomethyl succinate--none of which could support growth in wild-type cells. Promiscuous enzyme activities played key roles in multiple phases of adaptation. Altered promiscuous activities not only established novel high-efficiency pathways, but also suppressed undesirable metabolic routes. Further, structural mutations shifted enzyme substrate turnover rates towards the new substrate while retaining a preference for the primary substrate. Finally, genes underlying the phenotypic innovations were accurately predicted by genome-scale model simulations of metabolism with enzyme promiscuity. Computational approaches will be essential to synthesize the complex role of promiscuous activities in applied biotechnology and in models of evolutionary adaptation.

Growth rate and yield are fundamental features of microbial growth. However, we lack a mechanistic and quantitative understanding of the rate-yield relationship. Studies pairing computational predictions with experiments have shown the importance of maintenance energy and proteome allocation in explaining rate-yield tradeoffs and overflow metabolism. Recently, adaptive evolution experiments of Escherichia coli reveal a phenotypic diversity beyond what has been explained using simple models of growth rate versus yield. Here, we identify a two-dimensional rate-yield tradeoff in adapted E. coli strains where the dimensions are (A) a tradeoff between growth rate and yield and (B) a tradeoff between substrate (glucose) uptake rate and growth yield. We employ a multi-scale modeling approach, combining a previously reported small-scale proteome allocation model with a genome-scale model of metabolism and gene expression (ME-model), to develop a quantitative description of the full rate-yield relationship for E. coli K-12 MG1655. The analysis of the genome-scale model shows that the rate-yield tradeoffs that govern microbial adaptation to new environments are more complex than previously reported.

Catalysis using iron-sulfur clusters and transition metals can be traced back to the last universal common ancestor. The damage to metalloproteins caused by reactive oxygen species (ROS) can completely inhibit cell growth when unmanaged and thus elicits an essential stress response that is universal and fundamental in biology. We develop a computable multi-scale description of the ROS stress response in Escherichia coli. We show that this quantitative framework allows for the understanding and prediction of ROS stress responses at three levels: 1) pathways: amino acid auxotrophies, 2) networks: the systemic response to ROS stress, and 3) genetic basis: adaptation to ROS stress during laboratory evolution. These results show that we can now develop fundamental and quantitative genotype-phenotype relationships for stress responses on a genome-wide basis.