ANR MEM — Apprentissage automatique au service de l’ingénierie métabolique

Malgré le nombre croissant de molécules bio-produites, le processus de R&D en biotechnologies industrielles est lent et coûteux. Il est essentiellement basé sur une approche empirique essais-erreurs. Dans le but de rationaliser les pratiques R&D MEM propose de développer un cycle automatisé de conception, construction, caractérisation et apprentissage de voies de biosynthèse. Le cycle est générique, il est illustré par la recherche et la biosynthèse d’antimicrobiens contre les bactéries à Gram positif.

Le cycle MEM comprend des outils de bio-informatique et de chemo-informatique de conception de voies métaboliques, une station robotisée de biologie moléculaire, et un système haut débit de criblage des souches qui utilise des biocapteurs in vivo. L’idée originale du projet MEM est de piloter le cycle par un apprentissage automatique supervisé. La méthode spécifique que nous proposons d’utiliser est l’apprentissage actif dont le but est de déterminer les expériences devant être menées à l’itération suivante en fonction des résultats expérimentaux obtenus à l’étape précédente. L’apprentissage actif est aussi performant que des méthodes plus classiques tout en utilisant beaucoup moins de données d’apprentissage, la méthode permet ainsi de réduire substantiellement le nombre d’itérations et au final les nombres de constructions et d’acquisitions de données expérimentales.

Nous anticipons que notre cycle apportera une rupture technologique dans la pratique des biotechnologies industrielles, permettant un gain substantiel en débit, tout en réduisant les temps et coûts de développement.

Publications associées :
  1. Delépine B, Libis V, Carbonell P, Faulon JL. SensiPath: computer-aided design of sensing-enabling metabolic pathways. Nucleic Acids Research, 44: W226-231, 2016. | doi: 10.1093/nar/gkw305 | PMID: 27106061
  2. Carbonell P, Gök A, Shapira P, Faulon JL. Mapping the patent landscape of synthetic biology for fine chemical production pathways. Microbial Biotechnology, 9(5): 687-695, 2016. | doi: 10.1111/1751-7915.12401 | PMID: 27489206
  3. Libis V, Delépine B, Faulon JL. Sensing new chemicals with bacterial transcription factors. Current opinion in microbiology, 33: 105-112, 2016. | doi: 10.1016/j.mib.2016.07.006 | PMID: 27472026
  4. Delépine B, Duigou T, Carbonell P, Faulon JL. RetroPath2.0: a retrosynthesis workflow for metabolic engineers, submitted, 2017
  5. Koch M, Duigou T, Carbonell P, Faulon JL. Molecular structures enumeration and virtual screening in the chemical space with RetroPath2.0, submitted, 2017
Outils développés :
  • RetroPath2.0 — RetroPath2.0 est un workflow OpenSource automatisé pour la rétrosynthèse basé sur des règles de réaction généralisées qui effectuent la recherche de voie de rétrosynthèse d’une cible vers un châssis grâce à un protocole efficace et bien contrôlé. RetroPath2.0 est accessible sur myExperiment.og à l’adresse : https://www.myexperiment.org/workflows/4987.
  • Système de d’apprentissage basé sur les processus Gaussien pour l’identification d’enzyme catalysant une réaction biochimique d’intérêt (Mellor et. al., ACS Synthetic Biology, 2016, doi: http://dx.doi.org/10.1021/acssynbio.5b00294). Le code source (sous licence CC-BY-NC-SA v4.0) peut être téléchargé à l’adresse : Gaussian Process code.