Comparing metabolic engineering scenarios using simulated design-build-test-learn-cycles

Stellen Sie sich vor, Sie sind ein Chefkoch, der versucht, die weltbeste Schokoladentorte zu erfinden. Sie raten nicht einfach nach einem Rezept; Sie nutzen eine wissenschaftliche Schleife namens Design-Build-Test-Learn (DBTL). Sie entwerfen ein neues Rezept, backen eine Charge, probieren sie, lernen, was schiefgelaufen ist, und entwerfen dann in der nächsten Runde ein noch besseres Rezept.

Dieses Papier ist wie eine riesige, hochtechnologische Videosimulation, in der Wissenschaftler tausende dieser „Kuchenback“-Schleifen auf Computern durchgespielt haben, um zu sehen, welche Strategien tatsächlich am besten funktionieren, wenn es darum geht, Mikroben zu entwickeln (winzige Organismen, die zur Herstellung von Medikamenten oder Kraftstoffen verwendet werden). Anstelle echter Labore nutzten sie digitale Modelle, um zu testen, wie verschiedene Regeln das Endergebnis beeinflussen.

Hier ist das, was ihr „Spiel“ enthüllt hat, erklärt durch einfache Analogien:

1. Die „Geschmackskraft“ vs. das „Rezeptbuch“

Die Studie ergab, dass der wichtigste Faktor für den Erfolg die Screening-Kapazität war – im Grunde die Frage, wie viele verschiedene Kuchenchargen man an einem Tag probieren kann.

• Das Ergebnis: Wenn man in der Lage ist, (zu testen) hunderte Variationen zu probieren, wird man die beste Torte viel schneller finden.
• Die Überraschung: Man hatte erwartet, dass das Besitzen einer massiven Bibliothek geschriebener Rezepte (DNA-Sequenzierungskapazität), um beim Lernen zu helfen, der entscheidende Faktor sein würde. Die Simulation zeigte jedoch, dass es kaum hilft, selbst wenn man eine riesige Bibliothek an Rezepten besitzt, wenn man nicht genug Chargen tatsächlich probiert, um die Gewinner zu finden. Man kann die beste Bibliothek der Welt besitzen, aber wenn man nur einen einzigen Kuchen probiert, wird man nicht weit kommen.

2. Die Gewinner auswählen vs. zufällig auswählen

Bei der Entscheidung, welche Kuchen man in sein Rezeptbuch für die nächste Runde schreiben soll, verglich die Studie zwei Strategien:

• Strategie A: Nur die Rezepte für die besten 10 % der leckersten Kuchen aufschreiben.
• Strategie B: Rezepte aus einer Mischung aus guten, durchschnittlichen und schlechten Kuchen aufschreiben (geschichtete Stichprobenziehung), um ein vollständiges Bild dessen zu erhalten, was passiert.
• Das Ergebnis: Strategie A (nur die Gewinner auswählen) war viel besser darin, die ultimative Torte schnell zu finden. Während Strategie B eine genauere „Landkarte“ aller möglichen Rezepte lieferte, verlangsamte sie den Prozess, tatsächlich die beste Torte zu finden. In diesem Rennen waren Geschwindigkeit und der Fokus auf die Gewinner besser als ein breiter, akademischer Überblick.

3. Wie viele Zutaten sollte man verändern?

Die Forscher untersuchten auch, wie viele Teile des Rezepts man gleichzeitig verändern durfte.

• Die „Slots“ (veränderbare Positionen): Stellen Sie sich ein Tortenrezept mit 5 Slots vor, in denen man die Zuckermenge ändern kann. Die Studie fand heraus, dass es generell zu besseren Torten führte, wenn man mehr Slots zum Anpassen hatte. Es gab den Köchen mehr Freiheit, die perfekte Kombination zu finden.
• Die „Zutatenliste“ (Gen-Targets): Wenn man jedoch versuchte, zu viele verschiedene Arten von Zutaten gleichzeitig zu verändern (wie Zucker, Mehl, Eier, Vanille, Kakao und Backpulver zur gleichen Zeit), wurde es tatsächlich schwieriger. Es war, als versuche man, ein Puzzle mit zu vielen fehlenden Teilen zu lösen; das System wurde verwirrt, und das „Probieren“ wurde zu spärlich, um eine gute Lösung zu finden.

Das Fazament

Dieses Papier hat keinen einzigen echten Kuchen in einer echten Küche gebacken. Stattdessen hat es eine massive digitale Simulation durchgeführt, um uns die Regeln des Spiels zu zeigen. Die wichtigste Erkenntnis ist: Wenn Sie einen Mikroben effizient entwickeln wollen, konzentrieren Sie sich darauf, so viele Variationen wie möglich zu testen, und konzentrieren Sie Ihr Lernen auf die besten Leistungen, anstatt zu versuchen, Daten über alles zu sammeln oder zu viele Variablen gleichzeitig zu verändern. Diese Computersimulationen fungieren als „Flugsimulator“ für Wissenschaftler und helfen ihnen, ihre realen Experimente zu planen, bevor sie überhaupt ein Labor betreten.