Coupling cell growth to protein secretion enables pooled screening at single-cell resolution in bioreactors
Das Paper stellt AutoGrowth vor, eine wachstumsbasierte Screening-Strategie, die die Zellwachstumsrate über einen Einzelzell-Biosensor an die Proteinsekretion koppelt und so ein hochdurchsatzfähiges Screening von Pool-Bibliotheken in Bioreaktoren mit Einzelzellauflösung ermöglicht, während die Genotyp-Phänotyp-Kopplung bewahrt wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der weiten Welt der modernen Biologie müssen Wissenschaftler oft eine einzige, perfekte genetische Variation finden, die in einem Meer von Millionen Möglichkeiten verborgen liegt. Stellen Sie sich vor, Sie versuchen, ein einzelnes Sandkorn an einem Strand zu finden, aber dieses Sandkorn hat die Kraft, eine Fabrik schneller laufen zu lassen. Dies ist die Herausforderung des Protein-Engineerings. Viele Medikamente und industrielle Enzyme werden von winzigen Zellen, wie etwa Hefe, hergestellt, die als mikroskopische Fabriken fungieren. Um diese Fabriken effizienter zu machen, müssen Forscher die genetischen Anweisungen der Zellen modifizieren, um ihnen zu helfen, mehr des gewünschten Proteins zu produzieren und abzugeben. Es besteht jedoch eine große Hürde: Wenn eine Zelle ein Protein freisetzt, schwimmt es in die umgebende Flüssigkeit ab. Dies macht es nahezu unmöglich zu bestimmen, welche spezifische Zelle am meisten Protein produziert hat, da das Signal in der Menge verloren geht. Traditionelle Methoden erfordern oft das Einfangen des Proteins oder die Verwendung komplexer, künstlicher Umgebungen, die nicht widerspiegeln, wie diese Zellen unter realen Bedingungen in industriellen Tanks arbeiten.
Ein Team von Forschern hat einen neuen Weg entwickelt, um dieses Problem zu lösen, indem sie das eigene Wachstum der Zelle in ein Messinstrument verwandeln. Sie entwickelten ein System namens AutoGrowth, das das Wachstum einer Zelle direkt mit ihrer Sekretionsleistung verknüpft. Anstatt zu versuchen, das Protein abzufangen, während es die Zelle verlässt, haben die Forscher die Hefe so manipuliert, dass der Akt der Proteinsekretion ein Signal innerhalb der Zelle auslöst, das ihr sagt, schneller zu wachsen. Wenn eine Zelle eine gute Sekretionsleistung zeigt, erhält sie einen Wachstumsschub und vermehrt sich schnell. Wenn eine Zelle schlecht sekretiert, wächst sie langsam. Indem die Wissenschaftler einfach beobachten, welche Zellen die Population über einige Tage hinweg dominieren, können sie die besten Performer identifizieren, ohne sie einzeln isolieren zu müssen. Dieser Ansatz ermöglicht das Screening massiver Bibliotheken genetischer Varianten in Standard-Flüssigkulturen, was die Bedingungen der großtechnischen industriellen Fermentation nachahmt.
Die Forscher bauten dieses System mithilfe eines cleveren biologischen Schaltkreises in Hefezellen auf. Sie fusionierten das zu untersuchende Protein mit einem kleinen Peptid, das als Schlüssel fungiert. Wenn die Zelle dieses fusionierte Protein sekretiert, aktiviert das Peptid-Teilstück einen Rezeptor auf der Zelloberfläche. Dieser Rezeptor betätigt dann einen internen Schalter in der Zelle, der ein Gen aktiviert, das für die Herstellung eines spezifischen Nährstoffs verantwortlich ist – in diesem Fall Histidin. In einer Umgebung, in der Histidin fehlt, können nur die Zellen, die erfolgreich genug Protein sekretieren, ihr eigenes Histidin herstellen und überleben. Je mehr Protein eine Zelle sekretiert, desto mehr Histidin produziert sie und desto schneller wächst sie. Das Team testete dieses Konzept mit verschiedenen Proteinen, darunter Enzyme und Antikörperfragmente, um sicherzustellen, dass das System breit anwendbar ist und nicht nur für einen spezifischen Molekültyp funktioniert. Sie fanden heraus, dass die Wachstumsrate der Zellen direkt proportional zu ihrer Sekretionsfähigkeit war, was ein zuverlässiges, selbstverstärkendes Signal schuf.
Um zu beweisen, dass diese Methode die für reale Anwendungen erforderliche Skalierbarkeit besitzt, führten die Wissenschaftler eine Reihe strenger Tests durch. Zuerst mischten sie eine kleine Bibliothek von Hefestämmen zusammen, von denen jeder eine andere Version eines Signalpeptids trägt – einer genetischen Anweisung, die hilft, Proteine aus der Zelle herauszuführen. Sie gaben diese Mischung in einen Bioreaktor, einen kontrollierten Tank, der industrielle Bedingungen simuliert, und ließen die Zellen über mehrere Tage wachsen. Wie erwartet wuchsen die Stämme mit den besten Signalpeptiden schneller und wurden zu den dominanten Mitgliedern der Population. Durch die Sequenzierung der DNA der finalen Population konnten die Forscher genau sehen, welche Varianten angereichert worden waren, was bestätigte, dass das System erfolgreich die besten Sekretoren selektierte und gleichzeitig die allgemeine Gesundheit der Zellen berücksichtigte.
Die wahre Stärke dieser Methode zeigte sich, als das Team ihre Fähigkeit testete, die Nadel im Heuhaufen zu finden. Sie erstellten eine Mischung, in der eine einzige, hocheffiziente Variante in einem Verhältnis von eins zu einhundert Millionen vorhanden war. Dies ist eine Seltenheit, die mit traditionellen Sortierungsmethoden, die Zellen einzeln betrachten, unmöglich zu finden wäre. Nach nur drei Tagen Wachstum im Bioreaktor hatte sich die seltene, hochperformante Variante so stark vermehrt, dass sie leicht nachweisbar war. Das System reicherte diese seltene Variante um mehr als den Faktor zweitausend an, was demonstriert, dass die Methode in der Lage ist, durch enorme Bibliotheken zu sieben, um die vielversprechendsten Kandidaten zu finden. Die Forscher beobachteten auch, dass einige Zellen schnell wachsen konnten, ohne das Protein zu sekretieren, falls der Selektionsdruck zu hoch oder zu lange anhielt; sie fanden jedoch heraus, dass eine kürzere, kontrollierte Dauer der Selektion dieses Problem verhinderte.
Diese Arbeit stellt eine bedeutende Verschiebung in der Art und Weise dar, wie Wissenschaftler die Optimierung biologischer Fabriken angehen. Indem sie das Überleben und das Wachstum einer Zelle direkt an ihre Fähigkeit koppeln, eine spezifische Aufgabe zu erfüllen, haben die Forscher ein selbstselektierendes System geschaffen, das in denselben Flüssigkeitsumgebungen arbeitet, die auch in der industriellen Produktion verwendet werden. Im Gegensatz zu früheren Methoden, die erforderten, dass Zellen in winzigen Tröpfchen gefangen oder auf festen Oberflächen fixiert wurden, erlaubt dieser Ansatz ihnen, frei zu wachsen, wodurch die Ergebnisse für die reale Fertigung relevant bleiben. Die Fähigkeit, Milliarden von Varianten in wenigen Tagen zu screenen und dabei die Verbindung zwischen dem genetischen Code einer Zelle und ihrer Leistung aufrechtzuerhalten, öffnet die Tür zur Entdeckung neuer und effizienterer Wege, um die Proteine zu produzieren, die die moderne Medizin und Industrie vorantreiben. Die Studie bestätigt, dass, wenn man die Zellen natürlich um das Wachstum konkurrieren lässt, die besten Performer zwangsläufig an die Spitze steigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.