Comparing metabolic engineering scenarios using simulated design-build-test-learn-cycles
Cette étude utilise des cycles in silico Design-Build-Test-Learn à travers quatre modèles métaboliques pour démontrer que la capacité de criblage et la structure de la bibliothèque d'ADN sont des moteurs critiques du succès de l'optimisation, tandis que la capacité de séquençage a un impact minimal, fournissant ainsi des directives exploitables pour la conception de flux de travail d'ingénierie métabolique efficaces.