Comparing metabolic engineering scenarios using simulated design-build-test-learn-cycles
本研究は、4つの代謝モデルを用いたin-silicoのDesign-Build-Test-Learnサイクルを活用することで、スクリーニング能力とDNAライブラリの構造が最適化の成功における決定的な要因である一方で、シーケンシング能力の影響は最小限であることを実証し、それによって効率的な代謝工学ワークフローを設計するための実行可能なガイドラインを提供する。