Ramanome-databasen kan hjælpe med at udvinde mikroalgecellefabrikker for at reducere kulstofemissioner

Mikroalger er "simple" organismer af enkeltceller, Alligevel giver de et stort potentiale, når det kommer til at hjælpe menneskeheden med at opnå CO2-neutralitet, ifølge forskere fra Qingdao Institute of Bioenergy and Bioprocess Technology (QIBEBT) fra det kinesiske videnskabsakademi (CAS). Deres metaboliske aktiviteter spiller fundamentale roller i den globale kulstofkredsløb og omdanner kuldioxid til en bred vifte af højværdi makromolekyler.

Nu, QIBEBT-forskerne har udviklet en måde til hurtigt at bestemme præcis, hvilke mikroalger – ud af de millioner af variationer – der lettest kan omdanne kuldioxid til værdifulde forbindelser, der kan bruges til brændstof, mad og stoffer. De offentliggjorde deres tilgang den 18. juni i Analytisk kemi .

Imidlertid, den nuværende tilgang til at identificere mikroalger og forstå deres metaboliske aktivitet involverer dyrkning og undersøgelse af hver art. "Det er langsomt og kedeligt, " sagde førsteforfatter Mohammadhadi Heidari Baladehi, en ph.d.-studerende i Single-Cell Center og CAS Key Laboratory of Biofuels på QIBEBT. "I øvrigt, langt de fleste mikroalger i naturen er endnu ikke dyrket."

For at fremskynde vurderingen af ​​mikroalger, forskerne brugte Raman mikrospektroskopi, som producerer billeder, der afslører cellens metaboliske aktiviteter.

I dette arbejde, Heidari Baladehi og hans team etablerede en database over "ramanomer" for mikroalger, eller samling af encellede Raman-spektre. Ramanome-databasen består af mere end 9, 000 celler fra kendte, forskellige mikroalgearter. For at demonstrere databasens kraft i hurtig identifikation og funktionel karakterisering af mikroalger, de anvendte en machine learning -tilgang, hvilket betyder, at der blev tilføjet flere oplysninger til systemet, jo mere lærte systemet at identificere funktionelle og genetiske mønstre mellem forskellige organismer.

Heidari Baladehi sagde, at en kritisk styrke ved deres tilgang var at kombinere to Raman-baserede "portrætter, " en for pigmenter og en for alle de andre forbindelser i cellen. De fleste nuværende tilgange samler kun et af de to portrætter, og indsamler dem normalt ikke fra den samme celle. QIBEBT -forskerne foreslog at kombinere de to portrætter, så der kan indsamles en meget mere komplet og rigere række af informationer. Med de kombinerede portrætter og maskinlæringsalgoritmen, deres system kan identificere arter og deres metaboliske funktioner med 97% nøjagtighed, for de mikroalger, der allerede er dyrket og registreret i databasen.

Desuden, for de mikroalgearter, der ikke er blevet dyrket - de er rigelige i miljøet - opfandt QIBEBT-forskerne en anden strategi:cellerne afbildes for begge de to Raman-portrætter for først at profilere deres metaboliske funktioner, og derefter sorteret og sekventeret for genomets sekvenser, en celle ad gangen. De opnåede dette ved hjælp af et instrument udviklet på Single-Cell Center kaldet RACS-Seq. Instrumentet er unikt i sin evne til at producere genomsekvenser af høj kvalitet til målcellen, ved opløsning af præcis én celle, efter at have indsamlet Raman-signalet.

"Denne omfattende tilgang til hurtigt at identificere og metabolisk profilering af enkeltceller, enten dyrket eller ukulturelt, accelererer kraftigt udvinding og screening af mikroalgecellefabrikker til kulstofneutral produktion, " sagde XU Jian, direktør for Single-Cell Center og en seniorforfatter af undersøgelsen.

Baseret på deres Microalgal Ramanome -database, forskerne har etableret en webplatform med åben adgang (http://mard.single-cell.cn/) til at understøtte det funktionsbaserede ID-system. De planlægger at videreudvikle deres database til at rumme andre klasser af levende organismer på Jorden.