In silico objective-driven optimization of microbial communities

Abstract

Metabolic models have been widely used in studies of areas that interface with metabolic engineering. Metabolic modeling has proven itself useful in phenotype prediction, having been used to simulate the behaviors and interactions of microbial organisms with in silico techniques such as Flux Balance Analysis (FBA). Throughout time, the increase in information available and model quality allowed shifting the attention to community metabolic models, as microbial organisms rarely appear alone in the wild. In silico metabolic engineering strategies are also used for optimizing microbial pheno-types, to achieve or improve the production of the desired target compound with microbial organisms. Following along with the interest in community models, optimization strategies for community models have also started to appear in recent years. Metaheuristic algorithms, such as Evolutionary Algorithms (EAs), have been developed in the last decades and deliver problem-independent cost-efficient strategies to solve opti-mization problems. These algorithms are highly flexible and can adapt to most optimization problems. In this work, a Python framework was developed to perform in silico optimization of the composition of microbial communities given a specified objective with EAs. The objective of this work came to fruition by building community metabolic models and then knocking out organisms during simulations through constraints. This strategy was shown to exhibit advantages over creating a new community metabolic model for every candidate of the EA, while being interchangeable regarding the output, as well as perform faster than available options. The work was successfully validated by testing examples found in the literature and obtaining the desired microbial community replicated in the outcome from the algorithm. The framework also exhibited the possibility to expand this work to multi-objective EAs strategies in the future.

Os modelos metabólicos têm sido amplamente usados em estudos nas áreas relacionadas com a engenharia metabólica. A modelação metabólica tem provado ser útil para previsão de fenótipos, tendo já sido usada para simular comportamentos e interações entre microrganismos usando técnicas in silico como a Análise de Balanço de Fluxos. Ao longo do tempo, o aumento da informação disponível e a qualidade dos modelos construídos permitiu mudar o foco de investigação para a construção de modelos metabólicos de comunidades microbianas, visto que os microrganismos raramente surgem sozinhos na natureza. As estratégias de engenharia metabólica in silico são também usadas para otimizar fenótipos de microrganismos de modo a atingir ou melhorar a produção de um composto de interesse produzido por microrganismos. Este facto, aliado ao crescente interesse em modelos de comunidades microbianas, criou a necessidade de se desenhar estratégias de otimização para modelos de comunidades. Para resolver estes problemas de otimização, nas últimas décadas têm sido utilizados algoritmos metaheuristicos, como os algoritmos evolucionários, sendo estratégias eficientes e independentes do problema. Estes algoritmos são altamente flexíveis e conseguem adaptar-se à maior parte dos problemas de otimização. Neste trabalho, foi desenvolvida uma plataforma computacional em Python para executar optimização in silico da composição de comunidades microbianas segundo objectivos pré-definidos através de Algoritmos Evolucionários. O objetivo deste trabalho foi concretizado construindo modelos metabólicos de comunidades e eliminando organismos durante simulações através da adição de restrições. Esta estratégia mostrou apresentar vantagens face a construir um novo modelo de comunidades para cada candidato do algoritmo evolucionário, sendo intercambiável no que diz respeito ao resultado, assim como apresenta resultados mais rápidos do que alternativas existentes. Este trabalho foi validado com sucesso ao testar exemplos encontrados na literatura e obtendo a comunidade microbiana replicada no resultado do algoritmo. A plataforma abre também a possibilidade de expandir este trabalho com algoritmos evolucionários multi-objetivo no futuro.