Screen2Learn - Exploiter la biodiversité : une approche de criblage et d'apprentissage

Une des principales voies d’amélioration des enzymes de dégradation de la biomasse, aujourd’hui produites par Trichoderma reesei, est la complémentation par des enzymes issues de la biodiversité. Afin de sélectionner des enzymes pertinentes, une bonne expression et sécrétion par un organisme hôte facilement transformable est nécessaire pour le screening. Or, la production et la sécrétion d’une protéine d’intérêt par des organismes eucaryotes fréquemment utilisés, tels que S. cerevisiae ou P. pastoris, est aléatoire et difficile à prédire. Pour pouvoir prédire et choisir la meilleure stratégie d’expression, il est nécessaire de quantifier l’impact des paramètres tels que l’utilisation préférentielle de codons, la nature du peptide signal et les facteurs impliqués dans le système de sécrétion. Des banques de 10⁵ souches avec des fonds génétiques différents seront construites pour 36 enzymes différentes et criblées par la méthode « auto-growth » basée sur un couplage entre la sécrétabilité d’une protéine et la croissance de la souche. Les meilleures souches productrices pousseront plus vite permettant l’identification des meilleures combinaisons par séquençage profond. Dans une seconde étape, une approche de machine learning sera utilisée dans le but de développer un modèle prédictif des impacts des conditions de sécrétion pour une protéine donnée. Enfin, les 36 enzymes seront produites dans des conditions optimales et sous-optimales pour vérifier le pouvoir prédictif du modèle, puis leur activité testée.