Microalgen zijn "eenvoudige" organismen van afzonderlijke cellen, toch hebben ze een enorme potentie als het gaat om het helpen van de mensheid om koolstofneutraliteit te bereiken, volgens onderzoekers van het Qingdao Institute of Bioenergy and Bioprocess Technology (QIBEBT) van de Chinese Academy of Sciences (CAS). Hun metabolische activiteiten spelen een fundamentele rol in de wereldwijde koolstofcyclus en zetten koolstofdioxide om in een grote verscheidenheid aan hoogwaardige macromoleculen.

Nutsvoorzieningen, de QIBEBT-onderzoekers hebben een manier ontwikkeld om snel te bepalen welke microalgen - uit de miljoenen variaties - het gemakkelijkst koolstofdioxide kunnen omzetten in waardevolle verbindingen die kunnen worden gebruikt voor brandstoffen, voedsel en medicijnen. Ze publiceerden hun aanpak op 18 juni in Analytische scheikunde .

Echter, de huidige benadering om microalgen te identificeren en hun metabolische activiteit te begrijpen, omvat het kweken en bestuderen van elke soort. "Het is traag en vervelend, " zei eerste auteur Mohammahaddi Heidari Baladehi, een doctoraatsstudent in het Single-Cell Center en CAS Key Laboratory of Biofuels bij QIBEBT. "Bovendien, de overgrote meerderheid van de microalgen in de natuur zijn nog niet gekweekt."

Om de beoordeling van microalgen te versnellen, de onderzoekers gebruikten Raman-microspectroscopie, die beelden produceert die de metabolische activiteiten van de cel onthullen.

In dit werk, Heidari Baladehi en zijn team hebben een database opgezet met "ramanomes" voor microalgen, of verzameling van eencellige Raman-spectra. De ramanome-database bestaat uit meer dan 9, 000 cellen van bekende, diverse soorten microalgen. Om de kracht van de database in snelle identificatie en functionele karakterisering van microalgen aan te tonen, ze pasten een machine learning-benadering toe, wat betekent dat naarmate er meer informatie aan het systeem werd toegevoegd, hoe meer het systeem leerde om functionele en genetische patronen tussen verschillende organismen te identificeren.

Heidari Baladehi zei dat een kritische kracht van hun aanpak het combineren van twee op Raman gebaseerde "portretten, " één voor pigmenten en één voor alle andere verbindingen in de cel. De meeste huidige benaderingen verzamelen slechts één van de twee portretten, en verzamelen ze meestal niet uit dezelfde cel. De QIBEBT-onderzoekers stelden voor om de twee portretten te combineren, zodat een veel completer en rijker scala aan informatie kan worden verzameld. Met de gecombineerde portretten en het machine learning-algoritme, hun systeem kan soorten en hun metabolische functies identificeren met een nauwkeurigheid van 97%, voor die microalgen die al zijn gekweekt en opgenomen in de database.

Verder, voor die microalgensoorten die niet zijn gekweekt - ze zijn overvloedig in de omgeving - bedachten de QIBEBT-onderzoekers een andere strategie:de cellen worden afgebeeld voor beide Raman-portretten om eerst hun metabolische functies te profileren, en vervolgens gesorteerd en gesequenced voor de genoomsequenties, één cel tegelijk. Ze bereikten dit met behulp van een instrument dat is ontwikkeld in het Single-Cell Center, RACS-Seq genaamd. Het instrument is uniek in zijn vermogen om hoogwaardige genoomsequenties voor de doelcel te produceren, met de resolutie van precies één cel, na het verzamelen van het Raman-signaal.

"Deze alomvattende aanpak voor het snel identificeren en metabolisch profileren van afzonderlijke cellen, al dan niet gekweekt, versnelt de winning en screening van microalgencelfabrieken voor koolstofneutrale productie aanzienlijk, " zei XU Jian, directeur van het Single-Cell Center en een senior auteur van de studie.

Gebaseerd op hun Microalgal Ramanome Database, de onderzoekers hebben een open-access webplatform opgezet (http://mard.single-cell.cn/) om het functiegebaseerde ID-systeem te ondersteunen. Ze zijn van plan hun database verder te ontwikkelen om andere klassen van levende organismen op aarde te huisvesten.