Wenn Bakterien rechnen lernen: 36-fach mehr Kerosin
KI und Biosensoren machen Mikroben effizienter. Forschende steigern die Produktion von Jetfuel-Vorstufen um das 36-Fache.
Ein Passagierflugzeug wird am Boden mit Treibstoff versorgt. Künftig könnten synthetische Kraftstoffe aus Mikroben fossiles Kerosin teilweise ersetzen.
Foto: Smarterpix / Gudella
Flugzeuge brauchen dichte, energiereiche Kraftstoffe. Batterien liefern dafür auf absehbare Zeit nicht genug Leistung. Deshalb sucht die Forschung nach Alternativen zu Kerosin aus Erdöl. Eine davon: Mikroben, die aus pflanzlichem Material Vorstufen für synthetischen Flugtreibstoff herstellen. Der Weg dahin galt lange als langsam und teuer. Biologische Systeme reagieren unberechenbar. Jede genetische Änderung kann unerwartete Folgen haben.
Zwei aktuelle Studien zeigen nun, wie sich dieser Prozess stark beschleunigen lässt. Forschende am Joint BioEnergy Institute (JBEI), das vom Lawrence Berkeley National Laboratory geleitet wird, kombinieren künstliche Intelligenz, Automatisierung und biologische Sensoren. Das Ergebnis: Mikroben, die bis zu 36-mal mehr Treibstoffvorstufen produzieren als bisherige Stämme.
Inhaltsverzeichnis
Ein Molekül als Schlüssel für nachhaltiges Fliegen
Im Zentrum steht Isoprenol. Das klare, flüchtige Molekül lässt sich chemisch zu DMCO weiterverarbeiten, einem synthetischen Flugkraftstoff mit höherer Energiedichte als herkömmliches Kerosin. Isoprenol effizient herzustellen, gilt in der synthetischen Biologie seit Jahren als schwierig. Zu komplex sind die Stoffwechselwege in Mikroben, zu groß die Zahl möglicher Stellschrauben.
Zwei Teams des JBEI gingen das Problem aus unterschiedlichen Richtungen an. Das eine setzte auf KI und Laborrobotik, um genetische Varianten systematisch zu testen. Das andere machte sich eine vermeintliche Schwäche der Mikroben zunutze und verwandelte sie in ein Messinstrument.
„Dies sind zwei leistungsstarke, sich ergänzende Strategien. Die eine ist datengesteuerte Optimierung, die andere ist Entdeckung. Zusammen bieten sie uns eine Möglichkeit, viel schneller voranzukommen als mit herkömmlichen Trial-and-Error-Verfahren“, erläutert Thomas Eng.
KI ersetzt Bauchgefühl im Labor
Traditionell verändern Forschende einzelne Gene, testen den Effekt und ziehen Schlüsse für den nächsten Schritt. Das kostet Zeit. Oft Monate, manchmal Jahre. Das Team um Taek Soon Lee und Héctor García Martín wollte diesen Engpass beseitigen. Sie entwickelten eine automatisierte Pipeline, in der Roboter Hunderte genetische Varianten parallel erzeugen und testen.
Ein Algorithmus wertet die Daten aus und schlägt gezielt neue Genkombinationen vor. Der Mensch gibt nicht mehr die Richtung vor, sondern prüft die Vorschläge. „Standardmäßiges Metabolic Engineering ist langsam, weil man sich auf menschliche Intuition und biologisches Wissen verlässt“, sagte García Martín. „Unser Ziel war es, die Verbesserung von Stämmen systematisch und schnell zu gestalten.“
Kern des Ansatzes ist CRISPR-Interferenz. Dabei schalten Forschende Gene nicht komplett aus, sondern drosseln ihre Aktivität. So lassen sich feine Effekte im Stoffwechsel sichtbar machen. Nach sechs Entwicklungszyklen, jeweils nur wenige Wochen lang, produzierten die Bakterien rund fünfmal mehr Isoprenol als der Ausgangsstamm.
Wenn Mikroben ihren eigenen Treibstoff fressen
Das zweite Team um Thomas Eng stieß auf ein anderes Problem. Die eingesetzten Bakterien, Pseudomonas putida, produzierten Isoprenol – und bauten es kurz darauf wieder ab. Zunächst wirkte das wie ein Rückschlag. Dann kam der Perspektivwechsel.
„Das war ein echter Aha-Moment“, sagte Eng. „Moment mal, wenn sie es wahrnehmen können, muss es ein Protein geben, das es erkennt. Vielleicht können wir das Problem in ein Werkzeug verwandeln.“
Die Forschenden identifizierten ein Sensorsystem aus zwei Proteinen, mit dem die Zellen Isoprenol erkennen. Sie bauten diesen Mechanismus zu einem Biosensor um. Je mehr Treibstoff eine Zelle produzierte, desto stärker fiel das Signal aus. Gekoppelt an überlebenswichtige Gene entstand ein simples Prinzip: Nur die besten Produzenten wachsen weiter.
So konnten die Forschenden Millionen Varianten in kurzer Zeit durchsuchen. Das Ergebnis waren „Champion“-Stämme, die bis zu 36-mal mehr Isoprenol erzeugten als der ursprüngliche Mikroorganismus.
Zwei Wege, ein Ziel
Beide Ansätze ergänzen sich. Die KI-Pipeline eignet sich, um bekannte Zielgene gezielt zu optimieren. Der Biosensor deckt neue, unerwartete Stellschrauben auf. „Der eine Ansatz ist tiefenorientiert, der andere breitenorientiert“, sagte Eng. Zusammen verkürzen sie Entwicklungszeiten drastisch.
Die Ergebnisse erschienen in Nature Communications und Science Advances. Nun arbeiten die Teams daran, die Verfahren auf größere Fermenter zu übertragen. Erst dort zeigt sich, ob die Erträge auch unter industriellen Bedingungen stabil bleiben.
„Wenn diese Ansätze weit verbreitet sind, könnten sie die Branche neu gestalten. Anstatt ein Jahrzehnt und Hunderte von Menschen für die Entwicklung eines neuen Bioprodukts zu benötigen, könnten kleine Teams dies in einem Jahr oder weniger schaffen“, erläutert Héctor García Martín.
Ein Beitrag von:
