Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2021
Next-Generation-Werkzeuge für das Metabolic Engineering
Prof. Andreas Kremling
Technische Universität München
Fakultät für Maschinenwesen
Prof. Michael A. Savageau
University of California, Davis
Department of Microbiology & Molecular Genetics
Mathematische Modelle sind grundlegende Werkzeuge, um die nicht-triviale Funktionsweise biologischer Systeme zu verstehen. Beispielsweise ermöglicht eine gezielte Veränderung des Bakterienstoffwechsels eine umweltfreundliche Herstellung von Arzneimitteln und anderen Komponenten wie Feinchemikalien oder bio-basierte Kraftstoffe. Die mechanistische Modellierung biochemischer Netzwerke erfasst komplexe Wechselwirkungen zwischen verschiedenen Ebenen zellulärer Strukturen (Stoffwechsel, Regulation, Genexpression), die integriert werden müssen, um biologische Systeme zu verstehen und erfolgreich zu optimieren. Mechanistische Modelle basieren auf physiko-chemischen Grundgesetzen und sind prädiktiv, da sie einen Zusammenhang zwischen Metabolitenkonzentration, Enzymverfügbarkeit und intrazellulären Flussverteilungen herstellen. Bisher war die Anwendung mechanistischer Modelle zur Identifizierung von Strategien im Metabolic Engineering aufgrund der großen Anzahl von unsicheren oder sogar unbekannten kinetischen Parametern sehr eingeschränkt. Der Vorteil der Methode ist, dass keine a priori Kenntnis der Parameterwerte notwendig sind und auch keine numerische Integration des Systems erfolgt. Im Projekt soll ein im Savageau-Labor an der UC Davis entwickelter Ansatz zur Modellierung des Stoffwechsels auf konkrete Problemstellungen in Projekten im Kremling-Labor angewendet werden. Die geplante Zusammenarbeit zielt darauf ab, das Anwendungspotential des Modellierungsansatzes zur Entwicklung von Zellfabriken für Anwendungen in der Biotechnologie zu untersuchen. Die Kooperation wird experimentelles Fachwissen aus dem Kremling-Labor (die relevanten Plattformorganismen sind Pseudomonas putida und Escherichia coli ) mit der rechnergestützter Analyse kombinieren.