Mikroalger är "enkla" organismer av enstaka celler, ändå har de en stor potentiell kraft när det gäller att hjälpa mänskligheten att uppnå koldioxidneutralitet, enligt forskare från Qingdao Institute of Bioenergy and Bioprocess Technology (QIBEBT) vid den kinesiska vetenskapsakademin (CAS). Deras metaboliska aktiviteter spelar grundläggande roller i global kolkretslopp och omvandlar koldioxid till en mängd olika högvärdiga makromolekyler.

Nu, QIBEBT-forskarna har utvecklat ett sätt att snabbt bestämma exakt vilka mikroalger – av miljontals variationer – som lättast kan omvandla koldioxid till värdefulla föreningar som kan användas för bränslen, mat och droger. De publicerade sitt tillvägagångssätt den 18 juni i Analytisk kemi .

Dock, det nuvarande tillvägagångssättet för att identifiera mikroalger och förstå deras metaboliska aktivitet innebär att odla och studera varje art. "Det är långsamt och tråkigt, " sa första författaren Mohammadhadi Heidari Baladehi, doktorand i Single-Cell Center och CAS Key Laboratory of Biofuels vid QIBEBT. "Dessutom, den stora majoriteten av mikroalger i naturen är ännu inte odlade."

För att påskynda bedömningen av mikroalger, forskarna använde Raman-mikrospektroskopi, som producerar bilder som avslöjar cellens metaboliska aktiviteter.

I det här arbetet, Heidari Baladehi och hans team etablerade en databas med "ramanomer" för mikroalger, eller samling av encelliga Raman-spektra. Ramanome-databasen består av mer än 9, 000 celler från kända, olika arter av mikroalger. För att demonstrera kraften i databasen för snabb identifiering och funktionell karakterisering av mikroalger, de tillämpade en maskininlärningsmetod, vilket innebär att mer information lades till i systemet, desto mer lärde sig systemet att identifiera funktionella och genetiska mönster mellan olika organismer.

Heidari Baladehi sa att en avgörande styrka i deras tillvägagångssätt var att kombinera två Raman-baserade "porträtt, " en för pigment och en för alla andra föreningar i cellen. De flesta nuvarande metoder samlar bara ett av de två porträtten, och vanligtvis inte samla in dem från samma cell. QIBEBT-forskarna föreslog att de två porträtten skulle kombineras, så att ett mycket mer komplett och rikare utbud av information kan samlas in. Med de kombinerade porträtten och maskininlärningsalgoritmen, deras system kan identifiera arter och deras metaboliska funktioner med 97% noggrannhet, för de mikroalger som redan odlats och registrerats i databasen.

Vidare, för de mikroalger som inte har odlats – de är rikliga i miljön – uppfann QIBEBT-forskarna en annan strategi:cellerna avbildas för båda de två Raman-porträtten för att först profilera deras metaboliska funktioner, och sedan sorterade och sekvenserade för genomsekvenserna, en cell i taget. De uppnådde detta med hjälp av ett instrument utvecklat vid Single-Cell Center som heter RACS-Seq. Instrumentet är unikt i sin förmåga att producera högkvalitativa genomsekvenser för målcellen, med upplösningen av exakt en cell, efter att ha samlat in Raman-signalen.

"Detta omfattande tillvägagångssätt för att snabbt identifiera och metaboliskt profilera enceller, antingen odlade eller oodlade, påskyndar kraftigt brytningen och screeningen av mikroalgcellsfabriker för kolneutral produktion, " sa XU Jian, chef för Single-Cell Center och en senior författare av studien.

Baserat på deras Microalgal Ramanome-databas, forskarna har etablerat en öppen webbplattform (http://mard.single-cell.cn/) för att stödja det funktionsbaserade ID-systemet. De planerar att vidareutveckla sin databas för att rymma andra klasser av levande organismer på jorden.