biotechnology-bioengineering

name	biotechnology-bioengineering
description	Compétence niveau ingénieur/docteur en biotechnologie et bioingénierie computationnelles. Couvre le génie métabolique ML, la biologie synthétique, les bioréacteurs AI, la fermentation, le bioprocessing, les biopiles, les enzymes design, le cell-free systems, et la bio-production.

Biotechnologie et Bioingénierie Computationnelles

Présentation

Cette skill couvre l'application de l'intelligence artificielle et du machine learning à la biotechnologie et au bioengineering. Elle s'adresse aux chercheurs et ingénieurs travaillant sur le génie métabolique, la biologie synthétique, l'optimisation de bioréacteurs, le bioprocessing, la conception d'enzymes et la bio-production assistée par IA.

Génie Métabolique

• FBA (Flux Balance Analysis) : Analyse de bilan de flux, modélisation stoichiométrique, fonctions objectives, optimisation linéaire, analyse de flux par FBA, flux variability analysis (FVA)
• FBA ML : Amélioration de FBA par apprentissage automatique, intégration de données omiques, prédiction de flux, contraintes cinétiques apprises par ML
• MOMA (Minimization of Metabolic Adjustment) : Minimisation de l'ajustement métabolique, prédiction de flux après perturbation, optimisation de souches, modèles de knockout
• OptKnock : Optimisation de knockout génétique pour la surproduction, algorithmes bi-niveaux, bilevel optimization, optgene, optforce
• Genome-Scale Models (GEMs) : Modèles métaboliques à l'échelle du génome, reconstruction de modèles, curation, gap-filling, GEMs pour organismes modèles (E. coli, S. cerevisiae, CHO)
• Metabolic Pathway Prediction : Prédiction de voies métaboliques, retrosynthèse biochimique, design de voies, évaluation de rendement, pathfinding, retropath
• Fluxomics : Fluxomique, analyse de flux métaboliques basée sur 13C, MFA (Metabolic Flux Analysis), INST-MFA, modèles cinétiques, integration fluxomique-transcriptomique

Biologie Synthétique

• BioBricks : Standards BioBrick, iGEM, assembly de parties génétiques, Golden Gate assembly, Gibson assembly, plasmids, vecteurs
• CAD pour Biologie : Conception assistée par ordinateur pour la biologie synthétique, SBOL (Synthetic Biology Open Language), outils de design génétique, Cello, genetic circuit design software
• Genetic Circuit Design ML : Conception de circuits génétiques par ML, prédiction de performance, optimisation de promoteurs, RBS calculator, terminators, insulators, prédiction d'expression
• Directed Evolution ML : Évolution dirigée assistée par ML, banques de variants, screening virtuel, modèles de fitness landscape, apprentissage actif pour évolution dirigée, deep mutational scanning
• Variant Prediction : Prédiction d'effets de variants, modèles de langage protéique, ESM, ProtGPT2, Tranception, EVE, AlphaMissense, prédiction de pathogenicité
• AbICL : Antibody In-Context Learning, conception d'anticorps par in-context learning, génération de séquences d'anticorps, optimisation d'affinité, humanisation par IA

Bioréacteurs et Fermentation

• Bioreactor Modeling : Modélisation de bioréacteurs, cinétique de croissance (Monod, Contois, inhibition), bilans de matière/énergie, modèles de transfert d'oxygène (kLa), modèles hydrodynamiques
• Fed-Batch Optimization : Optimisation de fed-batch, stratégies d'alimentation, contrôle de la croissance, optimisation du rendement, modèles dynamiques, reinforcement learning pour fed-batch
• PAT (Process Analytical Technology) : Technologies analytiques de procédés, spectroscopie in-situ (Raman, NIR), capteurs en ligne, contrôle de qualité en temps réel, QbD (Quality by Design)
• CSTR / Perfusion : Réacteurs continus, perfusion, cell retention, TFF (Tangential Flow Filtration), ATF (Alternating Tangential Flow), continuous bioprocessing
• CHO Cell Culture ML : Culture de cellules CHO, optimisation de milieu, métabolisme de cellules de mammifère, prédiction de titre, glycosylation, aggrégation, models de productivité

Bioprocédés (Downstream Processing)

• Downstream Processing ML : Purification en aval, récupération de produit, clarification, concentration, prédiction de rendement de purification, optimisation de séquence de purification
• Chromatography AI : Chromatographie assistée par IA, optimisation de colonnes, modèles de Langmuir, steric mass action, design de gradients, sélection de résines, MCC (Multi-Column Chromatography)
• Harvest Optimization : Optimisation de récolte, centrifugation, depth filtration, TFF harvest, clarification, optimisation de débit, prédiction de colmatage
• Continuous Processing : Bioprocédés continus, integration amont-aval, process intensification, continuous capture, continuous viral inactivation, end-to-end continuous

Enzyme Engineering

• Protein Engineering ML : Ingénierie de protéines par ML, modèles de fitness, design de séquences, stabilité thermique, activité enzymatique, solubilité, modèles de structure (AlphaFold, ESMFold)
• Enzyme Kinetics : Cinétique enzymatique, modèles Michaelis-Menten, inhibition, allostérie, prédiction de kcat/KM par ML, modèles de mécanisme, enzyme-substrate binding
• Immobilization : Immobilisation d'enzymes, supports, cross-linking, CLEA, entrapment, adsorption, optimisation de l'immobilisation par ML, stabilité opérationnelle
• PET Degradation : Dégradation enzymatique du PET, PETase, MHETase, FAST-PETase, engineering de PETases, dépolymerisation, recycling enzymatique
• Biocatalysis : Biocatalyse, enzymes pour la synthèse chimique, réactions stéréosélectives, cascades enzymatiques, cofactor regeneration, engineering de substrat scope

Biocarburants et Bioénergie

• Cellulosic Ethanol : Éthanol cellulosique, prétraitement de biomasse, hydrolyse enzymatique, fermentation C5/C6, organismes modifiés, optimisation de co-culture
• Algae ML : Microalgues pour biocarburants, optimisation de croissance, sélection de souches, extraction de lipides, prédiction de productivité par ML, photobioreactor modeling
• Biogas : Production de biogaz, digestion anaérobie, co-digestion, optimisation de méthanisation, prédiction de rendement, modèles de dégradation
• LCA Bioproduction : Analyse de cycle de vie pour la bioproduction, évaluation environnementale, bilan carbone, analyse de durabilité, techno-economic assessment (TEA), LCA assistée par ML

Catégories arXiv

• q-bio.QM (Quantitative Methods), q-bio.MN (Molecular Networks), cs.LG (Machine Learning), cs.AI (Artificial Intelligence), physics.bio-ph (Biological Physics)

Articles Clés

• AbICL : Antibody In-Context Learning — génération d'anticorps par in-context learning avec LLMs
• Design-CP : Design of Co-evolving Proteins, modèles de co-évolution pour la conception de protéines
• Canopy Heterograph Metabolic Engineering : Canopy heterograph framework pour l'ingénierie métabolique computationnelle

Références

• Orth, Thiele, Palsson (2010) — "What is flux balance analysis?" Nature Biotechnology
• Nielsen & Keasling (2016) — "Engineering Cellular Metabolism" Cell
• AlQuraishi (2019) — "AlphaFold at CASP13" Bioinformatics
• Journal of Biotechnology, Biotechnology and Bioengineering, Metabolic Engineering
• Nature Biotechnology, Science Advances, PNAS
• ACS Synthetic Biology, Biotechnology Journal