Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
Ce protocole démontre l’utilisation d’une plate-forme technologique de microréseau phénotype (PM) pour définir les besoins métaboliques de Chlamydomonas reinhardtii, une microalgue verte, et affiner un modèle de réseau métabolique existant.
Les modèles métaboliques sont reconstruits sur la base de l’annotation du génome disponible d’un organisme et fournissent des outils prédictifs pour étudier les processus métaboliques au niveau des systèmes. Les modèles métaboliques à l’échelle du génome peuvent inclure des lacunes ainsi que des réactions qui ne sont pas vérifiées expérimentalement. Les modèles reconstruits d’espèces de microalgues nouvellement isolées entraîneront des faiblesses en raison de ces lacunes, car il existe généralement peu de preuves biochimiques disponibles pour le métabolisme de ces isolats. La technologie des microréseaux phénotypiques (PM) est une méthode efficace à haut débit qui détermine fonctionnellement les activités métaboliques cellulaires en réponse à un large éventail de métabolites d’entrée. La combinaison des essais phénotypiques à haut débit avec la modélisation métabolique peut permettre de reconstruire ou d’optimiser rapidement les modèles de réseau métabolique existants en fournissant des preuves biochimiques pour soutenir et élargir les preuves génomiques. Ce travail montrera l’utilisation des tests PM pour l’étude des microalgues en utilisant l’espèce modèle de microalgue verte Chlamydomonas reinhardtii comme exemple. Des preuves expérimentales de plus de 254 réactions obtenues par PM ont été utilisées dans cette étude pour étendre et affiner d’environ 25% un modèle de réseau métabolique de C. reinhardtii à l’échelledu génome, i RC1080. Le protocole créé ici peut être utilisé comme base pour profiler fonctionnellement le métabolisme d’autres microalgues, y compris les mutants de microalgues connus et les nouveaux isolats.
L’optimisation du métabolisme des algues pour une production améliorée et stable de métabolites ciblés nécessite le développement de stratégies complexes d’ingénierie métabolique grâce à des analyses des réseaux métaboliques au niveau des systèmes. Les modèles de réseaux métaboliques peuvent guider les conceptions rationnelles pour le développement rapide de stratégies d’optimisation1,2,3,4. Bien qu’environ 160 espèces de microalgues aient été séquencées5, il n’existe, à notre connaissance, que 44 modèles métaboliques d’algues disponibles4,6,7. En raison de la difficulté d’obtenir des données phénotypiques métaboliques à haut débit pour la validation expérimentale de l’information génomique, la reconstruction de modèles de réseau de haute qualité est à la traîne par rapport au développement rapide du séquençage du génome des algues.
C. reinhardtii est un système modèle attrayant pour les études à base d’algues. Cette espèce peut croître photoautotrophe ou hétérotrophe et a été largement utilisée comme organisme modèle dans la recherche fondamentale et appliquée. Sa séquence génomique a été publiée en 20078, avec des modèles métaboliques à l’échelle du génome reconstruits par la suite pour les espèces9,10,11. Le modèle à l’échelle du génome de C. reinhardtii (iRC1080) a été reconstruit par Chang et al. 10 basé sur des preuves génomiques et documentaires (impliquant environ 250 sources). Il a 1 706 métabolites avec 2 190 réactions10; toutefois, l’exhaustivité du modèle n’a pas pu être vérifiée au-delà des preuves expérimentales publiées disponibles à l’époque.
La technologie des microréseaux phénotypiques (PM) est une plate-forme à haut débit qui peut fournir des informations de profilage métabolique pour les micro-organismes hétérotrophes ainsi que pour les cellules de culture tissulaire. En particulier, il peut être utilisé pour combler le déficit de connaissances entre le phénotype et le génotype dans les microalgues, comme cela a été signalé pour La première fois pour Chlamydomonas reinhardtii12 et par la suite pour une espèce de Chloroidium13 et Chlorella14. En étudiant les réponses cellulaires à des milliers de métabolites, de molécules de signalisation, d’osmolytes et de molécules effectrices, les tests PM peuvent fournir un profilage métabolique fonctionnel et offrir des informations sur la fonction, le métabolisme et la sensibilitéenvironnementale 15,16,17. Plus précisément, les tests PM détectent l’utilisation des métabolites des cellules dans des microplaques de 96 puits contenant différents nutriments, métabolites ou osmolytes contenus dans chaque puits. De plus, il est également possible de tester des molécules bioactives, telles que des antibiotiques et des hormones. Comme déterminé par l’intensité de la production de couleur par la réduction du NADH d’un colorant redox à base de tétrazolium, l’utilisation métabolique des substrats est évaluée en termes de respiration cellulaire15,16,17. Les expériences sur des microplaques de 96 puits peuvent être surveillées et déterminées automatiquement au fil du temps avec la plate-forme d’instrument de microréseau phénotypique (PMI). Vingt microplaques de 96 puits sont conçues pour représenter les métabolites communs pour étudier les phénotypes cellulaires afin d’utiliser des sources de carbone, d’azote, de soufre et de phosphore, ainsi que différents effets osmotiques / ioniques et pH. La technologie PM a été utilisée avec succès pour mettre à jour et mettre à niveau un certain nombre de modèles métaboliques existants à l’échelle du génome pourlesmicro-organismes15, 16,17,18.
Le protocole et les données présentées ici sont basés sur des travaux précédemment publiés par Chaiboonchoe et al. 12 Les travaux présentés détaillent l’utilisation de la méthode d’essai des particules pour caractériser les phénotypes métaboliques des microalgues et pour élargir un modèle métabolique algal existant de C. reinhardtii ainsi que pour guider la reconstruction de nouveaux modèles métaboliques.
1. Expériences sur les microréseaux phénotypiques
2. Analyse des données
3. Identification des réactions et des gènes associés aux nouveaux métabolites
4. Perfectionnement et évaluation du modèle
Phénotype Microréseau de criblage de l’algue modèle Chlamydomonas reinhardtii
Les tests PM testent la capacité de l’algue à utiliser diverses sources de carbone, d’azote, de soufre et de phosphore dans un milieu minimal. Dans cette description des méthodes, nous avons démontré comment les tests de particules ont été utilisés pour identifier le métabolisme du carbone et de l’azote. La cinétique d’utilisation du carbone et de l’azote a été mesurée à l’aide d’un lecteur de microplaques. Les données ont été analysées à l’aide du logiciel PMI. La cinétique sommaire des plaques d’essai des particules sélectionnées (PM01 et PM03) est illustrée à la figure 1. Les « diagrammes xy » affichent les mesures de respiration au fil du temps tracées pour les essais des plaques à 96 puits, où l’axe y et l’axe x représentent les valeurs des mesures brutes et du temps, respectivement. Les données ont été converties en un modèle de carte thermique pour analyser comparativement l’assemblage des données cinétiques.
Le pipeline de raffinage du réseau métabolique à l’échelle du génome à l’aide de données sur les particules(figure 2)illustre l’intégration des essais de particules à haut débit avec les preuves expérimentales fournies par les recherches génomiques qui peuvent élargir un modèle de réseau métabolique.
Pour déterminer la reproductibilité des données PM obtenues à partir de plaques PM01 -04 et PM10, une régression linéaire a été analysée pour tracer les données de deux expériences répliquées indépendantes l’une par rapport à l’autre (Figure 3). La figure 3 montre que la majorité des données étaient presque similaires car elles tombent sur la ligne des 45°, avec seulement quelques valeurs aberrantes présentes, et leur coefficient de détermination R2 était de 0,9. La cohérence et la reproductibilité des expériences pour l’algue sont vérifiées par ce graphique.
Identification de nouveaux métabolites
Le test PM a identifié 662 métabolites dans sept plaques; PM01-PM04 et PM06-PM08, tandis que la chromatographie en phase gazeuse à temps de vol (GC-TOF) avait identifié 77 métabolites32 (Figure 4). En comparant ces deux ensembles avec les 1068 métabolites comptabilisés dans le iRC1080, seuls six métabolites se chevauchaient entre les trois ensembles, et 149 se chevauchaient entre le iRC1080 et le PM. Ce résultat démontre que la plateforme de profilage métabolique peut être une source importante de nouvelles informations métaboliques.
L’acide acétique était la seule source de carbone détectée dans la plaque PM01 en tant que carbone de soutien après soustraction du signal de fond. Ce résultat est conforme à la littérature33 et montre la spécificité des tests pm. Les tests PM ont révélé de nouvelles sources de soufre, de phosphore et d’azote que C. reinhardtii peut utiliser pour la croissance. Les métabolites soufrés étaient le sulfate, le thiosulfate, le tétrathionate et le DL-lipoamide. Les sources de phosphore étaient le thiophosphate, le dithiophosphate, l’acide D-3-phospho-glycérique et la cystéamine-S-phosphate. Les métabolites sources d’azote étaient les acides L-aminés et D-aminés, y compris les acides aminés moins courants; L-homosérine, L-pyroglutamique, méthylamine, éthylamine, éthanolamine et D,L-α-amino-butyrique, et 108 Di-peptides et cinq tri-peptides (Tableau 1). Les 128 métabolites nouvellement identifiés ont été recherchés dans KEGG et MetaCyc pour leurs réactions associées, leur nombre d’EC et leurs voies.
Les 128 nouveaux métabolites ont été associés à 49 numéros CE uniques. Parmi ceux-ci, 15 CE ont été liés à leurs preuves génomiques à l’aide de cinq sources, notamment: Phytozome Version 10.0.234 JGI Version 435, AUGUSTUS 5.0 et 5.210 annotations de Manichaikul et al. 36 et KEGG13. Les métabolites sans preuve génomique ont été saisis sur le site Web Universal Protein Resource (UniProt, http://www.uniprot.org/)37,38 où leurs séquences connexes ont été trouvées dans d’autres organismes. Les séquences homologues chez C. reinhardtii ont été identifiées en exécutant le BLAST itéré spécifique à la position (PSI-BLAST, https://blast.ncbi.nlm.nih.gov/Blast.cgi) à partir du site Web du NCBI en ne considérant que les séquences qui produisaient des alignements significatifs (valeur E <0,005).
Raffinement du modèle
Les réactions associées aux nouveaux métabolites 128, ainsi qu’à leurs gènes codés, ont été ajoutées au modèle iRC1080, élargissant ainsi le réseau. Le modèle résultant iBD1106, représente 2 444 réactions, 1 959 métabolites et 1 106 gènes (Tableau 2). Les 254 nouvelles réactions ajoutées étaient 20 réactions d’oxydation d’acides aminés, 108 réactions d’hydrolyse di-peptidique, cinq réactions d’hydrolyse de tripeptides et 120 réactions de transport, codées par quatre gènes (Cre02.g096350.t1.3, au.g14655_t1, e_gwW.1.243.1, Cre12.g486350.t1.3).
Au total, 113 nouvelles réactions ajoutées expliquent l’hydrolyse des di-peptides et des tri-peptides. L’hydrolyse des di-peptides et des tri-peptides est associée à deux gènes, l’un pour les di-peptides (Cre02.g078650.t1.3) et l’autre pour les tri-peptides (Cre16.g675350.t1.3).
En ce qui concerne les sources de phosphore, une réaction d’hydrolyse de la cystéamine-S-phosphate en cystéamine et en phosphate a été ajoutée associée au gène JLM_162926.
L’outil WoLF PSORT39 (http://www.genscript.com/psort/wolf_psort.html) et les résultats rapportés par Ghamsari et al. 35 ont été appliqués pour obtenir la spécification des compartiments cellulaires où les nouvelles réactions ont lieu. En analysant les séquences protéiques associées aux nouvelles réactions, WoLF PSORT a prédit le cytosol comme compartiment cellulaire des réactions.
Un modèle métabolique généré peut contenir des lacunes lorsque l’information biochimique est incomplète. Dans de tels cas, gapFind, une commande COBRA, est utilisée. Il répertorie les lacunes profondes et permet d’identifier les nouvelles lacunes dans le nouveau modèle. Les métabolites qui ne peuvent pas être produits dans un modèle métabolique sont appelés lacunes radiculaires40,41. L’analyse de l’écart radiculaire a indiqué que les modèles iRC1080 et iBD1106 contiennent les mêmes écarts 91. Cela montre que l’ajout des nouveaux métabolites et de leurs réactions associées n’a pas introduit de lacunes radiculaires supplémentaires. Il convient de noter que la méthode de phénotypage utilisée dans ce protocole ne comble pas les lacunes racinaires, car les métabolites de l’écart racinaire d’origine manquent de mécanismes de transport ou de production, qui n’ont pas été abordés dans les essais de phénotypage. L’analyse du bilan de flux a été réalisée pour tester le comportement métabolique de l’iBD1106 dans des conditions claires et sombres; (pas d’acétate) et (avec de l’acétate), respectivement. L’algorithme maximise les réactions précurseurs de la biomasse pour une fonction objective (croissance de la biomasse). Pour évaluer l’implication de chaque métabolite dans la fonction objective définie, des « prix fictifs » pour tous les métabolites ont été calculés. Le changement de la fonction objective concernant les changements de flux du métabolite définit le prix de l’ombre d’un métabolite30,42. L’indication de la question de savoir si un métabolite est en « excès » ou « limite » la fonction objective peut être déterminée par une analyse des prix fictifs, par exemple la production de biomasse. Les valeurs de prix de l’ombre négatives ou positives révèlent des métabolites qui, en cas d’addition, diminueront ou augmenteront la fonction objective. Les valeurs nulles des prix fictifs révèlent des métabolites qui n’affecteront pas la fonction objective. La comparaison des prix fictifs entre iBD1106 et iRC1080 à la figure 5 montre que, pour la plupart des métabolites, aucun changement significatif n’est observé; cependant, des différences sont trouvées dans 105 et 70 cas dans des conditions de croissance claires et sombres, respectivement. Le tableau 4 comprend des exemples de ces métabolites.
Figure 1: Profilage phénotypique des microréseaux de C. reinhardtii. Diagrammes XY de respiration et diagrammes de niveau des PM01 (sources de carbone; A, C) et PM03 (sources d’azote; B, D) les plaques d’essai sont montrées. La figure est un réseau 8x12 où chaque cellule représente une plaque de puits et, par conséquent, un métabolite ou un environnement de croissance donné. Dans chaque représentation de cellule ou de puits, les courbes représentent la conversion de colorant par réduction (axe des y) en fonction du temps (axe des x). Les courbes de respiration des particules du CC-503 et des puits vierges sont indiquées dans chaque cellule et sont indiquées par couleur (la couleur sarcelle représente les puits vierges et la couleur pourpre représente CC-503). Le diagramme de niveau représente chaque courbe de respiration sous la forme d’une fine ligne horizontale changeant de couleur (ou restant inchangée) au fil du temps. Les changements de couleur de la carte thermique vont du jaune clair (peu ou pas de respiration a eu lieu) à l’orange foncé ou au brun (une respiration importante a eu lieu). Les métabolites utilisés par C. reinhardtii (CC-503) et les plaques vierges sont représentés. Cette figure est tirée d’un travail précédemment publié par Chaiboonchoe et al. 12Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 2: Pipelined’affinement du réseau métabolique à l’échelle du génome à l’aide de données sur les particules. Une fois qu’un nouveau composé est positif dans un essai de particules, son numéro de commission des enzymes (EC), sa réaction et sa voie sont identifiés à partir des bases de données disponibles, par exemple KEGG et MetaCyc. Les preuves génomiques sont ensuite extraites des ressources génomiques et d’annotation lorsqu’elles sont disponibles et constituent un lien entre le génotype et le phénotype. Lorsque les preuves génomiques directes ne sont pas disponibles, la séquence protéique est identifiée à partir des numéros EC, et les preuves génétiques sont identifiées via PSI-Blast. Le réseau métabolique reconstruit est ensuite affiné sur la base de composés nouvellement identifiés, mais seulement après une étape de contrôle de la qualité qui consiste à interroger les domaines protéiques à l’aide de bases de données pertinentes. Ce chiffre a été modifié à partir de travaux précédemment publiés par Chaiboonchoe et al. 12Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 3: Reproductibilité des essais pm. Les valeurs PMI ont été collectées sur une période de 168 heures, et les valeurs PMI maximales ont été tracées pour deux études répliquées. Chaque axe représente les valeurs PMI maximales pour chaque étude (l’axe des x étant une étude répliquée et l’axe des y une autre). Les valeurs reproduites sont équidistantes de chaque axe. Chaque point représente une valeur maximale unique. La régression linéaire a été effectuée par un tableur, et le coefficient de détermination résultant (R2)est affiché. Ce chiffre a été modifié à partir de travaux précédemment publiés par Chaiboonchoe et al. 12Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 4: Diagramme de Venn des métabolites. Le diagramme de Venn énumère les métabolites identifiés par les plaques PM, le modèle métabolique iRC1080 et les expériences de temps de vol par chromatographie en phase gazeuse (GC-TOF). Chaque cercle indique le nombre total de métabolites qui existent dans chaque méthode d’étude respective. Dans le même temps, les régions qui se chevauchent représentent le nombre de métabolites partagés entre ces méthodes. Le modèle métabolique iRC1080 contient un total de 1 068 métabolites uniques. Le GC-TOF a identifié un total de 77 métabolites32, tandis qu’il y a un total de 662 métabolites identifiés à l’aide des plaques PM. Ce chiffre est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12Veuillez cliquer ici pour voir une version agrandie de cette figure.
Figure 5: Prix fictifs des métabolites dans iRC1080 et iBD1106 dans des conditions différentes pour la maximisation de la biomasse. Chaque cercle sur les « tracés radar » correspond à une valeur de prix d’ombre, tandis que chaque ligne s’étendant du centre d’un tracé indique un métabolite. (A) Prix de l’ombre et comportements métaboliques de iRC1080 et iBD1106 dans une condition de croissance légère; (B), différents comportements métaboliques de iRC1080 et iBD1106 dans un état de croissance sombre. Ce chiffre est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12Veuillez cliquer ici pour voir une version agrandie de cette figure.
| Biologie Chimique | CE* | Annotation de gènes | PSI-BLAST |
| Cystéamine-S-Phosphate | 3.1.3.1 | JLM_1629261,2,3,4 | |
| Tétrathionate | 1.8.2.2 | valeur E insignifiante | |
| 1.8.5.2 | valeur E insignifiante | ||
| D-Alanine | 1.4.1.1 | XP_001700222.1 | |
| 1.5.1.22 | échec du contrôle qualité manuel | ||
| 2.1.2.7 | valeur E insignifiante | ||
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| 2.3.2.10 | valeur E insignifiante | ||
| 2.3.2.14 | valeur E insignifiante | ||
| 2.3.2.16 | valeur E insignifiante | ||
| 2.3.2.17 | valeur E insignifiante | ||
| 2.3.2.18 | valeur E insignifiante | ||
| 2.6.1.21 | échec du contrôle qualité manuel | ||
| 3.4.13.22 | XP_001698572.1, XP_001693532.1, XP_001701890.1, XP_001700930.1 | ||
| 3.4.16.4 | Chlre2_kg.scaffold_ 140000391,2,3 | ||
| 3.4.17.8 | échec du contrôle qualité manuel | ||
| 3.4.17.13 | valeur E insignifiante | ||
| 3.4.17.14 | valeur E insignifiante | ||
| 4.5.1.2 | valeur E insignifiante | ||
| 6.1.1.13 | échec du contrôle qualité manuel | ||
| 6.1.2.1 | échec du contrôle qualité manuel | ||
| 6.3.2.4 | au.g14655_t11,2,3 | ||
| 6.3.2.10 | échec du contrôle qualité manuel | ||
| 6.3.2.16 | valeur E insignifiante | ||
| 6.3.2.35 | valeur E insignifiante | ||
| D-Asparagine | 1.4.5.1 | valeur E insignifiante | |
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| 3.1.1.96 | valeur E insignifiante | ||
| 2.3.1.36 | valeur E insignifiante | ||
| 1.4.99.1 | XP_001692123.1 | ||
| 3.5.1.77 | e_gwW.1.243.11,2 | ||
| 3.5.1.81 | valeur E insignifiante | ||
| 5.1.1.10 | échec du contrôle qualité manuel | ||
| Acide D-aspartique | 6.3.1.12 | valeur E insignifiante | |
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| Acide D-glutamique | 1.4.3.7 | valeur E insignifiante | |
| 1.4.3.3 | valeur E insignifiante | ||
| D-Lysine | 5.4.3.4 | valeur E insignifiante | |
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| 6.3.2.37 | échec du contrôle qualité manuel | ||
| D-Sérine | 2.7.11.8 | valeur E insignifiante | |
| 2.7.11.17 | Cre12.g486350.t1.31,2,3,4 | ||
| 3.4.21.78 | échec du contrôle qualité manuel | ||
| 3.4.21.104 | échec du contrôle qualité manuel | ||
| 4.3.1.18 | g6244.t14 | échec du contrôle qualité manuel | |
| 6.3.2.35 | valeur E insignifiante | ||
| 6.3.3.5 | valeur E insignifiante | ||
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| D-Valine | 1.21.3.1 | échec du contrôle qualité manuel | |
| 6.3.2.26 | échec du contrôle qualité manuel | ||
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| Acide L-pyroglutamique | |||
| Thiophosphate | |||
| Dithiophosphate | |||
| Éthylamine | 6.3.1.6 | ||
| Acide D,L-a-amino-butyrique | 2.1.1.49 | valeur E insignifiante | |
| 1.4.3.3 | Cre02.g096350.t1.35 | ||
| Di-peptide | 3.4.13.18 | Cre02.g078650.t1.31 | |
| Tri-peptide | 3.4.11.4 | Cre16.g675350.t1.31 |
Tableau 1: Liste des métabolites d’utilisation du substrat positif identifiés (C, P, S, N) non présents dans le modèle métabolique iRC1080. *La réaction n’a pas été incluse si aucun gène n’a été identifié. 1 Phytozome version 10.0.2 (http://phytozome.jgi.doe.gov/pz/portal.html#!info?alias=Org_Creinhardtii). deux JGI version 4 35. 3 Auguste version 510. 4 KEGG (http://www.genome.jp/kegg/kegg1.html). 5 JGI version 3.136. Ce tableau est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12
| Modèle | Réactions | Métabolites | Gènes |
| iRC1080 | 2,191 | 1,706 | 1,086 |
| iBD1106 | 2,445 | 1,959 | 1,106 |
Tableau 2: Contenu des iRC1080 et iBD1106. Ce tableau est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12
| Catégorie ou classe de réactions | Nombre de réactions |
| Acides aminés | 20 |
| Dipeptides | 108 |
| Tripeptides | 5 |
| Réaction de transport | 120 |
Tableau 3: Résumé des nouvelles réactions dans le BD1106. Ce tableau est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12
| Conditions de croissance | Métabolite | Nom | iRC1080 | iBD1106 |
| 4r5au | 4-(1-D-Ribitylamino)-5-aminouracile | 0 | 0.168 | |
| 5aprbu | 5-Amino-6-(5'-phosphoribitylamino)uracile | -0.009 | 0.158 | |
| Lumière | pa1819Z18111Z | 1-(9Z)-octadécénoyl,2-(11Z)-octadénoyl-sn-glycérol3-phosphate | -0.009 | -0.65 |
| Sombre | 4amais | 4-aminobutanoate | 0.18 | -0.05 |
Tableau 4: Exemple de prix fictifs significatifs pour iRC1080 et iBD1106. Ce tableau est tiré de travaux précédemment publiés par Chaiboonchoe et al. 12
Les auteurs n’ont rien à divulguer.
Ce protocole démontre l’utilisation d’une plate-forme technologique de microréseau phénotype (PM) pour définir les besoins métaboliques de Chlamydomonas reinhardtii, une microalgue verte, et affiner un modèle de réseau métabolique existant.
Un soutien majeur pour ce travail a été fourni par le NYUAD Center for Genomics and Systems Biology (CGSB), financé par Tamkeen dans le cadre d’une subvention de l’Institut de recherche de l’Université de New York Abu Dhabi (73 71210 CGSB9) et des Fonds de recherche de la faculté de NYU Abu Dhabi (AD060). W.F. a également été soutenu par le programme des cent talents de l’Université du Zhejiang. Nous remercions Ashish Jaiswal pour son aide dans l’enregistrement de la vidéo. Nous remercions Hong Cai d’avoir généré les données sur le phénotype métabolique.
| Ampicilline | VWR | 97062-796 | |
| Plaques de dosage Biolog [ PM01-08] | Biolog, Hayward, CA, États-Unis | ||
| Biolog Omnilog Instrument | Biolog, Hayward, CA, États-Unis | ||
| Chlamydomonas reinhardtii souche CC-503 | Chlamydomonas Resource Center à l’Université du Minnesota, États-Unis. | Régents de l’Université du Minnesota | |
| Kanamycin | VWR | 0408-EU-10G | |
| Colorant violet de tétrazolium " D" | Biolog, Hayward, CA, États-Unis | ||
| Timentin | GlaxoSmithKline Australia Pty Ltd | 42010012-2 |
