Synthetic Biology Final Report

Synthetic Biology | Introduction 
 
10 
behaviour and compatibility, and the possibility to assemble multiple DNA sequences is necessary (Kitney and 
Freemont 2012). 
1.1.1
 
The scientific landscape of synthetic biology 
Oldham  et  al.  (2012)  published  an  overview  to  aid  understanding  of  synthetic  biology  by  analysing 
publications,  key  terms,  local  distribution  of  researchers  and  organisations,  and  mapping  the  subjects  and 
citing landscapes. The study provided a baseline for related research, and concluded that – at the time of the 
publication  –  almost 700 organisations in 40 countries worked on genetic components, parts and organisms 
with  potential  for  a  wide  range  of  applications.  Their  work  also  impressively  demonstrated  that  one  of  the 
major  characteristics  of  synthetic  biology  is  its  trans-/interdisciplinarity  at  the  intersection  between  biology, 
chemical  engineering,  chemistry,  electrical  engineering,  physics,  and  computer  science  (Peccoud  and  Isalan 
2012; Schmidt 2008).  
 
Figure 1: Trans-/interdisciplinarity of synthetic biology; from Polizzi (2013) 
Synthetic  biology  uses  the  engineering  principles  of  modularity,  characterisation  (in  vitro,  in  vivo,  reference 
parts under different conditions), and standardisation (Kitney and Freemont 2012). Many of the methods and 
techniques which are used in this context are derived from other fields (Kitney and Freemont 2012). Synthetic 
biology  applies  knowledge  from  a  variety  of  disciplines  like  molecular  biology,  chemistry,  biotechnology, 
information technology and engineering (Haynes and Silver 2009). Foundational science for synthetic biology 
includes  genomics,  structural  biology,  biochemistry,  systems  biology,  molecular  and  cell  biology,  chemical 
biology,  protein  engineering  and  design,  and  tissue  engineering  and  biomaterials.  Platform  technology  is  a 
suite of tools and methods which can be applied across a range of fields (Kitney and Freemont 2012). Standard 
systems are produced from standard devices that are produced from standard parts (or components, in this 
case a sequence of DNA with certain characteristics).  

---

Synthetic Biology | Introduction 
 
11 
Synthesising new genomes is in the real sense comparable to a construction project (Wang 2010). Errors must 
be  minimised, and synthetic genomes may  fail in design, in synthesis or in boot-up (i.e.  transplantation to a 
new host). Design errors are  the most  crucial, as new  designs may  fail due the  presence  of  toxic genes, the 
absence  of  essential  genes,  or  improper  genetic  regulation  (Wang  2010).  Such  errors,  however,  will  show 
themselves only after synthesis. 
Early synthetic biologists created simple gene regulatory circuits whose dynamics were described using simple 
mathematical  models.  An  “engineering  workflow”  was  established  that  incorporated  quantitative  design, 
physical construction, experimental measurement and hypothesis-driven debugging (Cameron et al. 2014).  
A major challenge of synthetic biology is that the focus of biological engineering shifts from individual genes to 
entire genomes. Despite major advances, designing and building a genome to produce the desired phenotype 
has  proven  exceedingly  difficult,  as  phenotypes  need  to  be  accurately  predicted  from  genotype.  Genome 
engineering aims at constructing a genotype that gives rise to a desired phenotype, an approach that requires 
identifying the number of changes that have to be made to an existing genome. According to Esvelt and Wang 
(2013) a genome-scale approach involves sequence modifications to at least two distinct regions of a genome. 
Such  approach  requires  sophisticated  genome  design  tools,  and  genomic  designs  need  powerful  predictive 
models. 
Whole genome engineering included the synthesis of the Mycoplasma mycoides genome (Gibson et al. 2010), 
the design of synthetic chromosome arms that lacked unstable elements in yeast (Dymond et al. 2011), or the 
redesign  of  a  fully  functional  chromosome  III,  again  removing  all  elements  potentially  causing  instabilities 
(Annaluru et al. 2014). 
Currently large-scale de novo synthesis of a genome is more demanding than editing an existing genome, and 
may  fail  even  due  to  small  errors  in  essential  genes  (Esvelt  and  Wang  2013).  However,  it  is  the  method  of 
choice  for  larger-scale  alterations.  In  any  case  the  approach  currently  involves  step-wise  construction  and 
testing of intermediates (high-throughput sequencing, phenotypic and functional tests) to check whether the 
design goals have been met. 
Successful designing aims at a dedicated objective under various constraints (i.e. the context), which should be 
reached by defining a set of specifications (Esvelt and Wang 2013). Despite recent successes in prediction of 
genotype-to-phenotype  behaviour  (Karr  et  al.  2012),  biological  complexity,  combinatorial  variations,  and 
computational limitations restrict predictive modelling. Biological complexity is believed to be one of the most 
significant  barriers to rational genome  design. As an alternative  to in silico prediction empirical analysis and 
next  generation  sequencing  approaches  may  contribute  to  genomic  designs  (Esvelt  and  Wang  2013).  One 
approach  to  collect  suitable  data  is  genome-scale  mutagenesis.  Various  mutagenesis  techniques,  including 
recombinases,  zinc-finger  nucleases,  transcription  activator-like  (TAL)  effector  nucleases,  clustered  regularly 
interspaced  short  palindromic  repeat  (CRISPR)  nucleases,  etc.,  are  available,  but  suitable  techniques  for 
multiplexed  genome  engineering  are  still  under  development.  Esvelt  and  Wang  (2013)  suggested  Multiplex 
Automated Genome Engineering (MAGE) that makes use of an oligo to precisely engineer sites in the genome.  

---