# Construction of Synthetic Fitness Landscapes via Bioorthogonal Activity-Based Probes Enables Real-Time Observation of Evolutionary Dynamics

## Metadata

- **SPORE ID**: SPR-2026-66E7
- **Domaines**: Chemical Biology x Evolutionary Biology
- **Date de generation**: 2026-04-19
- **Panel consensus score**: 6.5/10
- **Novelty score**: 0.8/1.0
- **Panel verdict**: publish_brief

## Abstract

If a cellular population is subjected to a selection pressure where growth rate is quantitatively coupled to the activity of a target enzyme via an activity-based probe (ABP), and if the ABP's fluorescence signal is calibrated to cellular fitness, then the population's mean fluorescence intensity will shift by 1.5- to 3.0-fold over 50-100 generations, because selection will enrich for genetic variants that optimize the target activity to maximize growth under the imposed chemical constraint.

The proposed mechanism involves 4 causal steps: (1) An ABP with a fluorophore (e.g., TAMRA) and a reactive warhead binds covalently  -> (2) The fluorescence intensity of labeled cells, measured by flow cytometry, is quan -> (3) Cell survival and growth rate in the selection environment are made dependent on -> (4) Spontaneous mutations in the target gene or its regulators generate phenotypic v.

Literature grounding on 7 verified references yields a novelty score of 0.8 (novel). A 3-phase experimental protocol (budget: €25k-120k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.5/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If a cellular population is subjected to a selection pressure where growth rate is quantitatively coupled to the activity of a target enzyme via an activity-based probe (ABP), and if the ABP's fluorescence signal is calibrated to cellular fitness, then the population's mean fluorescence intensity will shift by 1.5- to 3.0-fold over 50-100 generations, because selection will enrich for genetic variants that optimize the target activity to maximize growth under the imposed chemical constraint.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| ABP concentration | continuous | 0.1-10.0 | μM |
| Selection duration | continuous | 10-100 | generations |
| Initial genetic diversity (mutation rate) | continuous | 1e-8 - 1e-6 | mutations/base/generation |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Population mean fluorescence intensity (MFI) | continuous | increase | arbitrary fluorescence units (AFU) |
| Coefficient of variation (CV) of fluorescence | continuous | non-monotonic | percentage (%) |
| Population growth rate (μ) | continuous | increase | generations/hour |
| Frequency of 'cheater' phenotypes (efflux/permability mutants) | continuous | increase | percentage of population (%) |

### 1.3 Chaine causale

1. Step 1: An ABP with a fluorophore (e.g., TAMRA) and a reactive warhead binds covalently and stoichiometrically to the active site of a target essential enzyme (e.g., a bacterial β-lactamase or essential kinase).
1. Step 2: The fluorescence intensity of labeled cells, measured by flow cytometry, is quantitatively correlated (R² > 0.85) with the in vitro catalytic activity (kcat/Km) of the enzyme variant they express, as established in Phase 0 using a panel of defined mutants.
1. Step 3: Cell survival and growth rate in the selection environment are made dependent on the enzymatic activity of the labeled target, creating a synthetic fitness landscape where fitness ∝ fluorescence intensity.
1. Step 4: Spontaneous mutations in the target gene or its regulators generate phenotypic variance in fluorescence. Natural selection enriches variants with higher fluorescence (and thus higher enzymatic activity), causing a quantifiable rightward shift in the population's fluorescence distribution over generations.

**Hypotheses cles :**

- The ABP labeling is specific, stoichiometric, and its signal linearly correlates with functional enzyme concentration under in vivo conditions.
- The imposed selection pressure directly links the target enzyme's activity to cellular fitness, with minimal alternative survival pathways (e.g., metabolic bypass) during the experimental timeframe.
- Genetic variation in the target locus is sufficient to generate selectable phenotypic diversity within the population size used (Nₑ > 10⁷).

**Inconnues identifiees :**

- The degree to which non-target mechanisms (e.g., probe efflux, degradation, or off-target binding) will contribute to the fluorescence phenotype and be co-selected.
- The prevalence and strength of epistatic interactions that will constrain or alter evolutionary trajectories on the synthetic landscape.
- The stability of the fluorescence-fitness correlation under strong selective pressure and potential genetic drift.

### 1.4 Conditions aux limites

- **The target enzyme must be essential or confer a strong growth advantage (>10% difference in μ) under the chosen selective conditions.** — A weak selection coefficient (s < 0.01) will be overcome by genetic drift in experimentally feasible population sizes, preventing observable directional evolution.
- **The cellular background must have a basal mutation rate ≥ 1e-8 mutations/base/generation.** — Lower mutation rates will not generate sufficient genetic diversity in the target locus within 100 generations to observe adaptation from de novo mutations.
- **The ABP must be used at a concentration below saturation (≤ 5x KM) of the ancestral enzyme.** — Saturating probe concentrations mask differences in enzyme activity, flattening the fitness landscape and removing the selective advantage of improved variants.
- **Experiments must be conducted in well-mixed, constant environments (e.g., chemostat or serial dilution in controlled medium).** — Spatial heterogeneity or fluctuating resources introduce confounding variables that obscure the direct link between the synthetic chemical pressure and fitness.

### 1.5 Cadre theorique

Fisher's Geometric Model of Adaptation / Genotype-Phenotype-Fitness Mapping

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2025] Biophysical fitness landscape design traps viral evolution** — [10.1101/2025.03.30.646233](https://doi.org/10.1101/2025.03.30.646233)
  - Similarite: related
  - Difference cle: This paper introduces principles for designing and tuning biophysical fitness landscapes to control evolutionary outcomes, which is conceptually aligned with the hypothesis. However, it focuses on computational design of landscapes for viral evolution, not on using chemical biology tools (ABPs, bioorthogonal reporters) to construct synthetic, trackable landscapes in vivo where fitness is directly coupled to a measurable chemical phenotype.
- **[2019] Comprehensive AAV capsid fitness landscape reveals a viral gene and enables machine-guided design** — [10.1126/science.aaw2900](https://doi.org/10.1126/science.aaw2900)
  - Similarite: related
  - Difference cle: This paper maps a comprehensive fitness landscape for AAV capsids using high-throughput mutagenesis and phenotypic screening. It demonstrates the power of empirical fitness landscapes. The key difference is that this landscape is constructed retrospectively from genotype-phenotype mapping, not prospectively by applying a defined, synthetic chemical selection pressure (like an ABP) to drive and track evolution in real-time.
- **[2019] Adaptive Landscapes in the Age of Synthetic Biology** — [10.1093/molbev/msz004](https://doi.org/10.1093/molbev/msz004)
  - Similarite: related
  - Difference cle: This review redefines adaptive landscapes in terms of biological processes and discusses their utility in synthetic biology. It supports the conceptual framework but does not provide specific examples of using chemical probes to create synthetic selection pressures for real-time evolutionary tracking.

### 2.2 Base de preuves

- **[2025] Biophysical fitness landscape design traps viral evolution** — [10.1101/2025.03.30.646233](https://doi.org/10.1101/2025.03.30.646233)
  - Type: analogous | Citations: 1
  - Provides a direct conceptual parallel: the paper introduces 'fitness landscape design (FLD)' as a methodology to customize fitness landscapes and control evolutionary outcomes. This aligns with the hypothesis's goal of constructing synthetic landscapes.
- **[2019] Comprehensive AAV capsid fitness landscape reveals a viral gene and enables machine-guided design** — [10.1126/science.aaw2900](https://doi.org/10.1126/science.aaw2900)
  - Type: indirect | Citations: 301
  - Demonstrates the power and utility of empirically mapping high-resolution fitness landscapes, a core goal of the hypothesis. Shows that complex phenotypic traits (production, immunity, biodistribution) can be quantified across a vast sequence space.
- **[2019] Adaptive Landscapes in the Age of Synthetic Biology** — [10.1093/molbev/msz004](https://doi.org/10.1093/molbev/msz004)
  - Type: indirect | Citations: 30
  - Argues for a redefinition of adaptive landscapes based on biological processes and highlights their importance in synthetic biology. This provides a theoretical foundation for the hypothesis's aim to bridge evolutionary models with synthetic tools.
- **[2024] Fitness Landscapes and Evolution of Catalytic RNA.** — [10.1146/annurev-biophys-030822-025038](https://doi.org/10.1146/annurev-biophys-030822-025038)
  - Type: analogous | Citations: 6
  - Discusses the mapping of fitness landscapes for catalytic RNA, a key model system in synthetic biology. It highlights the technical challenge of mapping landscapes, which the hypothesis aims to address with a new chemical biology approach.
- **[2019] Learning from protein fitness landscapes: a review of mutability, epistasis, and evolution** — [10.1016/J.COISB.2019.02.006](https://doi.org/10.1016/J.COISB.2019.02.006)
  - Type: indirect | Citations: 17
  - Describes high-resolution protein fitness landscapes generated via deep mutagenesis as an emerging technology to model evolution. Supports the idea that detailed fitness landscapes are valuable, but the reviewed methods are retrospective, not real-time and synthetic as proposed.
- **[2022] Coupling Novel Probes with Molecular Localization Microscopy Reveals Cell Wall Homeostatic Mechanisms in Staphylococcus aureus** — [10.1021/acschembio.2c00741](https://doi.org/10.1021/acschembio.2c00741)
  - Type: analogous | Citations: 5
  - Demonstrates the development and use of novel chemical probes (for peptidoglycan) coupled with super-resolution microscopy to track dynamic biological processes (cell wall synthesis/hydrolysis) in living bacteria. This is a key enabling technology for the 'trackable' aspect of the hypothesis.

### 2.3 Contre-preuves et limitations connues

- **[serious] The Promise and Peril of Chemical Probe Negative Controls.**
  - Highlights a major confounding factor in using chemical probes: off-target effects can drive phenotypes, and designing appropriate negative controls is challenging. This is a serious methodological concern for using ABPs as precise, tunable selection pressures, as off-target effects could create confounding fitness contributions.

### 2.4 Evaluation de nouveaute

- **Score**: 0.8/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | If the ABP signal is a valid proxy for fitness, then in Phase 0, the fluorescence intensity of a panel of 10-15 isogenic target enzyme mutants will correlate (Pearson's r > 0.9) with their measured in vitro specific activity and their exponential growth rate in the selective medium. | Correlation coefficient r = 0.90 - 0.98 between MFI and growth rate μ. | Flow cytometry for MFI; plate reader growth curves for μ; purified enzyme kinetics for kcat/Km. | H0: There is no significant correlation (r = 0) between cellular fluorescence intensity and growth rate under selection. | Pearson correlation test with two-tailed p-value, alpha = 0.01, power > 0.9 (n=15 variants). |
| 2 | If evolution occurs on the synthetic landscape, then the population's mean fluorescence intensity (MFI) will increase by 50-200% relative to the ancestral population after 50 generations of continuous culture under selection pressure, with a concurrent increase in mean growth rate of 20-80%. | MFI fold-change: 1.5 - 3.0; Growth rate fold-change: 1.2 - 1.8. | Daily sampling and flow cytometry analysis of MFI; dilution and plating for CFU counts to calculate μ. | H0: The mean fluorescence intensity and growth rate of the evolved population are not significantly different from those of the ancestral population propagated for the same duration. | Two-sample t-test (or Mann-Whitney U test if non-normal) comparing evolved vs. ancestral control populations, alpha = 0.05, with Bonferroni correction for multiple time points. |
| 3 | If 'cheater' strategies (e.g., reduced probe uptake) emerge, then a subpopulation will exhibit a dissociation between fluorescence and growth rate, and the extracellular probe concentration will decrease at a rate >15% faster than in cultures where cheaters are absent. | >10% of the final population will show high growth rate but low fluorescence; extracellular [ABP] depletion rate constant k_cheater > 1.15 * k_wt. | Flow cytometry gating on low-fluorescence/high-growth cells via fluorescent dilution dyes; HPLC-MS quantification of ABP in spent medium. | H0: The rate of extracellular ABP depletion and the proportion of low-fluorescence/high-growth cells are identical in evolving populations and non-evolving controls. | Chi-squared test for proportion of cheaters; ANCOVA for comparison of ABP depletion slopes between populations. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €25k-120k

### 4.1 Phase 1 — In Silico Validation & Landscape Modeling

**Objectif**: To computationally test the core assumptions of the hypothesis: 1) that a linear fluorescence-fitness relationship can be established and maintained under selection, and 2) that sufficient genetic diversity will arise to produce observable phenotypic shifts within 100 generations, given realistic mutation rates and population sizes.

**Methodologie**: A. **Agent-Based Stochastic Simulation (Core Model):** Develop a Wright-Fisher simulation in Python (using libraries like NumPy, SciPy, and DEAP) with a population of N=10^7 agents. Each agent has a genotype (target enzyme gene sequence) mapped to a phenotype (enzyme activity, kcat/Km) via a pre-defined fitness landscape (e.g., NK model or a simple additive model). Phenotype maps to fluorescence intensity (MFI) with added Gaussian noise (CV=10-20%) to model measurement and biological noise. Fitness is directly proportional to MFI. Simulate evolution over 100 generations with a per-base mutation rate of 1e-8 to 1e-6. Track population MFI, growth rate, and genotype diversity.

B. **Parameter Space Exploration & Sensitivity Analysis:** Use SALib (Sensitivity Analysis Library in Python) to perform a global sensitivity analysis (Sobol method) on key parameters: mutation rate, selection strength (slope of fitness-MFI line), population size, heritability of fluorescence, and the probability of 'cheater' emergence (modeled as a mutation that decouples fluorescence from fitness). Identify critical thresholds for observable evolution.

C. **Prediction of Cheater Dynamics:** Implement a sub-model where a 'cheater' genotype (e.g., efflux mutant) has a growth advantage but lower MFI. Compete it against 'honest' variants to predict the conditions (e.g., cost of honesty, probe concentration) under which cheaters invade and dominate.

- Cout: €0-1,500 (compute time, possible software licenses)
- Duree: 3-6 weeks
- Equipement: Standard workstation (16+ GB RAM)
- Logiciels: Python 3.9+ with NumPy, SciPy, pandas, matplotlib, SALib, DEAP, Jupyter Notebook for analysis, Git for version control

**Criteres de succes :**

- Model Validation - Correlation between simulated and theoretical expectation: Simulated population genetics (e.g., fixation probability of a beneficial mutation) must match classical Wright-Fisher predictions within 5% error for neutral and strong selection (s>0.1) scenarios.
- Phase 1 Go/No-Go Prediction: The simulation must predict a ≥1.5-fold increase in population MFI within 100 generations for >70% of runs under a 'baseline' parameter set (N=1e7, μ=1e-7, selection strength s per unit MFI > 0.01).

- **GO**: Success criteria are met, and sensitivity analysis indicates the proposed experimental parameters (population size, mutation rate) are sufficient to observe evolution with high probability (>70%).
- **NO-GO**: Simulations show that under all realistic parameter combinations, the expected MFI shift is <1.2-fold OR cheater phenotypes are predicted to dominate the population (>50%) within 50 generations, making the core signal unobservable.
- **PIVOT**: Simulations indicate success is highly sensitive to a single parameter (e.g., population size must be >1e9). Pivot to redesigning Phase 2 around achieving that parameter (e.g., using a morbidostat instead of serial dilution).

### 4.2 Phase 2 — Minimal Experimental Proof-of-Concept

**Objectif**: To empirically validate the foundational correlation between ABP signal and cellular fitness using a defined panel of mutants, and to observe the initial steps of evolution in a short-term, small-scale continuous culture.

**Methodologie**: A. **System Construction & Calibration (Phase 0 Validation):**
    1. **Strain & Probe:** Use E. coli BW25113 expressing a chromosomal copy of TEM-1 β-lactamase. Use a commercially available, cell-permeable β-lactamase ABP (e.g., TAMRA-conjugated penicillin sulfone).
    2. **Mutant Panel:** Assemble a panel of 10-12 isogenic strains with defined point mutations in TEM-1 (from literature/databases) covering a range of catalytic efficiencies (kcat/Km).
    3. **Correlation Assay:** For each mutant: (i) Measure in vitro kcat/Km using purified enzyme and nitrocefin hydrolysis. (ii) Measure in vivo MFI via flow cytometry (BD Accuri C6) after ABP labeling at sub-saturating concentration (e.g., 1 μM). (iii) Measure growth rate (μ) in selective medium containing a non-lethal, hydrolyzable β-lactam (e.g., ampicillin 5 μg/mL) that makes fitness proportional to β-lactamase activity.

B. **Short-Term Evolution (Pilot):** Initiate a 10-20 generation evolution experiment in biological triplicate. Start with the ancestral TEM-1 strain in a controlled turbidostat (e.g., a homemade 50 mL vessel or a small-scale bioreactor) with selective medium + ABP. Sample daily for flow cytometry (MFI, CV) and growth rate measurement. Extract genomic DNA at endpoint and perform deep sequencing (Illumina MiSeq) of the TEM-1 locus to identify selected mutations.

- Cout: €8,000-15,000 (ABP synthesis/purchase, NGS sequencing, consumables)
- Duree: 2-3 months
- Equipement: Flow cytometer (e.g., BD Accuri C6), Plate reader for growth curves & kinetics (e.g., BioTek Synergy H1), Microbial bioreactor/turbidostat system (e.g., DASGIP parallel system or homemade), PCR thermocycler, Gel electrophoresis system
- Logiciels: FlowJo for cytometry analysis, Prism/GraphPad for statistics, Geneious or CLC Bio for NGS analysis

**Criteres de succes :**

- Fluorescence-Fitness Correlation (Prediction 1): Pearson's r > 0.85 between MFI and growth rate (μ) for the panel of 10-12 mutants.
- Initial Evolutionary Shift: A statistically significant (p < 0.05, t-test) increase in population MFI of ≥10% after 20 generations of continuous selection, relative to a control population propagated without selection pressure.

- **GO**: Both success criteria are met. The strong correlation validates the probe as a fitness proxy, and the observable shift demonstrates evolution is occurring on the synthetic landscape.
- **NO-GO**: Correlation r < 0.7, indicating the ABP signal is a poor proxy for fitness under the chosen conditions. OR No significant MFI increase is observed, suggesting selection pressure is too weak or landscape is flat.
- **PIVOT**: Correlation is strong (r > 0.85) but no MFI shift is seen. Pivot to increasing selection pressure (higher antibiotic concentration) or using a hypermutator strain to boost diversity for Phase 3.

### 4.3 Phase 3 — Full Experimental Validation & Characterization

**Objectif**: To rigorously test the central hypothesis by running long-term evolution experiments, fully characterizing the evolutionary dynamics, genetic basis, and potential escape mechanisms ('cheaters').

**Methodologie**: A. **Long-Term Evolution Experiment (50-100 generations):** Scale up the Phase 2 setup to 6 independent replicate lines (3 evolved under selection+ABP, 3 control lines in selection only). Use robust chemostats or morbidostats for precise generation counting and constant selection pressure. Sample every 10 generations for deep phenotypic (MFI, growth rate, cheater analysis) and genotypic (whole-population amplicon sequencing of target locus) analysis.

B. **Comprehensive Phenotypic Characterization:**
    1. **Cheater Detection:** Use a fluorescent dilution dye (e.g., CellTrace Violet) in combination with ABP labeling to identify cells with high division rates but low ABP signal via flow cytometry. Isolate putative cheaters by FACS for further study.
    2. **Probe Fate Analysis:** Quantify extracellular ABP depletion over time using HPLC-MS/MS. Compare depletion kinetics between evolving and control populations.
    3. **Fitness Validation:** Perform head-to-head competition assays between evolved clones and the ancestor under the selective regime, measuring the selection coefficient (s).

C. **Genetic & Mechanistic Dissection:** Perform whole-genome sequencing (Illumina NovaSeq) on multiple evolved clones and endpoint populations. Use CRISPR-interference or targeted mutagenesis to validate the causal role of identified mutations (e.g., in the target gene, regulators, or efflux pumps) in the evolved phenotype.

- Cout: €60,000-120,000+ (long-term culturing, NGS, HPLC-MS/MS time, personnel)
- Duree: 6-12 months
- Equipement: High-throughput flow cytometer with cell sorter (e.g., BD FACSAria III), HPLC-MS/MS system, Next-generation sequencer (Illumina NovaSeq 6000 access via core facility), Multiple chemostat/morbidostat systems
- Logiciels: Advanced NGS analysis pipelines (breseq, GATK), Mass spectrometry analysis software (e.g., Skyline), FACS sorting software

**Criteres de succes :**

- Evolutionary Shift (Prediction 2): Mean Fluorescence Intensity (MFI) increases by 1.5- to 3.0-fold in all replicate evolved populations after 50 generations, with a concurrent significant increase in growth rate (1.2-1.8 fold).
- Cheater Emergence (Prediction 3): >10% of the final evolved population exhibits a 'low-fluorescence/high-growth' phenotype, and the extracellular ABP depletion rate is significantly faster (k_evolved > 1.15 * k_control).

- **GO**: Prediction 2 is confirmed (significant MFI and growth rate increase), regardless of cheater outcome. This validates the core hypothesis that a synthetic fitness landscape can be constructed and observed in real-time.
- **NO-GO**: No significant MFI increase is observed in any replicate after 100 generations, falsifying the central hypothesis.
- **PIVOT**: MFI increases but is entirely driven by cheater mechanisms (e.g., efflux upregulation), not by improved target enzyme activity. Pivot the study's focus to understanding and controlling cheater evolution in synthetic biology applications.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Download and install a Python distribution (e.g., Anaconda). Clone or set up a Git repository for the project. Write the skeleton of the Wright-Fisher simulator, starting with a simple model where genotype is a single number, phenotype = genotype + noise, and fitness = phenotype.
- **Outils**: Computer with internet, Python/Anaconda, Git, Text editor/IDE (e.g., VS Code)
- **Donnees ouvertes**: EMBL-EBI Enzyme Database for kinetic parameters, Protein Mutant Database (PMD) for TEM-1 variants, GitHub repositories for existing evolution simulators (e.g., 'WFsim')

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.8/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 5.5/10

**Forces :**
- Adresse un besoin critique de l'industrie biopharma pour le monitoring en temps réel de l'évolution microbienne dans les bioréacteurs (marché > $2B pour les technologies de développement de souches).
- Avantage compétitif potentiel de 6-12 mois sur les méthodes NGS conventionnelles pour détecter des variants adaptatifs, permettant une optimisation plus rapide des processus de fermentation.

**Faiblesses :**
- Barrière majeure au déploiement : chaque sonde ABP est spécifique à une enzyme cible, nécessitant un développement sur mesure pour chaque application client, ce qui limite la scalabilité et augmente le coût d'entrée.
- Risque commercial élevé de cannibalisation par des technologies établies de séquençage à haut débit dont les coûts baissent rapidement, sans avantage en coût suffisant pour justifier le changement.

**Recommandation**: Rejeter le financement interne pour le développement produit, mais allouer un budget de €25k pour la Phase 1 (modélisation) afin de quantifier précisément l'avantage en vitesse par rapport au NGS et identifier une enzyme cible 'killer app' avec un marché captif (ex: enzyme critique pour un produit phare en bioproduction). Présenter ces résultats à un partenaire stratégique (ex: Sartorius) pour un co-développement en échange de droits de distribution.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Starting Grant 2025 (ou 2026) | European Research Council | 0.85 | ~1.5M€ sur 5 ans | ~13-15% |
| ANR AAPG Générique 2025 - Jeunes Chercheuses et Jeunes Chercheurs (JCJC) | Agence Nationale de la Recherche (France) | 0.75 | 150k€ - 300k€ sur 3-4 ans | ~20-25% |
| Horizon Europe - EIC Pathfinder Open 2025 | European Innovation Council | 0.7 | Jusqu'à 3-4M€ pour un consortium, sur 3-4 ans | ~5-10% |

- **ERC Starting Grant 2025 (ou 2026)** (European Research Council): Parfait pour une idée pionnière et à haut risque visant à établir une nouvelle méthodologie fondamentale. Le projet propose un 'proof of principle' ambitieux à l'interface de plusieurs disciplines, cœur de cible de l'ERC. Le budget permettrait de financer l'intégralité du protocole et d'étendre la portée.
- **ANR AAPG Générique 2025 - Jeunes Chercheuses et Jeunes Chercheurs (JCJC)** (Agence Nationale de la Recherche (France)): Idéal pour un porteur de projet en début de carrière cherchant à démontrer la faisabilité de son concept innovant. Le budget et la durée sont compatibles avec le protocole proposé (Phases 2 et 3). L'évaluation par les pairs valorise l'originalité et la rigueur méthodologique.
- **Horizon Europe - EIC Pathfinder Open 2025** (European Innovation Council): Convient pour un projet de recherche collaborative exploratoire visant à faire émerger une technologie de rupture. L'approche 'synthetic fitness landscape' pourrait être positionnée comme une future plateforme technologique pour le criblage évolutif ou la biologie fondamentale. Nécessite de construire un consortium européen pluridisciplinaire (min. 3 partenaires de 3 pays).

**Recommandation financement**: Cibler d'abord un financement de type 'exploratoire' ou 'high-risk high-gain' pour la Phase 1 et 2, comme une bourse individuelle ERC ou un projet ANG générique. Sur la base des résultats de preuve de concept, monter un consortium pour un appel collaboratif Horizon Europe visant à développer la plateforme et ses applications (Phase 3).

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 8.2/10 | accept | Protocole structuré en phases avec critères de progression clairs (Go/No-Go/PIVOT), permettant une allocation rationnelle des ressources et une adaptation aux résultats intermédiaires. |
| domain_expert | 6.5/10 | weak_accept | L'hypothèse relie avec ingéniosité deux domaines matures — le profilage de protéines basé sur l'activité (ABPP) et l'évolution expérimentale — pour proposer une méthodologie nouvelle de construction de paysages de fitness synthétiques. L'idée centrale d'utiliser une sonde chimique bioorthogonale pour coupler directement un phénotype moléculaire mesurable (la fluorescence) à la fitness cellulaire est conceptuellement élégante et bénéficie de solides précédents en biologie de synthèse (par exemple, les circuits géniques synthétiques reliant la GFP à la croissance). |
| contrarian | 4.5/10 | weak_reject | L'hypothèse est élégamment réductionniste et tente d'établir un lien quantitatif direct entre un phénotype moléculaire (fluorescence issue du marquage ABP) et la valeur adaptative de l'organisme, ce qui constitue un objectif louable en biochimie évolutive. |
| industrialist | 5.5/10 | weak_reject | Adresse un besoin critique de l'industrie biopharma pour le monitoring en temps réel de l'évolution microbienne dans les bioréacteurs (marché > $2B pour les technologies de développement de souches). |
| funding_strategist | 7.5/10 | accept | Hypothèse à l'interface de la biologie synthétique, de l'évolution expérimentale et de la chimie bioorthogonale, offrant une approche méthodologique innovante pour observer l'évolution en temps réel. |

**Consensus score**: 6.5/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'hypothèse est innovante et méthodologiquement ambitieuse, située à l'interface de plusieurs disciplines (biologie synthétique, évolution expérimentale, chimie bioorthogonale).
- Le protocole proposé est structuré et contient des points de contrôle (Go/No-Go) pertinents, démontrant une planification rigoureuse.
- Le risque principal identifié par tous les experts est la robustesse évolutive du système : la possibilité que l'évolution sélectionne des 'tricheurs' (cheaters) qui découplent le signal de fluorescence de l'activité enzymatique ciblée, invalidant le paysage synthétique.
- Des contrôles expérimentaux supplémentaires sont nécessaires, notamment un contrôle d'évolution en milieu non-sélectif et une validation rigoureuse de la corrélation fluorescence-activité-fitness sur des variants évolués.

### 6.2 Points de desaccord

- L'évaluation de la faisabilité fondamentale : Le méthodologiste et le funding_strategist jugent le projet solide et finançable malgré des améliorations nécessaires, tandis que le domain_expert et le contrarian le considèrent naïf face à la complexité de la carte génotype-phénotype-fitness in vivo.
- La perspective applicative : L'industrialist rejette le projet pour des raisons de scalabilité et de risque commercial, tandis que les autres reviewers l'évaluent principalement sur son mérite scientifique fondamental.
- La sévérité des faiblesses : Le contrarian estime que les raisons d'échec sont si probables qu'elles invalident l'hypothèse dans sa forme actuelle, alors que le méthodologiste les considère comme des risques gérables via des améliorations protocolaires.

### 6.3 Critical path

La validation expérimentale rigoureuse et quantitative de l'hypothèse centrale : que le signal de fluorescence de la sonde ABP reste un proxy fidèle, linéaire et non trichéable de l'activité enzymatique contribuant à la fitness, tout au long d'une expérience d'évolution de 50-100 générations. Ceci nécessite de démontrer que les variants à fluorescence élevée sélectionnés sont bien des meilleurs catalyseurs (vérifié par une méthode orthogonale), et non des 'éponges' à sonde ou des mutants d'échappement.

**Recommandation finale**: Le panel reconnaît la créativité et le potentiel méthodologique de l'hypothèse, mais souligne unanimement sa fragilité conceptuelle face aux réalités de l'évolution moléculaire. La recommandation finale est de publier le brief pour stimuler le débat scientifique, car l'idée est suffisamment provocatrice et structurée pour mériter une exposition à la communauté. Cependant, tout financement ou mise en œuvre expérimentale doit être conditionné à une phase préliminaire de 'dé-risquage' approfondie, visant spécifiquement à tester la robustesse évolutive du système et la fidélité du signal de la sonde ABP dans un contexte d'évolution à long terme.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No direct evidence found for using Activity-Based Probes (ABPs) or bioorthogonal reporters as the primary, long-term selective pressure in an evolution experiment. The papers discuss fitness landscape mapping (ca1303c9f01ec18a1c8421c5d30925dae064f32b, 0421badcc5e120539bdb907c73e949929b61a82f) and probe development for snapshots (33b061f436222cbe26cd14197ff1ba9c1d0b7ac9), but not their sustained application to drive and observe evolutionary trajectories.
- Lack of published examples where a measurable chemical signal (e.g., fluorescence from a bioorthogonal tag) is quantitatively coupled to cellular fitness and used to track adaptation in real-time, as proposed in the hypothesis.
- The provided list lacks papers that explicitly combine the tools of chemical biology (ABPs, bioorthogonal chemistry) with experimental evolution frameworks to test evolutionary hypotheses.

### 7.2 Competence gaps

- Phase 1: Intermediate Python programming
- Phase 1: Basic knowledge of population genetics and stochastic processes
- Phase 2: Standard molecular biology (cloning, PCR)
- Phase 2: Microbial continuous culture
- Phase 2: Flow cytometry
- Phase 2: Basic NGS data analysis
- Phase 3: Advanced microbial evolution experiment design
- Phase 3: HPLC-MS/MS operation
- Phase 3: Whole-genome sequencing analysis
- Phase 3: FACS sorting

### 7.3 Epistemic gaps

- The degree to which non-target mechanisms (e.g., probe efflux, degradation, or off-target binding) will contribute to the fluorescence phenotype and be co-selected.
- The prevalence and strength of epistatic interactions that will constrain or alter evolutionary trajectories on the synthetic landscape.
- The stability of the fluorescence-fitness correlation under strong selective pressure and potential genetic drift.

## References

[1] Vaibhav Mohanty, Eugene I. Shakhnovich (2025). *Biophysical fitness landscape design traps viral evolution*. DOI: [10.1101/2025.03.30.646233](https://doi.org/10.1101/2025.03.30.646233)
[2] Pierce J. Ogden, Eric D. Kelsic, et al. (2019). *Comprehensive AAV capsid fitness landscape reveals a viral gene and enables machine-guided design*. DOI: [10.1126/science.aaw2900](https://doi.org/10.1126/science.aaw2900)
[3] Xiao Yi, A. Dean (2019). *Adaptive Landscapes in the Age of Synthetic Biology*. DOI: [10.1093/molbev/msz004](https://doi.org/10.1093/molbev/msz004)
[4] Ranajay Saha, A. Vázquez-Salazar, et al. (2024). *Fitness Landscapes and Evolution of Catalytic RNA.*. DOI: [10.1146/annurev-biophys-030822-025038](https://doi.org/10.1146/annurev-biophys-030822-025038)
[5] Emily C. Hartman, D. Tullman-Ercek (2019). *Learning from protein fitness landscapes: a review of mutability, epistasis, and evolution*. DOI: [10.1016/J.COISB.2019.02.006](https://doi.org/10.1016/J.COISB.2019.02.006)
[6] Victoria A Lund, Haneesh Gangotra, et al. (2022). *Coupling Novel Probes with Molecular Localization Microscopy Reveals Cell Wall Homeostatic Mechanisms in Staphylococcus aureus*. DOI: [10.1021/acschembio.2c00741](https://doi.org/10.1021/acschembio.2c00741)
[7] Jinyoung Lee, M. Schapira (2021). *The Promise and Peril of Chemical Probe Negative Controls.*. DOI: [10.1021/acschembio.1c00036](https://doi.org/10.1021/acschembio.1c00036)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 8.2/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: Protocole structuré en phases avec critères de progression clairs (Go/No-Go/PIVOT), permettant une allocation rationnelle des ressources et une adaptation aux résultats intermédiaires.; Approche multi-échelle robuste combinant modélisation in silico, validation préliminaire sur mutants définis, et expérience d'évolution à long terme avec réplicats indépendants.; Identification proactive et quantification des biais potentiels majeurs (phénotypes 'tricheurs', découplage signal-fitness) avec des méthodes de détection spécifiques intégrées au protocole (marqueur de dilution, HPLC-MS).
- **Weaknesses**: La puissance statistique pour la Phase 2 (n=3 réplicats biologiques) est marginale pour détecter une augmentation de MFI de 10% avec une variabilité inconnue. Un calcul formel de puissance et un n plus élevé (n>=6) seraient nécessaires.; Le contrôle pour la dérive génétique et l'évolution adaptative non-spécifique est insuffisant. Les 'contrôles' en Phase 3 sont en milieu sélectif sans ABP, mais pas en milieu non-sélectif. Un contrôle en milieu riche (pas de sélection) est crucial pour isoler l'effet du paysage synthétique.; Le risque de biais de mesure par photoblanchiment ou modification chimique de la sonde ABP au cours des 100 générations n'est pas adressé. Aucun protocole de recalibration périodique du signal de fluorescence ou de contrôle de stabilité de la sonde n'est mentionné.
- **Questions**: Pour la Phase 3, quel est le plan d'analyse statistique précis pour les données longitudinales (MFI sur 10 points temporels) ? Une ANOVA à mesures répétées ou un modèle mixte est-il prévu, plutôt que des tests t indépendants à chaque point, pour contrôler l'inflation du taux d'erreur de type I ?; Comment la concentration extracellulaire d'ABP sera-t-elle maintenue constante dans le chémostat/morbidostat, compte tenu de sa déplétion potentielle par les cellules et de sa possible dégradation ? Un système d'alimentation en boucle fermée est-il prévu, ou simplement des renouvellements périodiques ?; La corrélation initiale (Phase 2A) entre MFI et fitness est établie sur des mutants ponctuels. Cette relation linéaire est-elle garantie pour les mutants émergents lors de l'évolution, qui pourraient affecter d'autres traits (perméabilité, expression) et biaiser le signal ? Un contrôle de validation de cette relation sur des clones évolués isolés est-il prévu en Phase 3C ?
- **Recommendation**: Le protocole est ambitieux et méthodologiquement solide dans son architecture globale. Je recommande son financement sous réserve de renforcer les contrôles expérimentaux et l'analyse statistique. Avant la Phase 3, il faut : 1) Ajouter un contrôle d'évolution en milieu non-sélectif pour isoler la pression de sélection spécifique à l'ABP. 2) Effectuer un calcul de puissance formel pour déterminer le nombre de réplicats nécessaires en Phase 2 et 3. 3) Prévoir un protocole de stabilité et de recalibration de la sonde ABP pour les expériences à long terme.

#### Domain Expert

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.8
- **Strengths**: L'hypothèse relie avec ingéniosité deux domaines matures — le profilage de protéines basé sur l'activité (ABPP) et l'évolution expérimentale — pour proposer une méthodologie nouvelle de construction de paysages de fitness synthétiques. L'idée centrale d'utiliser une sonde chimique bioorthogonale pour coupler directement un phénotype moléculaire mesurable (la fluorescence) à la fitness cellulaire est conceptuellement élégante et bénéficie de solides précédents en biologie de synthèse (par exemple, les circuits géniques synthétiques reliant la GFP à la croissance).; La chaîne causale proposée est logiquement solide et s'appuie sur des principes bien établis : 1) les ABP peuvent rapporter l'activité enzymatique in vivo, 2) l'activité enzymatique peut être liée à la fitness via l'essentialité conditionnelle ou l'auxotrophie synthétique, et 3) la sélection agira sur la variation héritable de cette activité. La référence au preprint de 2025 sur la « conception de paysages de fitness » témoigne d'une connaissance du cadre conceptuel de pointe.
- **Weaknesses**: L'hypothèse sous-estime de manière critique la complexité de la carte génotype-phénotype-fitness in vivo. Le postulat selon lequel l'intensité de fluorescence sera corrélée linéairement (R² > 0,85) au kcat/Km in vitro à travers les variants génétiques est hautement optimiste. In vivo, des facteurs tels que l'expression protéique, le repliement, la localisation et le métabolisme cellulaire découpleront le signal de la sonde des paramètres enzymatiques intrinsèques, ajoutant un bruit substantiel et pouvant potentiellement créer des variants à forte fluorescence non fonctionnels (par exemple, via une amélioration de la liaison de la sonde sans amélioration de la catalyse).; Le mécanisme proposé pour créer un paysage de fitness synthétique où « fitness ∝ intensité de fluorescence » est physiquement et évolutivement fragile. Il exige une pression de sélection parfaitement ajustée, sans voies de survie alternatives. En pratique, l'évolution trouvera rapidement des stratégies de triche : surexpression des pompes d'efflux pour réduire l'incorporation de la sonde, mutation du site de liaison de la sonde pour empêcher le marquage tout en conservant l'activité, ou activation de voies métaboliques de contournement. Le cadre temporel de 50 à 100 générations est probablement suffisant pour de telles échappements, qui briseraient la corrélation fluorescence-fitness et invalideraient le paysage.
- **Questions**: Comment allez-vous valider expérimentalement le postulat central — à savoir que le signal de fluorescence in vivo de votre ABP est un rapporteur fidèle et linéaire de la contribution fonctionnelle de l'enzyme cible à la fitness — sur un ensemble diversifié de mutants, et non simplement un rapporteur de l'accessibilité ou de la concentration de la sonde ? Un contrôle utilisant un inhibiteur compétitif non réactif pourrait aider à disséquer cela.; Compte tenu de la propension connue de l'évolution à trouver des « courts-circuits » génétiques aux pressions de sélection synthétiques, quelles contraintes génétiques et chimiques spécifiques mettrez-vous en œuvre pour forcer l'évolution à parcourir le paysage prévu (optimisation de l'activité de l'enzyme cible) plutôt qu'à s'en échapper ? Par exemple, en utilisant une enzyme faisant partie d'une voie métabolique synthétique essentielle et non contournable, ou en couplant la sonde à un système d'activation de prodrogue.
- **Recommendation**: L'hypothèse est innovante et mérite une exploration expérimentale, mais sa formulation actuelle est naïve face aux réalités clés de l'évolution moléculaire et de la biochimie cellulaire. Je recommande une révision importante axée sur des expériences de contrôle rigoureuses visant à valider la corrélation fluorescence-activité-fitness et sur la conception d'un schéma de sélection plus robuste sur le plan évolutif, éventuellement inspiré des systèmes toxine-antitoxine ou de gènes essentiels synthétiques. Une étude pilote dans un modèle microbien à contrôle génétique strict (par exemple, délétion du gène natif et placement d'une bibliothèque de mutants sous un circuit d'essentialité synthétique) constitue une première étape nécessaire.

#### Contrarian

- **Score**: 4.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'hypothèse est élégamment réductionniste et tente d'établir un lien quantitatif direct entre un phénotype moléculaire (fluorescence issue du marquage ABP) et la valeur adaptative de l'organisme, ce qui constitue un objectif louable en biochimie évolutive.; L'inclusion de prédictions spécifiques et testables ainsi que le plan de calibration en Phase 0 (Prédiction 1) témoignent d'une prévoyance méthodologique et fournissent un point de falsification clair pour le postulat central.
- **Weaknesses**: FAIL REASON #1: Le système optimisera le signal de fluorescence, et non l'activité enzymatique. L'échec évolutif le plus probable est la sélection de « tricheurs » qui découplent le signal de la sonde de la fonction enzymatique visée. Des mutations pourraient accroître la fluorescence en : renforçant la liaison non productive de l'ABP (par exemple, à des conformations enzymatiques inactives), modifiant la perméabilité/l'efflux de la sonde pour changer la concentration intracellulaire, augmentant l'expression de protéines hors cible qui lient l'ABP, ou en faisant évoluer des microenvironnements stabilisant le fluorophore. La Prédiction 3 reconnaît cela mais fixe une borne (>10 % de tricheurs) ; je soutiens que les tricheurs domineront (>90 %), car ils offrent une barrière génétique plus basse que l'optimisation de cinétiques enzymatiques précises.; FAIL REASON #2: Le paysage de fitness synthétique imposé est fragile et sera court-circuité par l'adaptation cellulaire globale. L'hypothèse postule des voies de survie alternatives minimales. Cela est biologiquement naïf. Sous forte sélection, les cellules activeront des réponses au stress (par exemple, SOS, choc thermique), réguleront à la hausse les pompes d'efflux, modifieront le métabolisme pour contourner le besoin du produit de l'enzyme « essentielle », ou même muteront l'enzyme vers un variant à spécificité modifiée qui conserve la fonction cellulaire mais peut ne pas lier l'ABP de manière optimale. Le paysage de fitness n'est pas synthétique ; il est intégré dans le réseau génétique complexe et pléiotrope de l'organisme.; FAIL REASON #3: La corrélation requise (R² > 0,85) entre la fluorescence in vivo et le kcat/Km in vitro est improbable de tenir sous pression évolutive. Cette corrélation est la clé de voûte de toute l'hypothèse. Elle postule que l'efficacité de marquage par l'ABP dans les cellules vivantes dépend uniquement et linéairement de l'efficacité catalytique de l'enzyme. En réalité, le marquage in vivo est confondu par la concentration locale, la compétition avec les substrats natifs, l'état redox cellulaire, le potentiel membranaire et les interactions protéine-protéine. Une mutation qui améliore légèrement le kcat/Km en tube à essai pourrait réduire considérablement le marquage in vivo en raison du contexte cellulaire, brisant le lien fluorescence-fitness et conduisant à des faux négatifs ou à des trajectoires évolutives perverses.
- **Questions**: Votre calibration de Phase 0 utilise des mutants définis. Comment exclurez-vous que la corrélation que vous établissez ne soit pas elle-même un artefact de ces mutations spécifiques, fabriquées en laboratoire, et que les mutations spontanées survenant au cours de l'évolution suivront la même relation ? Quel est votre contrôle positif pour montrer qu'une amélioration authentique et sélectionnable de la fonction enzymatique in vivo (validée par une méthode orthogonale, non-ABP) est toujours capturée par votre signal ABP ?; Vous proposez de mesurer la déplétion extracellulaire d'ABP comme signal de tricheur. Quel est votre plan pour détecter les tricheurs intracellulaires qui n'affectent pas la concentration extracellulaire, tels que les mutations qui augmentent le niveau d'expression de l'enzyme (davantage de sites de liaison) sans améliorer son taux de turnover (kcat), produisant ainsi un signal de fluorescence plus élevé pour une enzyme fonctionnellement équivalente ou même moins efficace ? Comment distinguerez-vous la sélection de meilleurs catalyseurs de la sélection de meilleures éponges à ABP ?
- **Recommendation**: Pour passer d’une idée élégante à une hypothèse testable, il faut d’abord réduire le risque du postulat central de fidélité du signal. Je recommande une expérience préalable : mener une expérience d’évolution dirigée pour une fluorescence accrue dans des conditions non sélectives (c’est-à-dire où la fluorescence est le seul trait sélectionnable, découplé de la croissance). Séquencer les clones à fluorescence élevée obtenus. Si certains présentent des mutations qui augmentent la fluorescence sans améliorer (ou en dégradant) la fonction catalytique native de l’enzyme — comme je prédis que ce sera le cas — cela démontre l’instabilité inhérente de votre proxy. L’hypothèse ne devient crédible que si vous pouvez concevoir un système ABP où de telles mutations tricheuses sont structurellement ou mécanistiquement impossibles.

#### Industrialist

- **Score**: 5.5/10 | **Verdict**: weak_reject | **Confidence**: 0.75
- **Strengths**: Adresse un besoin critique de l'industrie biopharma pour le monitoring en temps réel de l'évolution microbienne dans les bioréacteurs (marché > $2B pour les technologies de développement de souches).; Avantage compétitif potentiel de 6-12 mois sur les méthodes NGS conventionnelles pour détecter des variants adaptatifs, permettant une optimisation plus rapide des processus de fermentation.
- **Weaknesses**: Barrière majeure au déploiement : chaque sonde ABP est spécifique à une enzyme cible, nécessitant un développement sur mesure pour chaque application client, ce qui limite la scalabilité et augmente le coût d'entrée.; Risque commercial élevé de cannibalisation par des technologies établies de séquençage à haut débit dont les coûts baissent rapidement, sans avantage en coût suffisant pour justifier le changement.
- **Questions**: Quel est le modèle économique viable ? Les clients (Synlogic, Ginkgo, Novozymes) paieraient-ils une prime pour un gain de temps de 2-3 semaines sur un cycle d'optimisation, ou préfèrent-ils la polyvalence du NGS ?; Comment protéger l'IP au-delà de la méthode générale ? La sonde spécifique est l'élément clé, mais la chimie bioorthogonale est un domaine concurrentiel avec des acteurs majeurs (Merck, Thermo Fisher).
- **Recommendation**: Rejeter le financement interne pour le développement produit, mais allouer un budget de €25k pour la Phase 1 (modélisation) afin de quantifier précisément l'avantage en vitesse par rapport au NGS et identifier une enzyme cible 'killer app' avec un marché captif (ex: enzyme critique pour un produit phare en bioproduction). Présenter ces résultats à un partenaire stratégique (ex: Sartorius) pour un co-développement en échange de droits de distribution.

#### Funding Strategist

- **Score**: 7.5/10 | **Verdict**: accept | **Confidence**: 0.8
- **Strengths**: Hypothèse à l'interface de la biologie synthétique, de l'évolution expérimentale et de la chimie bioorthogonale, offrant une approche méthodologique innovante pour observer l'évolution en temps réel.; Protocole bien structuré avec des critères GO/NO-GO clairs et un budget réaliste pour une preuve de concept, démontrant une planification rigoureuse et une gestion du risque.
- **Weaknesses**: TRL actuel estimé à 2-3 (preuve de concept analytique et expérimentale initiale). Le projet est en amont du développement applicatif, ce qui limite les options de financement orientées innovation.; Le consortium est actuellement implicite ou mono-partenaire. Pour les appels collaboratifs, une équipe pluridisciplinaire (chimistes, biologistes évolutionnistes, biophysiciens, bioinformaticiens) doit être explicitement constituée.
- **Questions**: Quelle est l'enzyme cible spécifique et le système modèle (bactérie, levure) ? La faisabilité de coupler son activité à la fitness de manière linéaire et sans échappatoires ('cheaters') est-elle démontrée dans la littérature ?; Comment comptez-vous valider la spécificité et l'innocuité de la sonde ABP dans le contexte d'une culture à long terme, où des mutations affectant sa perméabilité ou sa réactivité pourraient être sélectionnées ?
- **Recommendation**: Cibler d'abord un financement de type 'exploratoire' ou 'high-risk high-gain' pour la Phase 1 et 2, comme une bourse individuelle ERC ou un projet ANG générique. Sur la base des résultats de preuve de concept, monter un consortium pour un appel collaboratif Horizon Europe visant à développer la plateforme et ses applications (Phase 3).

### B. Semantic Scholar Search Queries

- [novelty] `synthetic fitness landscape chemical probe` — Direct search for the core concept of constructing a measurable fitness parameter using chemical tools.
- [novelty] `activity-based probe evolutionary dynamics tracking` — Seeks prior work using ABPs to monitor evolutionary processes in real time, as proposed.
- [novelty] `bioorthogonal chemistry real-time evolution` — Combines the enabling chemical technology with the biological process to check for existing implementations.
- [novelty] `chemical phenotype evolution probe` — Targets the concept of tracking evolution via a chemical readout rather than genomic sequencing.
- [evidence] `activity-based sensing enzyme evolution` — Seeks evidence that ABPs can be used to detect and quantify changes in enzyme function, a key mechanistic prerequisite.
- [evidence] `bioorthogonal reporter metabolic selection` — Looks for proof-of-concept that bioorthogonal handles can be used to link metabolic state to survival or selection.
- [evidence] `chemical probe drug resistance tracking` — Searches for examples where probes (fluorescent or otherwise) are used to monitor the emergence of resistance, a proposed application.
- [evidence] `fluorescent probe growth coupling` — Finds foundational work on linking fluorescence intensity directly to cellular fitness or proliferation rates.
- [cross_domain] `chemical biology experimental evolution` — Broad search for interdisciplinary work at the intersection of these two fields, likely to reveal methodological precedents.
- [cross_domain] `synthetic biology fitness landscape` — Explores the adjacent field of synthetic biology, which often uses engineered genetic circuits to define fitness, for analogous conceptual frameworks.
- [cross_domain] `directed evolution activity-based probes` — Seeks precedents where ABPs, typically used for profiling, are applied in the context of laboratory-directed evolution.

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-04-19*