代谢通量

核心定义：代谢通量（通常用符号 J 表示）是化学反应速率在代谢网络背景下的体现。单位通常为毫摩尔/克干细胞重/小时或毫摩尔/升/小时。

系统视角：通量不是孤立的反应速率，而是受到整个代谢网络的化学计量、热力学和调控约束的综合结果。它代表了代谢系统的“流量分布图”。 ADFASDFAF23RQ23R

通量分布：指在稳态或准稳态下，网络中所有反应通量值的集合，构成了该条件下的代谢表型。

1. 反映生理功能：通量直接关联到细胞的功能输出，如生物质合成速率、产物产率、ATP生成速率等。
2. 揭示调控瓶颈：通量分布可以识别限制整个网络性能的关键节点或限速步骤，这是代谢工程改造的重要靶点。
3. 连接基因型与表型：通量是基因表达、蛋白质丰度、酶活性和代谢物浓度的最终功能整合体现。
4. 动态性：通量随细胞生长阶段、营养条件和外界扰动而动态变化。

代谢通量分析通常分为两大互补策略： ADSFAEQWER353423413434

1. 基于约束的建模分析（理论预测）
   • 通量平衡分析（Flux Balance Analysis, FBA）：这是最核心和应用最广的方法。
     • 原理：在稳态假设下，利用代谢网络的化学计量矩阵（描述所有反应的物质平衡关系），结合物理化学约束（如不可逆反应方向）和生物学目标函数（如最大化生物质生长速率），计算出一组满足所有约束的、最优的代谢通量分布。
     • 优点：无需详细的动力学参数，仅需基因组注释和网络拓扑即可进行全基因组尺度预测。常用于指导代谢工程和预测基因敲除效应。
     • 局限性：提供的是理论最优解或可行解空间，不一定是细胞实际采用的状态；无法直接获得通量绝对值。
2. 实验驱动的通量测定（实验测量）
   • ¹³C 代谢通量分析（¹³C-MFA）：是实验测定通量的金标准。
     • 原理：用¹³C标记的底物（如 [1-¹³C]葡萄糖）培养细胞。¹³C原子在代谢网络中流动，其标记模式会随着不同分流比例而变化。通过质谱或核磁共振测定代谢物中¹³C的分布（如质量同位素分布），结合化学计量模型进行逆运算，推算出网络中的真实通量分布。
     • 优点：提供细胞内真实、定量的通量数据；能区分看似相同的网络分流（如磷酸戊糖途径的通量）。
     • 局限性：实验复杂、成本高；分析需要复杂的数学模型。
3. 通量组学（Fluxomics）：旨在高通量、系统地测定和分析不同条件下代谢通量的变化，与基因组学、蛋白质组学、代谢组学并列，是系统生物学的重要支柱。

1. 网络重建：构建目标生物（细胞或组织）的代谢反应网络，明确所有代谢物和反应的化学计量关系。
2. 实验设计：对于¹³C-MFA，需要精心选择标记底物和测量目标代谢物。
3. 数据采集：测量细胞生长速率、底物消耗、产物生成等宏观生理数据，以及¹³C标记模式数据。
4. 模型构建与计算：整合化学计量、质量平衡、标记平衡等约束，构建数学模型，利用优化算法求解通量分布。
5. 统计分析：评估通量估算的置信区间和统计显著性。

1. 系统生物学与基础研究：
   • 理解细胞在正常和压力条件下的代谢适应策略。
   • 研究癌症、糖尿病等疾病状态下的代谢重编程（如瓦博格效应）。
   • 揭示微生物在不同碳源上的代谢切换。
2. 代谢工程与合成生物学：
   • 理性设计细胞工厂：通过比较野生型和工程菌株的通量分布，识别限制产物合成的瓶颈，指导基因过表达、敲除或引入新路径。
   • 优化发酵过程：根据通量分析调整培养条件，最大化目标产物（如抗生素、氨基酸、生物燃料）的产率。
   • 指导菌株进化：分析高产菌株的通量特征，理解其高产机制。
3. 生物技术与医学：
   • 药物靶点发现：识别病原体（如结核分枝杆菌、疟原虫）生存所必需、但宿主细胞中不存在或非必需的通路节点作为潜在药物靶点。
   • 疾病诊断：研究特定疾病中发生的特征性通量改变，作为潜在的诊断指标。
   • 组织与系统代谢：将通量分析扩展到组织（如肝脏、心脏）甚至全身水平，研究器官间的代谢物交换和整体代谢稳态。

• Stephanopoulos, G. N., Aristidou, A. A., & Nielsen, J. (1998). Metabolic Engineering: Principles and Methodologies. Academic Press.
• Wiechert, W. (2001). ¹³C Metabolic Flux Analysis. Metabolic Engineering, 3(3), 195–206.
• Orth, J. D., Thiele, I., & Palsson, B. Ø. (2010). What is flux balance analysis? Nature Biotechnology, 28(3), 245–248.
• Zamboni, N., Fendt, S. M., Rühl, M., & Sauer, U. (2009). ¹³C-based metabolic flux analysis. Nature Protocols, 4(6), 878–892.
• Crown, S. B., & Antoniewicz, M. R. (2013). Parallel labeling experiments and metabolic flux analysis: Past, present and future methodologies. Metabolic Engineering, 16, 21–32.
• Fong, S. S., & Palsson, B. Ø. (2004). Metabolic gene–deletion strains of Escherichia coli evolve to computationally predicted growth phenotypes. Nature Genetics, 36(10), 1056-1058.
• Sauer, U. (2006). Metabolic networks in motion: ¹³C-based flux analysis. Molecular Systems Biology, 2(1), 62.
• 张以顺, 彭世峰, & 黄春华. (2015). 代谢通量分析及其在代谢工程中的应用. 生物工程学报, 31(6), 869-882.
• 刘伟, & 赵学明. (2007). 通量平衡分析在代谢网络研究中的应用. 生物技术通报, (4), 59-63.