¹³C代谢通量分析

¹³C代谢通量分析（¹³C-MFA）是代谢工程和系统生物学中用于准确定量活细胞代谢网络中代谢通量分布的核心实验与计算方法。它通过使用¹³C同位素标记的底物培养细胞，并测量下游代谢物中¹³C的分布模式，结合数学模型反推网络中的真实通量。¹³C-MFA被认为是实验测定细胞内通量的金标准。

ADSFAEQWER353423413434

¹³C-MFA的基本思想是：代谢网络的分支点（如糖酵解与磷酸戊糖途径的分支）会导致¹³C标记原子在不同路径中以不同方式重新排列。通过精确测定这种标记模式（如质量同位素分布或位置异构体分布），可以唯一地推断出各条路径的相对通量。 ADFASDFAF23RQ23R

• 标记实验：用含有¹³C原子的特定位置被标记的底物（如[1-¹³C]葡萄糖，即第一个碳原子为¹³C）培养细胞。
• 标记传递：¹³C原子随代谢流在网络中传递、分流和重排。
• 模式测量：在代谢和同位素双稳态时，收集细胞并提取代谢物（如蛋白质水解氨基酸、中心代谢中间体），使用质谱或核磁共振分析其¹³C标记模式。
• 模型反推：建立包含化学计量反应和碳原子映射的数学模型，将测得的标记模式与模拟的标记模式进行拟合，通过迭代优化，找到一组能最好解释实验数据的通量分布。

实验设计

• 选择标记底物：根据目标通量（如磷酸戊糖途径通量、回补反应）选择最具分辨力的标记位置（如[1,2-¹³C]葡萄糖 vs [U-¹³C]葡萄糖）。
• 培养系统：确保培养达到代谢稳态（代谢物浓度恒定）和同位素稳态（标记模式恒定）。

分析测量

• GC-MS或LC-MS：最常用。测量代谢物衍生化后片段离子的质量同位素分布。
• NMR：提供位置特异性的¹³C信息，可直接判断某个碳原子是否被标记，但灵敏度较低。

建模与计算

• 网络模型：定义包含所有相关反应、碳原子转移路径的代谢网络。
• 同位素标记模型：模拟¹³C原子在网络中的传递过程，预测质量同位素分布（MID）。
• 参数估计：将通量值作为待估参数，使用非线性拟合算法（如Levenberg-Marquardt）寻找使预测MID与实验MID误差最小的通量分布。
• 统计分析：通过蒙特卡洛模拟等方法评估通量估算值的置信区间。

• 高分辨力：能区分化化学计量相同但碳原子走向不同的平行路径（如糖酵解与磷酸戊糖途径）。
• 定量准确：提供细胞内绝对或相对通量的量化数据，而不仅仅是基因或蛋白的表达变化。
• 系统性：同时测定网络内多个相互关联的通量，揭示代谢调控的整体图景。
• 体内验证：反映细胞在其真实生理环境下的实际代谢活动。

• 实验复杂：需要专门的¹³C标记底物、精密的培养控制和昂贵的分析仪器。
• 计算复杂：建模和拟合过程需要专业的生物信息学和计算知识。
• 网络规模限制：传统¹³C-MFA通常聚焦于中心碳代谢等核心网络（约50-100个反应）。扩展到全基因组尺度非常困难。
• 稳态假设：无法直接分析快速动态过程。

代谢工程

• 识别瓶颈：比较野生型和工程菌株的通量分布，准确找出限制目标产物合成的关键节点。
• 指导理性设计：为基因过表达、敲除或引入新通路提供定量依据。
• 验证改造效果：评估代谢工程策略是否按预期改变了代谢流。

系统生物学

• 研究代谢调控：揭示细胞在不同碳源、氮源或环境胁迫下的代谢适应策略。
• 构建高质量模型：为通量平衡分析等约束性模型提供关键的实验验证和数据校正。

生物医学研究

• 癌症代谢：量化癌细胞（如瓦博格效应）的代谢重编程，发现肿瘤特异性的代谢依赖。
• 疾病机制：研究代谢性疾病（如糖尿病）中特定组织或细胞的通量异常。

微生物生理学

阐明工业菌株（如酵母、谷氨酸棒杆菌）的生产生理学。

ADFASDFAF23RQ23R

• 非稳态¹³C-MFA：在标记底物脉冲后短时间内密集取样，可分析动态代谢过程。
• 二维¹³C-MFA：使用多种不同标记模式的底物进行平行实验，极大提高通量分辨力和准确性。
• 基因组尺度¹³C-MFA：整合基因组规模代谢模型与稀疏的标记数据，估算更大网络范围内的通量。
• 计算工具自动化：开发了如INCA、OpenFlux、IsoDesign等软件，使建模和计算流程更标准化和自动化。

¹³C-MFA作为定量分析细胞内代谢通量的金标准方法，在代谢工程、系统生物学和生物医学研究中发挥着不可替代的作用。尽管存在实验和计算上的挑战，但随着非稳态MFA、二维MFA以及基因组尺度MFA等前沿技术的发展，其应用范围正在不断扩大。未来，自动化计算工具和更高分辨率的标记策略将进一步推动该领域的进步。 ADSFAEQWER353423413434

• Wiechert, W. (2001). ¹³C Metabolic Flux Analysis. Metabolic Engineering, 3(3), 195–206.
• Zamboni, N., Fendt, S.-M., Rühl, M., & Sauer, U. (2009). ¹³C-based metabolic flux analysis. Nature Protocols, 4(6), 878–892.
• Antoniewicz, M. R. (2015). Methods and advances in metabolic flux analysis: a mini-review. Journal of Industrial Microbiology & Biotechnology, 42(3), 317–325.
• Crown, S. B., & Antoniewicz, M. R. (2013). Parallel labeling experiments and metabolic flux analysis: Past, present and future methodologies. Metabolic Engineering, 16, 21–32.
• Young, J. D. (2014). INCA: a computational platform for isotopomer network compartmental analysis. Bioinformatics, 30(9), 1333–1335.
• Niedenführ, S., Wiechert, W., & Nöh, K. (2015). How to measure metabolic fluxes: a taxonomic guide for ¹³C flux analysis. Current Opinion in Biotechnology, 34, 82–90.
• Stephanopoulos, G., Alper, H., & Moxley, J. (2004). Exploiting biological complexity for strain improvement through systems biology. Nature Biotechnology, 22(10), 1261–1267.
• 刘立明, 陈坚. (2012). 代谢通量分析在微生物发酵优化中的应用. 生物工程学报, 28(3), 273–286.