同位素稳态

同位素稳态（英文：Isotopic steady state / Isotopomer steady state）是进行¹³C代谢通量分析的关键前提假设之一。它是指在一个恒定的培养系统中，细胞（或组织）内所有代谢物分子中¹³C标记原子的分布模式（即标记模式）不再随时间变化，达到一个动态稳定的状态。此时，代谢网络中¹³C原子的流入（来自标记底物）与流出（通过代谢反应和稀释）达到平衡。 ADFASDFAF23RQ23R

• 核 心定义：在代谢稳态的基础上，当使用稳定同位素（如¹³C）标记的底物持续培养细胞足够长时间后，细胞内的每个代谢物分子中，其每个碳原子位置被¹³C标记的概率将恒定不变。这意味着代谢物的质量同位素分布或位置异构体分布不再变化。
• 与代谢稳态的关系：
  • 代谢稳态：指代谢物浓度不随时间变化。这是通量平衡分析的基础。
  • 同位素稳态：是比代谢稳态更强的假设，要求标记模式也达到稳态。它不仅是许多¹³C-MFA方法的基础，其标记模式本身也蕴含着丰富的通量信息。
• 重要性：达到同位素稳态后，才能将测得的标记模式数据与代谢网络的化学计量模型相结合，通过数学拟合稳定、唯一地推算出一组通量值。未达到稳态的标记数据会导致错误的通量估算。

• 必要条件：
  • 恒定的培养环境：温度、pH、溶氧、底物浓度等保持稳定。
  • 恒定的代谢状态：细胞处于指数生长期（比生长速率恒定）或代谢恒定状态。
  • 足够长的标记时间：标记时间必须显著长于目标代谢物池的翻转时间。
• 关键影响因素：
  • 代谢物池大小与通量：池大通量小的代谢物（如某些结构蛋白、糖原）翻转极慢，可能永远无法在实验时间内达到完全的¹³C标记饱和，需要特殊模型处理。
  • 细胞倍增时间：与标记时间直接相关，通常需要3-5个细胞世代才能使大部分中心碳代谢中间体达到同位素稳态。
  • 标记底物选择：使用代谢位置靠近目标代谢物的标记底物，可以更快地观察到特定标记模式的变化。
  • 测量目标：分析蛋白质水解氨基酸的标记模式通常比分析游离代谢物更容易达到稳态，因为蛋白质是代谢终产物，其标记模式反映的是其合成时刻前体代谢物的平均标记状态。

• 实验设计：
  • 连续培养：在恒化器或分批补料培养中引入标记底物，是达到严格同位素稳态的理想方式。
  • 分批培养脉冲标记：在分批培养中一次性加入标记底物，持续培养至同位素稳态后取样。
• 稳态验证：
  • 时间过程取样：在不同时间点（如1、2、3个世代后）取样，分析关键代谢物（如丙氨酸、谷氨酸）的标记模式，直至其模式不再发生显著变化。
  • 测量：通常使用气相色谱-质谱联用或液相色谱-质谱联用分析代谢物的质量同位素分布。
• 数据分析：
  • 达到稳态后，将各代谢物的实验测量标记模式与数学模型预测的模式进行拟合，求解能最佳解释所有观测数据的代谢通量分布。

• 局限性：
  • 时间成本：达到完全的、全网络的同位素稳态可能耗时很长，尤其对于生长缓慢的细胞或生物体。
  • 无法捕捉动态：稳态假设本身意味着丢失了标记模式随时间演变的动态信息，这些信息可能对理解调控机制很有价值。
• 扩展方法——非稳态¹³C-MFA：
  • 概念：在标记底物脉冲后，短时间内进行高时间分辨率的密集取样，追踪标记模式随时间的动态演变过程。
  • 优势：无需等待稳态，实验时间短；可直接测定代谢物池大小和翻转速率；能揭示代谢的动态调控信息。
  • 挑战：需要更复杂的动态数学模型和更精准的时间序列数据。

在癌症代谢研究中，通过比较癌细胞和正常细胞在相同标记底物（如[U-¹³C]葡萄糖）下达到同位素稳态后，其柠檬酸、谷氨酸等关键代谢物的标记模式差异，可以定量地揭示癌细胞中糖酵解通量、TCA循环通量、谷氨酰胺回补通量等关键代谢特征的变化，为理解“瓦博格效应”和寻找代谢靶点提供精确数据。

• 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., Kelleher, J. K., & Stephanopoulos, G. (2007). Elementary metabolite units (EMU): a novel framework for modeling isotopic distributions. Metabolic Engineering, 9(1), 68-86.
• Nöh, K., & Wiechert, W. (2011). Experimental design principles for isotopically instationary 13C labeling experiments. Biotechnology and Bioengineering, 108(1), 24-34.
• Young, J. D. (2014). INCA: a computational platform for isotopically non-stationary metabolic flux analysis. Bioinformatics, 30(9), 1333-1335.
• Sauer, U. (2006). Metabolic networks in motion: 13C-based flux analysis. Molecular Systems Biology, 2, 62.
• Fendt, S.-M., & Sauer, U. (2012). 13C flux analysis: a powerful tool to study metabolism in cancer. Trends in Biochemical Sciences, 37(2), 55-65.
• Hiller, K., & Metallo, C. M. (2012). Profiling metabolic networks to study cancer metabolism. Current Opinion in Biotechnology, 23(1), 60-68.