概述

通量平衡分析 (FBA) 是一种基于约束的建模方法，无需详细的动力学参数即可预测代谢物通过生化网络的流动。 FBA 将新陈代谢表示为化学计量矩阵，其中每一列都是一个反应，每一行都是一个代谢物。通过假设细胞处于稳态（代谢物浓度恒定），线性方程组变得不确定，并且使用线性编程优化生物量产生或 ATP 合成等目标函数，以产生生理上有意义的通量分布。

关键概念

化学计量矩阵编码反应网络拓扑。 约束限制反应通量：环境的吸收率、热力学不可逆性和最大酶容量。 目标函数形式化了细胞正在优化的内容，通常是微生物模型中的增长率。 通量变异性分析 探针通过最大化和最小化每个通量来交替最佳解决方案，同时保持接近最佳的目标值。基因组规模代谢模型 (GEM) 现在包含数千种反应和代谢物，并使用 KEGG 和 MetaCyc 等数据库根据带注释的基因组进行重建。

应用程序

FBA 预测增长率、基因必要性和代谢工程策略。它确定了微生物底盘中过量生产生物燃料或药物的最佳淘汰目标。在生物医学研究中，根据组学数据重建的特定背景模型揭示了癌细胞的代谢脆弱性。 FBA 直接连接到经典的代谢途径，例如[糖酵解](/guides/grinding-pathways.html) 和柠檬酸循环，并依赖于准确的酶调节 数据来通过动力学或调节信息来约束反应通量。

实用协议

COBRA 工具箱中的基因组规模代谢模型 (GEM) 重建从带注释的基因组开始。使用“getModelFromSEED”函数或从 BiGG Models 下载精选模型。在 MATLAB/Octave 中，初始化 COBRA 环境：“initCobraToolbox”。使用 readCbModel(‘model.xml’) 加载模型或使用标准 GEM，例如 readCbModel(‘ecoli_core_model.mat’)。检查模型属性：“printRxnStats(model)”、“model.rxns”、“model.mets”和“model.S”（化学计量矩阵）。将目标函数设置为生物质生产：model = changeObjective(model, ‘BIOMASS_Ecoli_core_w_GAM’)。通过设置摄取率来定义环境约束：model = changeRxnBounds(model, ‘EX_glc(e)’, -10, ‘l’)设置最大葡萄糖摄取量为 10 mmol/gDW/h。使用solution = optimizeCbModel(model, ‘max’) 运行 FBA；输出包含“solution.f”（目标值，即增长率）和“solution.x”（通量向量）。执行通量变异性分析 (FVA) 以探索替代最佳值：“[minFlux, maxFlux] = FluxVariability(model, 90)”，其中 90 表示解决方案在最佳值的 90% 以内。基因必要性分析系统地敲除每个基因：[grRatio, grRateKO, grRateWT] = singleGeneDeletion(model)`来识别必要基因。根据组学数据进行上下文特定模型重建使用 iMAT 算法：“model_ctx = createTissueSpecificModel(model, expression_data, ‘iMAT’)”。为了可视化结果，请使用“drawFlux”将通量映射到代谢网络图上。将预测的增长率与实验测量结果进行比较，并通过添加酶动力学数据中的热力学或调控信息来细化约束。 COBRApy Python 包为在 Python 环境中工作的人员提供了等效的功能。