13CFLUX(v3)：新一代高性能同位素(非)稳态13C代谢通量分析引擎

《Bioinformatics》：13CFLUX — Third-generation high-performance engine for isotopically (non)stationary 13C metabolic flux analysis

本研究针对13C代谢通量分析中数据复杂度增加、计算方法多样化带来的计算挑战，开发了第三代模拟平台13CFLUX(v3)。该平台通过C++高性能引擎与Python接口的结合，实现了同位素稳态和非稳态分析流程的显著性能提升，支持多实验整合、多示踪剂研究和贝叶斯统计推断，为现代代谢通量组学研究提供了强大且可扩展的计算框架。

　　

在定量系统生物学领域，细胞内代谢反应速率（通量）的精确测定是理解细胞代谢功能的关键。¹³C代谢通量分析（¹³C-MFA）作为通量组学中最具信息量的技术，通过同位素标记实验（ILE）和外部速率测量数据，在代谢网络背景下推断通量及其不确定性。该技术已广泛应用于代谢工程、生物过程工程和健康研究，用于微生物、植物和哺乳动物细胞的代谢特性表征。

然而，随着实验分析技术的进步，¹³C-MFA面临着新的挑战。多同位素稳态（IST）ILEs的整合、基因组尺度模型的结合、特定标记策略和质谱方法的发展，以及机器人平台上ILEs的小型化和自动化，大大扩展了MFA的应用范围。特别是与快速淬灭协议结合时，同位素标记进入细胞内代谢物的过程可在小规模生物反应器系统中追踪，为同位素非稳态（INST）¹³C-MFA的广泛应用铺平了道路。这些发展提高了对计算工具稳健性和可靠性能的要求。

¹³C-MFA的评估工作流程包括三个主要步骤：实验设计、参数拟合/优化和统计分析/不确定性量化。为应对这些步骤，出现了许多方法学进展，包括ILE设计的稳健算法、快速非线性优化和高通量机器学习策略。经典统计工具包也通过贝叶斯方法得到丰富，使研究人员能够解决现有问题并应对新问题。因此，¹³C-MFA工作流程的配置变得越来越多样化和计算密集。这就要求¹³C-MFA软件既要支持分析工作流程的灵活组合，又要保证计算效率。

模拟步骤是任何评估工作流程的基础核心，因为它根据包含原子转移的代谢模型和测量配置生成同位素标记数据。可靠快速的标记数据模拟使得解决新型问题成为可能，例如模型不确定性对估计通量的影响。目前可用的几种¹³C-MFA软件包使用不同的通量坐标系和状态空间表示，如著名的累积量（cumomers）或基本代谢单元（EMUs），这些决定了底层数学方程的性质。然而，这些工具均未覆盖现今可能的应用全范围，包括具有各种测量配置和多同位素示踪剂的同位素稳态和非稳态¹³C-MFA变体，也未选择数值上最有利的状态空间表示。此外，这些工具很少提供灵活性以适应新的拟合、统计或实验设计方法。

针对上述挑战，研究人员开发了开放式高性能模拟器13CFLUX(v3)，支持现今可能的¹³C-MFA全范围场景，包括INST。其通用性基于能够模拟给定模型中任何代谢物的任何期望标记状态，适用于任何输入标记和任何时间点（包括t=∞）。13CFLUX(v3)基于通用通量建模语言FluxML构建，并改进了其前身13CFLUX2的性能，将其扩展到INST。其全新的软件架构支持可扩展的分析，促进工作流程自动化，使研究人员能够应对复杂的生物学问题和应用。

关键技术方法

13CFLUX(v3)采用C++模拟后端与Python前端结合的跨语言架构，通过pybind11实现。软件包含两种通用的同位素标记状态空间表示：累积量和EMUs。通过拓扑图分析和分解累积量/EMU同位素标记平衡方程，生成维度缩减的状态空间。使用Eigen库的SparseLU算法通过高斯消元法求解IST的代数方程系统，SUNDIALS套件的CVODE求解INST的常微分方程系统。软件支持OpenMP多线程并行计算，并通过Docker容器化确保可移植性。

软件架构与实现

13CFLUX(v3)的C++代码已完全重构，使用Eigen库替代自定义矩阵/向量操作，代码行数从130,000多行减少到不足15,000行。采用面向对象方法，将内部状态空间表示抽象化，并将维度缩减模型封装在多态模拟器对象中。用户可通过高级Python API指定模型参数和模拟变量，并以最少的代码配置多起始参数拟合等任务。

性能基准测试

研究人员对13CFLUX(v3)进行了全面的性能评估，包括模型复杂性、测量配置、状态空间表示和求解器精度等因素。与三种先进模拟器（FreeFlux、INCA、influx_si）的比较显示，13CFLUX(v3)在所有测试类别中均显著优于其他工具。对于多数据集和参数集的模拟，13CFLUX(v3)的运行时间比13CFLUX2快约40倍，这一加速因子也适用于雅可比矩阵计算和示踪剂设计评估。

贝叶斯INST ¹³C-MFA的应用

借助13CFLUX(v3)的高性能与高效的MCMC算法结合，研究人员首次实现了INST ¹³C-MFA的贝叶斯推断。通过Python工作流程将13CFLUX(v3)作为模拟引擎，并使用专用库hopsy进行MCMC采样，整个分析工作流程在300行代码内实现，并在HPC集群上通过Docker容器化执行。

研究结论与意义

13CFLUX(v3)作为新一代模拟引擎，能够处理¹³C-MFA的全谱场景，涵盖IST和INST分析、多实验设置、多同位素示踪剂和复杂测量配置。其C++模拟核心确保了效率和可靠性，而Python API实现了与高级数据分析工具的无缝交互、工作流程定制和自动化。通过整合性能、可靠性、灵活性和开放性，13CFLUX(v3)为¹³C-MFA建立了可持续平台，使研究人员能够研究复杂生物系统并整合全面数据集，从而获得对代谢过程的定量洞察。该研究发表于《Bioinformatics》期刊，为代谢通量分析领域提供了重要的方法论进步和工具支持。