综述：CHO细胞代谢模型推动数字化生物制造时代的车轮转动

这篇综述系统阐述了CHO细胞代谢建模在生物制药数字化进程中的关键作用，重点探讨了基于（GEMs）的（FBA）分析、（MFA）技术及（ML/AI）驱动的混合模型如何优化（mAbs）生产，涵盖从（TCA循环）调控到（N-糖基化）修饰的全链条创新。

　　

CHO细胞代谢建模的数字化革命

CHO细胞代谢概述
CHO细胞作为生物制药的主力军，其代谢网络呈现高度动态性。核心碳代谢途径（糖酵解、TCA循环、氧化磷酸化）驱动ATP生成，同时为重组蛋白合成提供前体。值得注意的是，CHO细胞表现出典型的“瓦氏效应”——即便在富氧条件下，约80%的丙酮酸会转化为乳酸，导致培养pH下降和渗透压升高。通过过表达丙酮酸羧化酶（PYC）或敲除乳酸脱氢酶（LDH）等基因工程策略，可显著改善代谢流分布。

代谢模型的价值
基因组尺度模型（GEMs）如iCHO1766和iCHO2441整合了3,000+反应，揭示了乳酸-丙酮酸循环等关键通路。最新发布的iCHO3K模型更包含11,004个反应和7377种代谢物，首次整合酶动力学参数和3D蛋白结构数据。这些模型成功预测了GS-CHO细胞在无谷氨酰胺培养基中的适应性生长，以及BCAT1敲除株在HIPDOG培养策略下的高密度培养表现。

机制模型的双重路径
1. 化学计量模型
基于S矩阵的（FBA）通过线性规划计算通量分布，而（ecFBA）进一步引入酶丰度约束。例如，iCHO2291模型通过（EMU）方法简化¹³C标记实验数据处理，准确预测线粒体NAD(P)H穿梭机制。

2. 动力学模型
采用（M-M）方程描述底物消耗，结合（Monod）模型模拟温度/pH扰动。Agrawal团队开发的动态模型成功预测温度偏移可使抗体糖化水平降低16-25%，这与实验数据误差仅±3%。

糖基化工程突破
（CHOGlycoNET）网络整合597个反应，揭示FUT8和GalT是调控糖型的关键酶。实验证明，添加甘露糖可使高甘露糖糖型降低7%，而半乳糖喂养使G2糖型增加15%。混合模型（如GReBA）通过追踪核苷酸糖通量，实现对抗体半乳糖基化程度的精准预测。

机器学习赋能
随机森林模型识别出Fe²⁺/Mn²⁺浓度与酸性电荷变体的强相关性（R²=0.89）。LSTM网络在预测葡萄糖消耗动态时，其RMSE比传统模型低42%。深度学习方法（如NEXT-FBA）将ANN与GEMs耦合，使生长速率预测准确度提升68%。

多组学整合前沿
（INST-MFA）技术捕捉到温度偏移时TCA循环通量骤增40%的现象。单细胞RNA-seq揭示高产克隆中内质网伴侣蛋白（BiP）表达上调3倍，与分泌压力响应高度相关。

未来智能工厂
新兴的（ME）模型将整合翻译调控机制，而（PINN）框架可实现缺失数据下的实时预测。随着（QbD）理念深化，融合代谢模型与PAT技术的数字孪生系统，有望将生物反应器批间差异控制在±5%以内。