综述：通量采样与特定背景基因组尺度代谢模型在生物技术中的应用

这篇综述系统探讨了基因组尺度代谢模型（GEMs）在代谢工程、药物开发和合成生态学中的前沿应用，强调通量采样技术（Flux Sampling）和组学数据整合对提升模型预测精度的重要性，为克服现有方法局限性和开发新算法提供了明确方向。

Highlights

基因组尺度代谢建模（GEMs）已成为计算生物学的重要工具，其应用涵盖从人类代谢研究到合成微生物群落设计等多个生物技术领域。通过整合转录组（Transcriptomics）和蛋白质组（Proteomics）数据，GEMs能更精准预测特定组织、疾病或患者的代谢状态。值得注意的是，通量空间采样（Flux Sampling）技术可捕捉代谢状态的表型多样性，而不仅限于预测最优解，这对药物开发和合成生态学具有独特价值。

Abstract

当前GEMs应用存在三大核心挑战：一是传统方法过度依赖最优解预测，而实际生物系统常呈现通量分布多样性；二是组学数据整合时存在技术噪声和生物学异质性干扰；三是现有采样算法在计算效率和结果解释性上仍有局限。作者提出，开发兼顾数学严谨性与生物相关性的采样算法将是未来突破重点。

关键进展与挑战

在代谢工程领域，GEMs已成功指导微生物细胞工厂设计，但工业菌株的实际表现常与模型预测存在偏差。研究表明，通过马尔可夫链蒙特卡洛（MCMC）采样获得的通量变异性分析（FVA）结果，能更全面反映代谢网络鲁棒性。对于人类疾病研究，肝组织GEMs结合RNA-seq数据的采样分析，可识别出传统FBA方法遗漏的代谢脆弱性靶点。

在方法学层面，作者特别指出两个常见误区：一是直接使用原始转录组数据约束反应边界会导致假阳性预测，建议采用代谢调控网络（MRN）进行数据预处理；二是均匀采样（Uniform Sampling）可能生成生物学不相关的解，推荐采用人工中心代谢（ACHR）等非均匀采样策略。

未来方向

单细胞多组学数据的整合将成为下一代GEMs的核心发展方向。近期开发的tINIT算法已实现用单细胞RNA-seq数据构建组织特异性模型，但其采样效率仍需提升。作者预测，结合机器学习（ML）的混合采样框架可能解决当前计算瓶颈，而代谢物浓度动态数据（如LC-MS）的引入将显著提升采样结果的生理相关性。