GEMsembler：跨工具基因组尺度代谢模型（GEMs）的共识组装与结构比较提升功能预测性能

这篇研究介绍了GEMsembler——一款创新的Python工具包，用于整合不同工具构建的基因组尺度代谢模型（GEMs），通过结构比较和共识模型组装提升代谢网络预测准确性。研究以植物乳杆菌（Lactiplantibacillus plantarum）和大肠杆菌（Escherichia coli）为例，证明共识模型在营养缺陷型（auxotrophy）和基因必需性（gene essentiality）预测中优于人工金标准模型，同时提供基因-蛋白-反应（GPR）规则优化框架，为系统生物学和代谢工程研究提供高效建模解决方案。

　　

GEMsembler：跨工具代谢模型整合与功能优化

生成跨工具共识模型

GEMsembler通过四步流程整合不同工具构建的基因组尺度代谢模型（GEMs）：首先统一代谢物、反应和基因的命名（如转换为BiGG数据库ID），随后将模型合并为超模型（supermodel），生成不同置信水平的共识模型（如core3表示至少3个工具支持的代谢特征），最后进行功能分析。超模型结构兼容COBRApy框架，保留各模型来源信息，支持反应方向性、GPR规则等属性的智能合并。例如，大肠杆菌四种工具模型（CarveMe、gapseq、modelSEED、AGORA）中，仅25%代谢物被所有工具共同识别，而GPR规则的一致性更低，凸显工具间差异。

代谢网络置信度系统评估

通过拓扑分析和通量平衡分析（pFBA），研究量化了中心碳代谢和生物量合成途径的模型间一致性。植物乳杆菌模型中，琥珀酸合成路径因SUCDi和ABTA反应的差异存在不确定性；大肠杆菌的缬氨酸合成途径中，ACLS反应仅被半数工具识别，需实验验证。生物量前体合成能力的分析显示，大肠杆菌模型间一致性显著高于植物乳杆菌，后者仅6种前体被所有工具确认。GEMsembler通过交互式路径图谱（如HTML格式的可视化网络）定位关键分歧反应，指导实验优先验证。

基于共识的模型优化

通过调整生物量反应（保留≥3工具支持的代谢物）和补充缺失路径，研究构建了可生长的核心共识模型。例如，植物乳杆菌core3模型需添加72个反应（含28个转运反应）以恢复ATP合成（通过双向AIRCr反应）和硫胺素二磷酸（tmpp_c）生产路径。优化后模型代谢物（639种）、反应（729个）和基因（420个）数量均少于原始模型，但MEMOTE评估显示其技术质量显著提升。

性能超越金标准模型

在植物乳杆菌CDPM培养基营养缺陷型预测中，GEMsembler-curated core3模型正确预测了谷氨酸和核黄素的必需性，而金标准模型iLP728因错误包含P5CD反应（无GPR支持）导致假阳性。大肠杆菌基因必需性预测中，共识模型AUCPR达0.556，经遗传算法（GA）优化GPR规则后提升至0.711（如将dethiobiotin合成酶反应GPR从单基因b0778改为b0778或b1593），优于调整后的iML1515a模型（AUCPR=0.767）。

应用前景与局限性

GEMsembler的模块化设计支持扩展至微生物群落模型比较和代谢工程靶点筛选。当前依赖BiGG数据库可能遗漏部分代谢物，未来可整合更多数据库。研究强调工具间差异对预测的影响——例如，不同GPR规则组合可解释30%的基因必需性预测改进，为实验设计提供明确方向。通过半自动化流程，该工具显著缩短了“设计-构建-测试-学习”循环周期，推动精准代谢建模发展。

（注：全文严格依据原文数据，未添加非文献结论；专业术语如pFBA、GPR等均按原文格式标注；上标/下标已按规范调整。）