编辑推荐：
摘要专业翻译
基因组尺度代谢模型（Genome-scale metabolic models, GEMs）已成为系统生物学中最成熟的计算框架之一，并日益被整合到多尺度及全细胞建模方法中。尽管通过自动化 curation、热力学建模（thermodynamic
摘要专业翻译
基因组尺度代谢模型（Genome-scale metabolic models, GEMs）已成为系统生物学中最成熟的计算框架之一，并日益被整合到多尺度及全细胞建模方法中。尽管通过自动化 curation、热力学建模（thermodynamic modeling）和酶约束公式化（enzyme-constrained formulations）的进展，代谢网络重建的可靠性已显著提升，但准确预测胞内代谢通量（intracellular metabolic fluxes）仍是一个尚未解决的主要挑战。与网络拓扑结构不同，通量分布依赖于多种相互作用的假设，包括环境约束（environmental constraints）、目标函数（objective functions）、情境化策略（contextualization strategies）以及基于约束模型的内在简并性（intrinsic degeneracy）。
本综述探讨了当前基因组尺度代谢模型是否可被视为胞内代谢状态的可靠预测工具。研究讨论了情境特异性重建（context-specific reconstruction）、酶约束建模（enzyme-constrained modeling）和通量采样（flux sampling）方面的最新进展，重点突出了其方法学进步及现存局限性。研究特别关注了胞内酶约束与胞外营养物可用性之间常被忽视的相互作用，这种相互作用可能显著影响人类系统中酶约束模型的有效信息含量。研究还审视了全面基准数据集持续缺乏的问题，强调大多数现行验证策略评估的是生物学假设而非预测通量分布本身。总体而言，证据表明基因组尺度代谢模型目前更多是作为解释多组学数据的机制知情框架（mechanistically informed frameworks）而具有稳健性，而非作为定量胞内通量的直接预测工具；同时，研究也指出了在基因组规模通量预测实现常规可靠之前必须解决的关键方法学挑战。
论文解读文章
研究背景与问题
基因组尺度代谢模型（Genome-scale metabolic models, GEMs）是系统生物学领域发展最为成熟的计算框架之一。这类模型通过编码基因-蛋白-反应（gene–protein–reaction, GPR）关联关系，将基因组信息与代谢网络结构系统地整合，从而为理解细胞代谢状态提供了机制性的计算平台。随着自动化 curation 流程的进步、热力学建模（thermodynamic modeling）的引入以及酶约束公式化（enzyme-constrained formulations）的发展，GEMs 的网络重建可靠性已获得实质性提升。与此同时，GEMs 正被越来越多地整合到更大的全细胞建模（whole-cell modeling）框架中，例如 ME 模型（ME models）纳入转录和翻译过程，混合框架（hybrid frameworks）将基于约束的模型与信号分子或常微分方程（ordinary differential equations, ODEs）调控的动态过程相结合，基因调控网络整合则允许转录调控对通量进行约束或动态调节。
然而，一个根本性问题始终悬而未决：当前的 GEMs 能否被信任用于预测胞内代谢状态，抑或仅能用于解释这些状态？与网络拓扑结构不同，通量分布（flux distributions）依赖于多个相互作用的建模假设，包括环境约束、目标函数（objective functions）、情境化策略以及基于约束模型的内在简并性。即便网络重建高度可靠，预测通量仍可能因这些假设的不同而显著变化。因此，准确预测胞内代谢通量仍是基于约束建模（constraint-based modeling）中尚未解决的主要挑战之一。这一问题的紧迫性在于，如果 GEMs 要作为全细胞模型的代谢骨干，其预测能力必须得到严格评估。
研究内容与结论
本综述系统性地审视了决定 GEMs 衍生通量预测可靠性的主要因素，重点关注情境特异性重建、酶约束建模和通量采样方面的最新进展，同时探讨了胞内酶约束与胞外营养物可用性之间常被忽视的相互作用，以及全面基准数据集持续缺乏的问题。综述的核心结论是：GEMs 目前更多是作为解释多组学数据的机制知情框架（mechanistically informed frameworks）而具有稳健性，而非作为定量胞内通量的直接预测工具。这一结论并非否定 GEMs 的价值，而是澄清了其当前能够提供最大洞察力的应用情境。
关键技术方法
研究人员在综述中主要讨论了以下几类关键技术方法：一是自动化重建与 curation 流程（automated reconstruction and curation pipelines），包括新兴的 AI 辅助重建与 curation 方法，用于加速模型生成并提升网络完整性与一致性；二是热力学约束整合方法，通过整合代谢物浓度和吉布斯自由能（Gibbs free energy）估计来减少热力学不可行循环并限制可行解空间；三是酶约束模型（enzyme-constrained models, EC-models），通过显式纳入酶丰度和催化速率常数（kcat）将反应容量与蛋白质组分配（proteome allocation）联系起来；四是通量采样方法（flux sampling），包括马尔可夫链方法如坐标命中与运行舍入（Coordinate Hit-and-Run with Rounding, CHRR）以及基于角点的采样策略，用于表征可行代谢状态的分布而非单一通量向量；五是混合神经-机制方法（hybrid neural-mechanistic approaches），尝试直接从实验数据中学习环境约束。
研究结果
网络重建与通量预测之间的差距。 研究人员指出，代谢重建 largely 是知识驱动的，依赖数十年积累的生物化学证据，因此其网络拓扑结构通常被认为是可靠的。自动化重建流程已能够为数千种生物体生成基因组尺度代谢网络，包括人类微生物组中绝大多数已测序成员。然而，网络重建的可靠性与通量预测的可靠性之间存在根本性差距。在代谢工程应用中，GEMs 主要用于识别满足预定设计目标的可行工程策略或代谢干预措施，而非恢复真实的胞内通量分布。但当 GEMs 被用于推断细胞代谢状态时，预测通量依赖于多种建模假设，包括环境约束、目标函数、情境化策略和内在简并性。尽管已有研究探索超越生物量最大化（biomass maximization）的目标函数，甚至尝试使用图神经网络（graph neural networks）等机器学习策略直接从数据中学习目标函数，但在真核系统中展示基因组规模胞内通量准确预测的稳健实验证据仍然有限。研究人员提出了一种新兴视角：预测通量应被解释为细胞状态的机制知情潜在表征（mechanistically informed latent representations），而非胞内代谢速率的直接估计。在此设定下，通量成为可解释的特征，有助于整合和分析转录组、蛋白质组及其他组学数据集，通常比基因水平分析提供更深入的生物学洞察。
约束解空间。 研究人员将约束解空间的方法分为拓扑基情境化（topology-based contextualization）和边界基情境化（bounds-based contextualization）两大类。拓扑基情境化通过根据转录组、蛋白质组等分子证据包含或排除代谢反应来调整网络拓扑结构，同时保留必需的代谢功能。然而，随时间推移，研究人员认识到不确定性的主要来源不在于反应是否存在于网络中，而在于特定生理条件下反应能承载多少通量。因此，研究重点转向边界基情境化，即 largely 保留代谢网络，同时根据分子测量对反应特异性通量容量进行定量约束。早期转录组约束方法直接将基因表达转化为反应边界，将表达水平解释为酶容量的代理指标。但这类方法通常在进行样本内归一化后分配反应边界，隐含地假设各酶具有可比的催化容量，忽略了酶周转率（enzyme turnover rates）的差异。酶约束模型（EC-models）代表了这一框架的机制性改进，通过显式纳入酶丰度和催化速率常数（kcat）将反应容量与蛋白质组分配联系起来。然而，研究人员强调了一个常被忽视的问题：胞内酶约束通常独立于营养物衍生约束和网络特异性可行通量范围而定义。因此，相同的胞内容量约束在不同反应间可能具有非常不同的生物学含义，取决于网络拓扑和环境条件所允许的内在容量。胞内反应的有效上界并非仅由其酶容量决定，而是由作用于该反应的最严格约束决定。当酶约束仅在模拟条件下成为活跃限制约束时，才会影响可行解空间。如果胞外交换通量仅被近似指定，kcatE 的差异可能被交换衍生通量限制所掩盖。研究人员提出了一种可能的解决方式：相对于网络特异性可行通量范围来定义胞内约束，而非作为绝对容量。替代性情境化策略已被提出，其中表达衍生约束相对于网络拓扑和环境条件所允许的最大可行通量进行缩放，将分子测量解释为生物学上可实现反应容量的比例，而非绝对通量限制。
基于采样的代谢建模的兴起。 随着定量约束的日益整合，GEMs 的可行解空间已逐步缩减。然而，即使高度约束的模型通常仍保留多个可行通量分布，使得选择单一代表性解具有任意性。在此背景下，通量采样成为基于优化方法的自然补充，通过表征可行代谢状态的分布而非单一通量向量来探索代谢。采样可在无目标函数或最优及近最优解空间内进行。采样 increasingly 被用于识别代谢生物标志物、通过反应-反应相关性推断协调通路活性，以及跨生物学条件统计比较通量分布以识别差异代谢活性和通路富集。研究人员指出，此类比较分析需要特别的统计谨慎以避免假发现。许多广泛使用的算法如 CHRR 通过马尔可夫链生成样本，使连续样本本质上自相关。因此，采样通量向量不能被视为独立观测，应用常规统计检验可能人为夸大统计显著性并增加假发现率。相反，基于角点的采样策略避免了马尔可夫链方法固有的自相关，但往往牺牲采样效率或高维解空间的均匀探索。第二个统计挑战涉及稀有代谢表型的检测。基因组尺度重建包含大量冗余和多种替代通路，生物学相关的代谢状态可能仅占据可行解空间的一小部分。均匀采样可能需要 prohibitively 大的样本量才能以足够频率观测这些表型。在此类情境下，模型约简方法，包括拓扑驱动网络压缩和表型导向约简，可能不仅提供计算优势，还通过减少冗余旁路同时保留目标代谢功能来改善统计可观测性。
缺失的环境层。 研究人员强调，上述所有方法都无法规避定义环境边界条件的需求，而环境边界条件仍是基于约束建模中不确定性的主要来源之一。分配任意大的摄取边界（如 ±1000）通常被解释为使代谢物不受约束，但实际上此类选择仍定义了环境营养物的相对可用性。在受控体外条件下，摄取约束通常可根据实验测量的培养基组成和消耗速率来定义。然而，即使在这些条件下，绝对氧摄取率很少被定量，且经常保持不受约束或被分配任意边界。由于氧可用性深刻影响代谢表型，在无法直接测量时，跨合理氧摄取率的稳健性分析应成为常规实践。替代策略包括固定生物量生产同时最小化总营养物摄取，从而避免直接衍生自胞外代谢物浓度的不现实摄取约束。但这一公式隐含假设细胞最大化营养利用效率，这一假设在某些生物学情境中可能适用，但并非普遍适用，特别是在癌症中，进化压力通常 favor 竞争适应性和快速增殖而非最大代谢效率。更近期，混合神经-机制方法提出直接从实验数据学习环境约束，代表了手动指定边界条件的有前景替代方案，但其预测能力最终取决于训练数据的可用性和代表性。
基准测试问题。 与生物学中许多其他计算推断问题不同，基因组规模通量预测缺乏可扩展的基因组规模地面真值来源。标准化基准数据集的缺失不仅限制了对个体预测的信心，也阻碍了竞争方法之间的客观比较，减慢了领域的方法学进展。理想情况下，预测胞内通量应与实验测量通量进行比较。然而，此类数据集极为稀缺，特别是在哺乳动物系统中，且通常局限于通过 13C 代谢通量分析（metabolic flux analysis, MFA）重建的中心碳代谢。因此，即使可用，模型验证通常仅涉及代谢网络的一小部分。人类研究几乎完全依赖少数成熟数据集，如 NCI-60 细胞系，且通常局限于胞外交换通量。因此，大多数现行研究验证的是从 GEM 预测衍生的生物学假设，而非预测通量分布本身。验证通常通过实验扰动进行，包括基因敲除、基因敲低、选定通路抑制和营养扰动，或与独立定量测量如酶约束模型中的蛋白质组数据进行比较。在缺乏全面胞内通量测量的情况下，一个重要补充策略是在系统层面评估预测代谢状态的生物学一致性，而非验证单个反应通量。此类分析评估推断代谢景观的全局组织是否与独立生物学观测一致，例如预测代谢程序与增殖标志物、缺氧评分、空间组织或其他正交分子表型之间的相关性。此类分析无法证明定量通量准确性，但提供了重要证据表明通量预测捕获了生物学有意义的变异，而非反映可行解空间内的任意解。
讨论与结论
本综述的讨论部分强调，基因组尺度代谢模型已达到前所未有的成熟水平，并继续在系统生物学中扩展其角色，从代谢工程到多组学整合和新兴全细胞建模框架。然而，网络重建的可靠性不应与预测胞内通量的可靠性混为一谈。尽管包括酶约束建模、热力学约束和通量采样在内的最新进展已实质性提升基于约束模型的生物学真实性，但其预测性能仍强烈依赖于建模假设，特别是环境边界条件和实验基准的有限可用性。这些局限性并非贬低 GEMs 的价值，而是澄清了其当前能够提供最大洞察力的情境。目前，GEMs 的主要优势在于整合异质分子数据和生成机制支撑的假设，而非定量重建完整胞内通量状态。未来进展将不仅需要更复杂的计算方法，还需要更丰富的实验测量来约束和验证基因组规模代谢通量。解决这一差距对于代谢成为未来全细胞模型可靠定量组成部分至关重要。
