动态温度条件下植物代谢的亚细胞区室化、反馈调控与多组学-AI预测建模

《Current Opinion in Plant Biology》：Plant metabolism in a dynamic temperature regime

　　

植物代谢表现出显著的动态热驯化，但仍难以预测。亚细胞区室化是解释代谢调控的主要瓶颈。温度依赖性反馈环路将代谢与基因调控紧密耦合。将多组学与数据驱动及基于人工智能（AI）的建模相整合，是未来取得进展的关键。

该综述围绕动态温度条件下植物代谢的可预测性展开。研究背景是：动态变化环境可在秒、小时、天和周到月等时间尺度上诱导植物代谢发生即时、中期和长期调整；生长温度是影响植物生长、发育和分布的关键环境因子之一。温带植物常经历日变化和季节性温度变化，已演化出温度响应与驯化策略，以可逆方式调整代谢，避免光合作用失调、活性氧（ROS）过量产生和细胞膜系统损伤等不可逆伤害。低温会降低酶反应速率，需要补偿以维持卡尔文–本森–巴沙姆循环（CBBc）活性，否则光系统II（PSII）激发压和光抑制会加剧。尽管相关过程已有分子细节描述，但对温度驯化过程中植物代谢和生理的定量、预测性理解仍然缺失，原因涉及基因型–表型–生态系统关系高度复杂、代谢和表型可塑性高以及代谢高度区室化和动态化。温度响应跨越多个时间尺度，并存在滞后和关键驯化期等时间记忆效应。该综述旨在总结代谢及其调控如何塑造植物生理输出和温度驯化，并讨论代谢定量模型如何支持多层面植物–环境互作分析和假设生成。研究人员开展的是综述性整合分析而非单一实验研究，核心结论是：植物代谢具有强动态热驯化但可预测性差；亚细胞区室化是解释代谢调控的主要瓶颈；温度依赖反馈环紧密耦合代谢与基因调控；整合多组学与数据驱动及基于人工智能（AI）的建模是未来关键。其重要意义在于为从基因组到代谢组和表型组的预测模型、实验设计及假设生成提供框架。

关键技术方法（不超过250字）：该文为综述，无特定样本队列来源。主要方法包括：整合基因组、表观基因组、转录组、蛋白质组和亚细胞代谢组等多组学信息；基于基因组序列重建情境化代谢网络；采用约束基建模，如将温度依赖的蛋白质稳定性、酶周转、蛋白丰度和光合作用约束纳入AraCore v2.1形成ecAraCore；应用机器学习和AI识别非线性；利用实验协方差逆估计Jacobian矩阵以推断局部调控；采用非水相分馏（nonaqueous fractionation）结合磷酸化糖绝对定量解析亚细胞代谢物分布。这些方法用于分析代谢网络、预测温度响应和识别限速反应，但综述未报告原始样本队列。

研究结果：
1. 引言：通过文献综述，研究人员指出植物温度响应跨秒至周等时间尺度，涉及膜流动性、离子流、钙信号、代谢调控以及转录重编程、表观遗传修饰和生理重塑；并存在滞后和关键驯化期等时间记忆效应。细胞代谢区室化尤其挑战对代谢调控如何产生并限制生理性状的理解，数学建模和AI方法可支持高维数据分析和假设生成。
2. 植物细胞区室化挑战C/N界面代谢的生理阐释与理解：通过整合基因调控、糖信号、SnRK1–TOR、光呼吸和C1–表观遗传研究，得出脱水响应元件结合蛋白1/C重复结合因子（DREB1/CBFs）是冷和冻耐性转录调控的主调控因子；Ca²⁺流–CPK28–NIN-LIKE PROTEIN7（NLP7）轴连接质膜感知与核内DREB1/CBFs转录，NLP7还可结合热激转录因子A2启动子并整合碳/氮（C/N）平衡。糖反馈可覆盖光或发育诱导的调控；蔗糖非发酵1相关蛋白激酶1（SnRK1）和雷帕霉素靶蛋白（TOR）是能量代谢与发育的保守传感器，SnRK1功能依赖亚细胞定位，在质体调节淀粉代谢，在胞质与TOR通路互作并磷酸化蔗糖磷酸合成酶（SPS）、海藻糖磷酸合成酶（TPS）和硝酸还原酶（NR）。胞质蔗糖与海藻糖6-磷酸（T6P）共定位，T6P可作为植物碳水化合物状态代理。亚细胞糖分布对解释温度诱导的光合、能量和发育调控必要。磷酸化糖、核苷酸等亚细胞分布数据缺乏限制SnRK1–TOR等信号网络理解；非水相分馏结合磷酸化糖绝对定量提供基础。NLP7和光呼吸影响C/N平衡；升温降低Rubisco对CO₂相对O₂的特异性并降低CO₂溶解度，增加Rubisco加氧和2-磷酸乙醇酸互变需求，维持光呼吸与光合碳通量比。光呼吸衍生甲酸经10-甲酰基-THF合酶（THFS）/5–10亚甲基-THF脱氢酶/环水解酶1（MTHFD1）分支影响DNA甲基化，MTHFD1缺失导致DNA低甲基化，MTHFD1/THFS双敲除恢复全局甲基化但保留差异甲基化区域；甲酸脱氢酶1（FDH1）控制甲酸基C1穿梭连接线粒体与胞质叶酸代谢。得出代谢–表观基因组串扰是温度驯化稳定性和可塑性的额外调控层，需纳入数据整合。
3. 动态环境中植物代谢的数据驱动建模：通过基因组规模代谢网络重建、约束基模型、机器学习和AI、Jacobian矩阵等方法，得出基因组序列可预测代谢支架，但仅网络结构不足以预测系统动态；需代谢物浓度、酶活性和调控约束。高度动态非线性动力学使基于快照的预测困难。ecAraCore扩展AraCore v2.1并纳入温度依赖约束，可预测不同温度下植物生长、估计通量和酶丰度、识别生长限制性代谢物和蛋白；但约束基方法优化预设目标函数而非模拟未来气候情景。AI和机器学习可描述非线性但易过拟合、黑箱、可解释性差，跨环境、物种和实验设置泛化难。Jacobian矩阵逆估计可从组学数据推断局部相互作用和调控位点，但依赖稳态等假设。多组学功能整合是未来核心挑战；AI应用受机制知识整合和实验验证不足限制。结论是未来需发展可解释、机制信息驱动的AI，与多组学、生理测量、动态环境信息和先验知识结合，作为假设生成框架指导实验，而非替代实验。

讨论部分强调，实验知识、多组学信息、环境信息和计算建模构成迭代框架，模型输出包括代谢物浓度、代谢通量、酶活性、生长表型和潜在限速反应，可支持实验设计、遗传改良和育种靶点识别以及调控级联重构。研究结论部分可翻译为：未来应优先发展可解释且机制信息驱动的AI方法，将多组学数据与生理测量、动态环境信息和先验生物学知识结合；下一代计算策略应作为假设生成框架指导靶向实验，而非替代实验。计算进步将揭示从基因组到代谢组和表型组的复杂反馈调控，对在变化温度条件下构建植物代谢预测模型至关重要。原文作者为Wing Tung Lo|Sophia Bianca Bagshaw|Vladimir Brodsky|Bianca Emily Süling|Thomas N?gele。