TRAEV：基于约束性代谢模型与蒙特卡洛扰动的微生物细胞代谢性状进化稳健性预测框架

《PLOS Computational Biology》：In silico prediction of metabolic trait robustness in microbial cells

　　

微生物菌株在工业应用中经历显著的生物量扩增，使群体暴露于达尔文选择之下。随之而来的适应性进化可能威胁菌株经繁琐开发所得的期望代谢性状，例如风味物质或平台化学品生产。然而，如何预测性状的进化稳健性仍未得到解决。在此，研究人员提出了TRAEV（Trait Robustness Against EVolution），一种用于在计算机（in silico）中预测应用环境中代谢性状进化稳健性及期望性状轨迹的计算框架。TRAEV利用约束性代谢模型（constraint-based metabolic models）预测环境依赖的性状-适应性关联，并通过基于蒙特卡洛（Monte Carlo）的扰动分析来考虑适应性进化的随机性。首先，TRAEV预测新环境中的即时代谢表型，随后预测适应性与期望性状的后续进化轨迹。代谢性状的进化稳健性通过两个分数从进化轨迹中量化：稳健性分数（Robustness Score, RS）和权衡分数（Trade-off Score, TS）。RS代表进化适应过程中的性状稳健性和整体性状水平，而TS捕获性状-适应性权衡。研究人员通过预测两株工程化酿酒酵母（Saccharomyces cerevisiae）菌株的异源色素沉着，以及多个酿酒酵母葡萄酒菌株若通过实验室选择过程开发所产生的两种期望香气性状的相对进化稳健性，对TRAEV进行了验证。由此，研究人员展示了TRAEV预测如何指导菌株开发。TRAEV可整合到跨微生物菌株、期望代谢性状和应用环境的计算菌株设计工作流程中。最终，模型预测的期望代谢性状进化稳健性可同时指导菌株和工艺开发，并有助于提升使用微生物细胞的工业应用的经济吸引力。

**TRAEV：面向微生物细胞代谢性状进化稳健性的计算预测框架**

**研究背景与问题**

微生物菌株在工业应用中常经历从实验室到大规模发酵的环境转变，并伴随显著的生物量扩增，这使得群体暴露于达尔文选择压力之下。适应性进化可能削弱甚至消除经基因工程或选择获得的期望代谢性状，如风味化合物或平台化学品的高产能力。此前的菌株设计策略主要关注性状的初始优化，而对性状在应用环境中的进化稳健性关注不足。虽然已有研究尝试通过将性状与细胞生长偶联来提高稳健性，但细胞可能逃逸这种偶联，且传感器系统在进化时间尺度上的操作稳健性尚待评估。因此，亟需一种能够从第一性原理预测菌株进化轨迹与性状稳健性的计算方法。

**TRAEV框架概述**

研究人员开发了TRAEV（Trait Robustness Against EVolution），一个整合约束性代谢模型（constraint-based metabolic modeling）与基于蒙特卡洛扰动分析的的计算框架。TRAEV包含两个核心模块：模拟（Simulation）与稳健性分析（Robustness Analysis）。模拟模块以参考状态（v_r）为输入，该状态代表菌株在发育环境（如实验室条件）中经基因工程或适应性实验室进化（adaptive laboratory evolution, ALE）后的代谢状态，使用简约通量平衡分析（parsimonious flux balance analysis, pFBA）计算。随后，TRAEV利用线性最小代谢调整（linear minimization of metabolic adjustment, linear MOMA）预测菌株进入应用环境后的即时表型调整状态（v_p），并使用基于调节开启/关闭最小化（regulatory on/off minimization, ROOM）的迭代搜索算法预测进化适应状态（v_a），该状态以最少的酶使用变化实现最优适应性。稳健性分析模块通过蒙特卡洛扰动分析生成从v_p到v_a的进化轨迹集合，其中每个酶使用变化被视为一次扰动事件。基于这些轨迹，TRAEV计算两个量化指标：稳健性分数（Robustness Score, RS），反映进化适应过程中期望性状的整体水平与稳健性；权衡分数（Trade-off Score, TS），反映性状与适应性之间的负耦合强度。

**主要技术与方法**

研究人员使用酿酒酵母（Saccharomyces cerevisiae）基因组规模代谢模型Yeast9 GEM（v9.0.2），并通过基因-蛋白-反应（Gene-Protein-Reaction, GPR）公式进行转换，引入酶使用变量以显式表征复杂GPR关联。适应性以生物量产率（biomass yield）为代理，期望性状以目标产物产率为定义。模拟环境包括YNBG和YPG培养基（分别以硫酸铵或蛋白胨为氮源，D-半乳糖为碳源）以及厌氧葡萄酒必须样环境。敏感性分析采用不同参数组合（最大扰动数m、采样轨迹数n和容差设置）验证结果稳定性。计算通过ReFramed、COBRApy和Gurobi优化器完成。

**研究结果**

**TRAEV用于预测进化中细胞的性状稳健性**
TRAEV通过约束性GEM模拟同时考虑表型可塑性和进化适应。表型可塑性由MOMA模拟，其倾向于将适应变化分散到代谢网络中；进化适应由ROOM模拟，其最小化相对于参考状态的酶使用变化数量，以此近似最少有益突变对应的表型响应。RS和TS共同提供了在应用环境中预测评估菌株性能和进化稳健性的定量框架。

**预测工程化色素生产的进化稳健性**
研究人员重访了近期实验，其中两株酿酒酵母（CEN.PK113-7D和S288C）分别被工程化用于生产蓝色indigoidine和红色bikaverin。在YNBG和YPG培养基中进行ALE后，实验观察到bikaverin生产菌株在长期培养中保持大部分色素表型，而indigoidine生产菌株几乎完全丧失产量。TRAEV预测的进化轨迹与实验观察定性一致：bikaverin生产菌株的色素产量下降更为平缓，RS显著高于indigoidine生产菌株。这验证了TRAEV可在实验测试前对菌株的期望性状进化稳健性进行预测和排序。

**模型引导的ALE环境设计以进化获得稳健代谢性状**
针对葡萄酒发酵中两类香气化合物——苯乙醇及其乙酸酯（PEA）和支链氨基酸衍生高级醇及其酯（BCHA），研究人员设计了1171种由三种碳源和氮源组成的选择环境。TRAEV预测其中322种环境进化出的菌株能在应用环境中产生PEA，499种能产生BCHA。结果显示，含有直接前体L-苯丙氨酸的选择环境（如EtOH,Gal,Phe）产生的PEA菌株具有较高RS但更负的TS（即较强的性状-适应性权衡）；含有支链氨基酸的环境对BCHA呈现类似模式。RS与TS排名大体相反，表明“维持性状稳健性”与“削弱性状-适应性耦联”之间存在张力。K-means聚类将选择环境分为四个簇。对PEA，簇3以高RS和显著低TS为特征，富集L-苯丙氨酸和甘油；对BCHA，簇3同样富集乙醇和支链氨基酸（尤其是L-亮氨酸和L-异亮氨酸），而簇1显著富集L-精氨酸。这些结果与先前EvolveX研究识别的环境组成一致。

**讨论与结论**

TRAEV的假设——适应过程中不存在遗传漂变——在常见ALE实验（传代不造成瓶颈）及群体规模单调增长的工业过程中成立。TRAEV不考虑克隆干扰，但克隆干扰仅可能减慢适应速度而不干扰群体适应性单调改善。TRAEV的轨迹视角特别适用于预测工业过程中菌株的适应行为。色素案例中，indigoidine合成依赖于L-谷氨酰胺，与三羧酸循环和氮代谢直接关联，因此对中心代谢的酶使用变化敏感；而bikaverin合成通过相对隔离的乙酰辅酶A途径进行，适应性相关的酶变化（如增强半乳糖利用）不影响其产量。香气案例中，L-苯丙氨酸合成成本更高且与更多中枢途径相连，且其经Ehrlich途径代谢涉及特异性脱羧酶，这使得PEA性状的稳健发展需要更狭窄的选择环境谱。营养富集结果与EvolveX先前发现一致，并得到甘油适应可能附带适应性成本的实验证据支持。当前TRAEV实现受限于模型未纳入时间变化环境和代谢以外的细胞过程，未来可通过动态通量平衡分析（dynamic FBA）及扩展模型改进。总体而言，TRAEV能够从第一性原理推断的性状-适应性耦合出发，预测菌株在应用环境中的进化轨迹和性状稳健性，可整合到计算菌株设计工作流程中，指导菌株和工艺开发，提升使用微生物细胞的工业应用的经济吸引力。