MACAW：一种半自动化检测基因组规模代谢模型错误的方法及其在人类和微生物代谢研究中的应用

《Genome Biology》：MACAW: a method for semi-automatic detection of errors in genome-scale metabolic models

编辑推荐：基因组规模代谢模型(GSMMs)在预测代谢通量和药物靶点发现中具有重要价值，但错误反应严重制约其应用。波士顿大学团队开发了代谢准确性检查与分析工作流(MACAW)，通过死端测试、稀释测试、重复测试和循环测试四种算法，在人类、酵母和大肠杆菌GSMMs中成功识别并纠正了数百个反应错误，显著提高了Human-GEM对脂酸合成通路基因敲除的预测准确性，为代谢网络建模提供了创新工具。

　　

代谢模型是理解生命活动的关键工具，但就像一张复杂的地图，任何细微的误差都可能导致整个导航系统失效。基因组规模代谢模型(GSMMs)作为代谢研究的"数字孪生"，能够预测细胞代谢通量，在药物靶点发现、微生物代谢工程等领域发挥重要作用。然而，这些包含数千个反应的复杂网络模型中，错误反应如同隐藏在迷宫中的陷阱——可能是错误的化学计量系数、缺失的反应，或是热力学不可行的循环通量。更棘手的是，这些错误往往分散在高度互联的网络中，传统方法难以系统识别。波士顿大学Daniel Segre和Juan I. Fuxman Bass团队在《Genome Biology》发表的研究，带来了解决这一难题的创新工具。

研究团队开发了代谢准确性检查与分析工作流(MACAW)，包含四种互补算法：死端测试识别无法维持稳态通量的反应；稀释测试检测只能循环不能净合成的辅因子代谢；重复测试发现冗余反应；循环测试定位热力学不可行的通量循环。这些算法不仅能标记可疑反应，还能将其连接成通路级错误网络，显著提高了错误定位效率。

在技术方法上，研究团队首先收集了人类(Human-GEM)、酵母(yeast-GEM)和大肠杆菌(iML1515)的GSMMs，设置培养基成分约束条件后，应用线性规划检测死端代谢物，构建稀释约束方程分析辅因子代谢，通过反应相似性评估识别重复反应，并采用通量变异性分析(FVA)定位循环通量。针对7302个AGORA2数据库的肠道微生物GSMMs进行了大规模验证，并通过基因敲除模拟评估模型改进效果。

研究结果显示，MACAW在三个经典模型中分别标记出40-52%的可疑反应。通过通路网络可视化，团队发现人类SDH(琥珀酸脱氢酶)被错误表示为两个独立反应，修正后消除了热力学不可行的通量循环。在甘油-3-磷酸(G3P)穿梭系统中，NADPH依赖的错误版本被识别并移除，使代谢通路表示更准确。最显著的突破出现在脂酸代谢领域——稀释测试显示Human-GEM和yeast-GEM中脂酸合成与利用反应存在断开，修正后的模型(版本1.19+)成功预测了GLRX5、IBA57、LIAS和LIPT1基因敲除导致的乳酸和甘氨酸水平变化，与临床观察完全吻合。

在自动重建模型评估中，MACAW揭示了不同重建方法的系统性偏差。CarveMe方法构建的模型死端反应最少(33-36%)，接近手工模型水平，而其他方法可达52%。对7302个AGORA2模型的分析显示，循环和重复反应的分布具有多峰特征，暗示某些微生物类群存在特殊的代谢网络构建挑战。

这项研究的意义在于，MACAW不仅提供了GSMM质量评估的新标准，更开创了从通路层面系统性识别和修正错误的新范式。相比MEMOTE等现有工具，MACAW能发现更广泛的重复反应类型，并通过创新的稀释约束应用，首次将代谢物稀释概念转化为错误检测工具。研究证实，即使是Human-GEM这样经过多年精心打磨的模型，仍存在数百个可纠正的错误，这些改进直接提升了模型对代谢疾病的预测能力。该工作为代谢网络建模设立了新标杆，其开源工具将促进整个领域模型质量的提升，为精准医学和合成生物学应用奠定更可靠的基础。