基于机器学习耦合通量平衡分析与反应输运模型实现微生物代谢切换的快速稳定模拟

本研究针对基因组尺度代谢网络与反应输运模型(RTM)耦合时存在的计算效率低、数值不稳定等问题，创新性地采用人工神经网络(ANN)构建通量平衡分析(FBA)的替代模型，成功模拟了Shewanella oneidensis MR-1在乳酸、丙酮酸和乙酸间的动态代谢切换。该方法将计算时间缩短3个数量级，为复杂生态系统建模提供了新范式。

　　

微生物在自然环境中展现出的动态代谢能力一直是系统生物学研究的难点。传统通量平衡分析(FBA)虽能解析基因组尺度代谢网络，但与反应输运模型(RTM)耦合时面临巨大挑战：每次时空网格计算都需重复求解线性规划(LP)，导致计算效率低下；动态FBA(dFBA)还常出现数值不稳定问题。更复杂的是，像Shewanella oneidensis这类微生物会随环境变化切换碳源利用策略——在好氧条件下先利用乳酸产生丙酮酸和乙酸，再依次切换至这些代谢产物作为碳源。这种动态代谢切换的模拟需要突破传统方法的局限。

针对这些挑战，美国太平洋西北国家实验室(Pacific Northwest National Laboratory)的Hyun-Seob Song等研究者创新性地将机器学习引入代谢建模领域。他们训练人工神经网络(ANN)替代传统LP求解，构建了能预测代谢通量的代数方程模型，并将其作为源/汇项嵌入RTM。相关成果发表在《Scientific Reports》上，为复杂生态系统模拟提供了新范式。

研究团队采用三项关键技术：(1)多步FBA优化框架，通过引入参数α_Bio,Lac、α_Pyr,Lac等约束代谢副产物产量；(2)基于5000组随机采样数据的ANN训练，构建多输入多输出(MIMO)替代模型；(3)控制论建模方法，通过竞争系数u_Lac、u_Pyr等动态调控碳源切换。

表征FBA解空间特性

通过改进iMR799代谢网络模型，研究发现S. oneidensis的 biomass生成速率呈现碳限制(C)、氧限制(O)和双重限制(C&O)三个相平面。而丙酮酸、乙酸的生成模式更为复杂，分别呈现5-7个相平面，这种非线性特征源于多步LP的参数约束。

ANN模型的稳健性能

比较单输出(MISO)与多输出(MIMO)模型发现，含10节点5层的MIMO模型预测精度达R>0.9999。关键突破在于ANN能内化多步LP的复杂约束关系，避免了传统方法在底物耗尽时的数值崩溃问题。

批次培养中的代谢切换模拟

模型成功再现了乳酸→丙酮酸→乙酸的序贯利用过程，溶解氧(DO)动态与实验观测一致。ANN模型仅需0.1-0.2%的计算时间，且无需特殊数值处理即可保持稳定，而传统LP方法在27小时即因丙酮酸趋零而崩溃。

一维柱反应器的FBA-RTM耦合

在100个空间网格的体系中，ANN模型几分钟即可完成模拟，计算效率提升约1000倍。传统LP方法在30个网格以上即无法获得稳定解，凸显了新方法的优越性。

这项研究通过机器学习实现了代谢建模的范式转变。ANN替代模型不仅解决了计算瓶颈，其代数方程形式还天然避免了dFBA的数值病态问题。控制论框架的引入则首次实现了代谢切换的动态模拟，弥补了传统动力学模型的不足。该成果为整合多组学数据、构建跨尺度生态系统模型奠定了基础，在环境修复、生物制造等领域具有广阔应用前景。研究者已将方法集成至孔隙尺度建模工具CompLaB中，正推动其向更大规模的生态系统模拟拓展。