《Green Energy & Environment》:Computational design of microbial cell factories for sustainable biomanufacturing
微生物细胞工厂(Microbial Cell Factories, MCFs)为利用可再生碳源生产燃料、化学品和材料提供了生物途径,以温和条件下的发酵基替代方案取代石化工艺,并产生更少的有害副产物。然而,要在工业规模上实现这一潜力,需要工程化改造微生物,使其能够高效地将代谢通量导向目标产物,同时在工业条件下维持稳健的性能;随着系统复杂性的增加,这一挑战是传统经验方法仅能部分应对的。计算方法现已成为应对这一挑战的核心,改变了分子、途径、宿主和工艺层面设计方案的生成与评估方式。在此,研究人员综述了基于序列和结构的模型、逆生物合成规划工具、基因组规模代谢模型以及工艺层面预测框架如何在这些层面为细胞工厂设计提供信息,重点介绍了它们的发展、适用范围和局限性。总体而言,这些计算方法使MCFs的工程化更加系统和可扩展,标志着从主要依赖经验迭代向预测性和设计驱动的绿色生物制造转变。
1. 引言
可持续生产燃料、化学品和材料日益依赖可再生原料和多样化的低碳转化策略。微生物生物制造利用微生物细胞工厂(MCFs)通过工程化改造的细胞代谢将可再生原料转化为高附加值产物。与石化路线相比,微生物过程在温和条件下运行,依赖遗传可编程催化剂,在原料灵活性、碳效率和规模化生产方面具有优势。
尽管可再生碳转化取得进展,但目前仅有约30种生物基化学品在商业化规模生产或计划生产,2020年全球市场仍低于100亿美元,远低于数万亿美元规模的石化产业。这一差距反映了将细胞设计转化为稳健、可预测和可扩展生产系统的内在困难。核心挑战在于细胞组织的固复杂性,其生物学功能源于多个层面紧密耦合的过程。酶、途径和宿主层面的工程各自具有挑战性且紧密相互关联,以致分子扰动可以跨层面传播并以非线性方式重塑细胞生理。因此,有效的菌株工程需要在分子、途径、宿主和工艺层面进行协调考虑。计算方法因此在实现这一目标方面变得至关重要,能够系统探索和优化工程策略。然而,尽管各领域计算方法迅速发展,现有研究和综述仍然高度碎片化,通常聚焦于孤立层面或特定建模框架,缺乏这些方法如何在完整设计层级中协同运作的统一视角。
本综述提出将细胞工厂设计明确分解为四个相互关联的层面——分子、途径、宿主和工艺——共同为微生物生物制造中的计算方法提供结构化框架。在分子层面,基于序列和结构的模型能够预测酶的功能、稳定性和活性。在途径层面,逆合成和热力学框架评估生物合成的可行性和效率。在宿主层面,基因组规模模型和数据驱动模型捕获系统范围的代谢响应以及生长-生产权衡。在工艺层面,预测模型整合环境和生物反应器规模变量以优化培养条件、放大行为和工业性能。本综述在此四层框架内综合最新进展,并强调整合分子、途径、宿主和工艺层面建模如何实现MCFs更具预测性、可扩展性和理性的设计。进一步讨论了当前局限性,包括模型跨生物学背景泛化的挑战、跨层面整合以及从计算预测到稳健工业性能的转化,并概述了下一代可持续生物制造系统的未来机遇。
2. 分子层面的计算设计
在MCFs中,分子层构成生物合成功能的最根本基础,包括酶、遗传部件和调控元件,共同决定途径的可行性和性能。这些组分定义了催化、表达和调控能力,碳通量最初在生化水平上通过这些能力建立。然而,其有效性本质上依赖于具体情境,因为分子功能持续受到途径架构和产过程中的细胞内生理条件塑造。
2.1 酶催化功能的计算设计
MCFs中的酶设计可广泛分为三个相互关联的阶段:在现有序列空间中进行酶筛选、对鉴定候选酶的序列优化、以及对缺乏天然催化剂反应的全新设计。
酶筛选依赖于对庞大天然序列空间的表征以鉴定功能和高效能生物催化剂。这一过程根本上由计算模型驱动,预测酶功能和催化性能。在功能层面,预测任务包括酶学委员会(Enzyme Commission, EC)编号分类、酶-底物对预测和酶-反应映射。代表性方法如CLEAN,一种基于对比学习的框架,相比传统基于同源性的方法显著提高了EC注释准确性,能够可靠预测表征不足的酶、纠正错误注释的序列并鉴定多功能酶。基于Transformer的模型如DeepECtransformer进一步增强了EC注释性能,在大肠杆菌(Escherichia coli)等生物中展示了对未知功能酶的强注释能力。更新的方法包括ECRECer、ECPICK、EnzBert和EnzymeNet,采用层次多任务学习、深度残差网络等架构进一步提升性能。
第二类方法旨在预测酶-底物兼容性。例如,ESP整合来自ESM-1b的蛋白质语言模型嵌入进行酶表示,结合图神经网络进行底物表示,并应用基于树的学习预测酶-底物关联。EnzRank采用在酶-底物配对数据上训练的卷积神经网络进行底物注释。更近的EnzymeCAGE整合蛋白质序列和结构表示与反应感知几何建模以预测酶-反应关联,将酶注释从底物配对扩展到先前未表征反应的催化特异性。第三类聚焦预测定量酶学性质如催化活性和结合亲和力。首个深度学习转换数(turnover number, k
cat)预测模型DLKcat,及后续方法TurNuP、UniKP、GELKcat和CataPro,以蛋白质序列和底物信息为输入预测k
cat及相关活性指标。更近期研究进一步整合蛋白质结构信息以提高预测准确性,突显了整合多层次生化特征进行酶性质预测的持续努力。
尽管取得进展,当前模型性能根本上受数据稀缺性和不平衡性制约。虽然约8000个EC编号已被定义,但大多数EC预测模型对稀有或代表性不足的EC类别可靠性显著降低。这一局限性主要源于注释酶的高度偏斜分布,超过58%的EC类别含有少于10个实验表征序列,使得训练稳健可泛化分类器困难。
鉴于筛选鉴定酶的催化性能和底物兼容性有限,酶工程聚焦于优化现有序列以满足MCFs功能需求。蛋白质语言模型如ESM-1b和ESM-2从大规模序列数据捕获进化约束,支持零样本适应性预测和变体评分。在此基础上,EVOLVEpro、ALDE、EvoScan和EVOPlay等方法证明迭代计算机定向进化可在少量设计周期内提高酶活性,大幅减少实验筛选需求。
基于结构的设计方法在活性位点几何已知时进一步实现靶向优化。ProteinMPNN和LigandMPNN等工具生成与确定骨架结构和配体环境兼容的序列,促进活性位点重新设计以改善底物特异性和催化效率。同时,AlphaFold等结构预测框架为引导突变设计提供结构背景,尽管其对柔性结合位点非天然底物的可靠性仍不稳定。
对于缺乏天然催化剂或需要全新化学的反应,全新酶设计成为必要。近期生成蛋白建模进展使得围绕预定义活性位点几何设计酶骨架成为可能。RFdiffusion、ESM-3、ProteinGAN、COMPSS和Pinal等方法以催化约束为条件构建蛋白质序列,无需依赖天然模板即可创建功能性序列。这些方法已成功生成丝氨酸水解酶、苹果酸脱氢酶和PETase等多种反应的活性催化剂,展示了完全计算酶设计的可行性。然而,全新酶设计的实际成功率仍然有限,功能性设计仍需筛选,且主要在相对简单的反应中得到证明。
2.2 途径平衡的调控元件设计
平衡多基因生物合成途径中的酶表达对于维持MCFs中的生产性通量至关重要。表达不平衡常导致通量瓶颈和中间体积累。随着途径长度增加,每个额外酶引入新的表达变量,一搏动子和核糖体结合位点(Ribosome Binding Site, RBS)组合数指数增长,难以鉴定生产条件下实现平衡通量的少数表达配置。
调控元件设计通过启动子和RBS优化实现基因表达的系统调谐,应对这一挑战。对于翻译控制,基于核糖体-mRNA结合热力学的机制模型如RBS Calculator从序列特征预测翻译起始速率并在多样化情境中泛化。更新的方法如UTR-LM通过学习序列-二级结构关系和核糖体加载扩展此框架。对于转录控制,启动子活性依赖于分布式序列特征和局部情境,数据驱动模型更为有效。CAPE、PromoGen和DeepSEED等生成方法通过学习大规模数据集中的序列-功能关系,实现跨多个宿主的合成启动子设计,具有可调强度和动态范围,促进MCFs中基因表达的系统优化以实现途径平衡。
2.3 动态控制设计
在构建时平衡途径表达不能保证发酵过程中维持这一平衡。异源途径通量增加时,前体池被耗尽,辅因子可用性随生长-生产权衡而偏移,支持产出性状的生理状态逐渐偏离设计时的假设。基于别构转录因子(Allosteric Transcription Factor, aTF)的传感模块通过将细胞内代谢物浓度与条件基因表达偶联,将原本不可及的生理变量转化为实时动态调整途径输出的调控信号,解决这一局限。
与酶或调控元件相比,实验表征的aTF-配体-响应关系仍然稀疏。大多数aTF发现的计算工具依赖重组现有表征的相互作用数据。Snowprint从基因组情境预测调控因子-操纵子对;Ligify挖掘酶反应数据库提名用户定义配体的候选TF;DetSpace通过识别将不可检测化合物转化为TF识别分子的代谢途径扩展可检测化学空间;DeepTFactor通过从序列直接预测TF身份独立于已知DNA结合域的同源性扩展候选池。
尽管候选鉴定得到改善,这些方法通常需要大量下游工程才能实现生产相关性能。特异性、灵敏度和动态范围的优化因而主要依赖结构设计,反映了当前基于序列的模型在别构系统中预测能力的局限。例如,阿洛糖响应调控因子PsiR的计算重新设计将传感器EC
50提高20倍,同时筛选少于100个突变体。Cello和Cello 2.0等工具进一步将传感器组合成多输入遗传电路,尽管部件兼容性和宿主情境依赖性限制了工业条件下的可预测性。
总体而言,通用化的aTF传感器计算设计仍受别构调控内在性质的局限。多维传感输出无法在没有配体结合与DNA结合域之间界面结构扰动如何传播的机制理解时,从序列可靠推断。高通量aTF序列-配体-响应景观的映射将缩小这一差距,但计算方法目前最有效的是作为实验优先排序的指南,而非自主设计平台。
3. 途径层面的计算设计
选择通往目标产物的生物合成路线是细胞工厂设计中最具决定意义的决策之一,因为它决定了理论碳得率、酶促步骤数以及对宿主施加的辅因子和氧化还原需求。实践中,同一产物通常存在多种生化上合理的路线;但化学计量等价并不必然转化为可比性能。
3.1 天然途径重建
基因组挖掘进展大幅降低了生物合成基因簇(Biosynthetic Gene Clusters, BGCs)鉴定难度,尽管非常规系统中仍存挑战。BGC检测已从基于规则的方法发展到基于学习的方法,反映了生物合成序列多样性超出 curated 类别定义。antiSMASH通过已知生物合成类别相关保守结构域架构识别基因簇,覆盖古菌、细菌和真菌的81种BGC类型,数据库跨越超过56,000个注释基因组。DeepBGC使用Pfam结构域序列上的双向长短期记忆网络(Long Short-Term Memory, LSTM)解决这一局限以提高对新BGC类别的泛化;eDeepBGC以数据增强扩展此方法;BGC-Prophet将检测扩展到系统发育尺度的全新架构。
然而,检测本身并不能产生可操作的途径。推断酶功能和预测途径输出仍主要依赖表征酶的同源性,当近缘同源体缺失时这一方法失效。PRISM将基因簇结构域架构与预测代谢物结构相链接,实现从序列进行产物导向的途径重建。
3.2 非天然途径设计
当目标化合物不存在已知天然生物合成途径,或现有途径因辅因子成本或碳损失限制生产性能时,途径设计成为从可能的酶促转化空间中设计生化反应序列的问题。平台化学品如2,4-二羟基丁酸和1,2-丁二醇并非天然代谢物,即使对于已知生物合成路线的化合物,非天然替代也可通过避免进化优化途径中嵌入的氧化还原失衡和分支点损失来改善碳得率。
计算方法通过系统探索和优先排序候选路线同时保留足够的生化真实性以进行下游评估来应对这一挑战。基于规则的逆生物合成方法建立在 curated 酶促转化数据库之上,维持与生化先例的直接联系,支持早期化学计量和热力学过滤。RetroPath2.0整合单步规则应用与宿主代谢情境;RetroPath RL提高了更大网络中的搜索效率。RetroBioCat和Pickaxe通过纳入酶促特异性之外的酶混杂性扩展可及化学。SubNetX在路线生成过程中整合辅因子化学计量和能量平衡,应用于70种工业相关天然和合成化学品,为每种化合物鉴定了至少一条达到最大理论碳得率的可行途径。
为扩展超越这些约束,基于学习的方法将单步逆生物合成视为分子预测问题,能够探索现有生化规则未捕获的转化。BioNavi-NP结合基于Transformer的反应预测与AND-OR树规划生成多步途径,在天然产物合成路线中实现高覆盖率。然而,许多预测转化无法直接映射到已知酶,即使化学上合理。DeepRFC等方法通过从底物-产物对评估反应似然性,在酶分配前实现生成反应的预筛选。
尽管取得进展,根本局限仍然存在。KEGG和MetaCyc等数据库中大量编目反应缺乏关联酶序列,逆生物合成方法提出的转化更远超表征酶空间。因此,非天然途径设计的主要瓶颈不是路线生成,而是鉴定、发现或工程化能够催化所提反应的酶的能力。
4. 宿主层面的计算设计
即使途径在生化上可行且酶学上可实现,将其整合到宿主微生物中并不完成工程任务。途径在分配碳、辅因子、能量于生长和竞争生物合成需求的细胞网络中运作,这种分配默认很少与产物形成对齐。
4.1 机制建模
机制模型为预测遗传扰动如何重塑网络水平代谢通量提供了结构化框架。基因组规模代谢模型(Genome-Scale Metabolic Models, GEMs)编码整个代谢网络中的化学计量学和热力学约束,使通量平衡分析(Flux Balance Analysis, FBA)能够无需动力学参数即可鉴定可行通量分布。在此框架内,目标合成与内源代谢之间的权衡变得明确:生物合成路线可能与生长必需中间体竞争,施加不可持续的氧化还原需求,或激活将碳从产物转移走的代谢汇。
菌株设计算法将这些预测转化为干预靶点,例如OptKnock将大肠杆菌中C
12脂肪酸生产的候选空间减少至九个缺失靶点,实现了7.5倍改进。FSEOF和iBridge分别实现了过表达和下调靶点的鉴定,从而拓宽了可操作设计范围。然而,许多基于FBA的菌株设计工作流以生物量最大化作为默认目标函数,当工程菌株偏离生产条件下的生长最优行为时,预测可靠性下降。
酶约束GEM(enzyme-constrained GEMs, ecGEMs)通过将转换数和酶丰度作为通量上限来解决化学计量模型缺乏酶容量约束的问题。GECKO 3.0等框架整合蛋白质组学数据和机器学习预测的动力学参数以提高覆盖率,提供跨多样化生物构建ecGEMs的标准化工流。ecFactory管线应用ecGEMs预测基因靶点以增强生产;在酿酒酵母(Saccharomyces cerevisiae)中103种工业相关化学品的评估中,鉴定了与报道实验结果一致的工程靶点,并揭示了跨多产品类别共享的靶点。
4.2 数据驱动建模
随着遗传干预数量增加,仅从网络结构预测多基因组合结果变得日益不可靠。有效设计在指数级大的组合空间中稀疏分布,实验筛选只能部分探索。机器学习通过直接从实验学习基因型-表型关系解决这一局限,无需底层相互作用的显式机制模型。
贝叶斯优化在细胞工厂工程典型的低数据环境中尤为有效,通过维持生产景观的概率模型并通过每个设计-构建-测试-学习(Design-Build-Test-Learn, DBTL)循环迭代细化。ART等平台在多个代谢工程项目中展示了这一点,实现排序菌株推荐和概率得率预测。在恶臭假单胞菌(Pseudomonas putida)中,主动学习引导的多重CRISPR干扰在六个DBTL循环中将异戊烯醇产量提高5倍,同时采样不足800,000可能组合中的400个。BacterAI实现了完全自主的实验设计,在几天内以高精度绘制出口腔链球菌的氨基酸需求。
为进一步扩展有效训练空间,D2Cell等近期方法使用大型语言模型挖掘非结构化文献,大规模提取基因型-表型关系,构建了跨越1,210种产物和751种生物的超过29,000个干预-表型对数据库。
4.3 混合建模
机制模型编码数据驱动方法缺乏的化学计量和生物化学结构,但这种结构本身不完整。GEMs中的结构缺口直接传播为工程靶点误差。即使精心策划的GEM也因未注释基因或表征不功能的缺失反应而存在缺失反应,在不了解其影响的情况下通过通量和必需性预测传播。
缺口填充方法通过从网络信息推断缺失反应解决结构不完整性。CHESHIRE使用网络拓扑深度学习预测候选反应,改善49个草案GEMs的表型预测;NICEgame结合ATLAS of Biochemistry数据库与GEM必需性分析恢复大肠杆菌中导致预测误差的基因链接反应。
超越缺口恢复,GEM衍生的通量谱可作为机器学习模型的结构化机制特征;在解脂耶氏酵母(Yarrowia lipolytica)中,GEM通量谱作为机器学习特征实现了滴度预测和菌株设计靶点评估。AMN引入可学习的情境依赖性通量约束,改善大肠杆菌和恶臭假单胞菌的生长预测。NEXT-FBA使用神经网络预测的外代谢组数据约束的中国仓鼠卵巢细胞GEM,改善细胞内通量预测并鉴定重组蛋白生产靶点。FlowGAT整合通量信息与图注意力网络以改善超越生长最优性假设的基因必需性预测。
5. 工艺层面的计算设计
通过菌株和宿主工程建立的生产表型并非固定,而是依赖于在发酵过程中持续变化的细胞内环境——底物消耗、O
2水平波动、副产物积累。因此,实验室条件下优化的遗传设计在工业水平上常在不同的生理状态下运行。
软传感器通过学习从可及工艺信号到潜变量的映射解决这一问题。例如,模型已用于估算工业发酵罐中赖氨酸、蔗糖和生物量浓度,迁移学习提高了毕赤酵母(Pichia pastoris)培养中跨操作条件的稳健性。结合质量平衡约束的混合方法在动力学参数变化时维持更可靠的预测,因为守恒定律即使在参数变化时仍成立。
底物补料是塑造发酵轨迹的主导控制杠杆。模型预测控制(Model Predictive Control, MPC)使用动力学模型优化未来视野的补料策略,因其可解释性而广泛应用,但当培养偏离模型校准条件时性能下降。强化学习(Reinforcement Learning, RL)提供替代方案,直接从工艺轨迹学习控制策略;例如,基于RL的控制器在可变操作条件下提高得率并抑制补料分批酵母发酵中的乙醇积累。
数字孪生框架将状态估计和控制整合到持续更新的闭环中。在IndPenSim工业青霉素基准中,在工艺数据上训练的RL控制器实现14%的平均得率提升,同时保持每步0.01至0.03秒的控制决策。类似方法已在高密度大肠杆菌发酵中验证,RL还扩展到细胞内控制,动态优化响应工艺条件的酶表达策略以进行大肠杆菌中的乳酸生产,这些发展模糊了过程控制与细胞调控的边界。
6. 结论与展望
计算方法已在细胞工厂工程的每个层面实质改善了候选设计的生成、评估和优先排序。酶建模进展将可搜索的序列-功能空间扩展到同源性约束之外。逆合成和热力学工具实现了途径替代方案的系统设计。在宿主层面,机制和数据驱动模型减少了菌株优化的实验负担。在工艺层面,预测性过程模型和自适应控制策略改善了动态条件下的发酵稳健性。跨所有四个层面,这些发展已转化为滴度、得率和工程效率方面的可测量增益。
然而,持久局限在于预测准确性不能可靠地跨层面传递。此外,即使单一层面的预测可靠性在应用于训练条件未充分捕获的复杂真实生物情境时也会下降。各层面优化的设计通常在未完全捕获相邻层面约束的假设下评估,导致在更复杂生物和操作情境中实施时性能下降。这反映了更广泛的挑战:虽然各层面经历了快速方法学进步,但将分子、途径、宿主和工艺层面整合到统一预测模型中的计算框架仍然发展不足。
计算设计不仅应以预测准确性评估,还应以其如何有效加速DBTL循环中的实验来评估。高分辨率方法如深度学习、结构预测和分子模拟可支持酶选择、途径排序和菌株优化的精确决策,但其性能仍受训练数据可用性和质量制约。计算不能替代实验验证,但能改善实验在DBTL循环中的分配。
跨层面整合差距与可用数据的结构密切相关。大多数数据集在单一层内生成,与上下游情境耦合有限。解决这一局限需要协调的实验设计,在同一生物情境中捕获多层次系统行为,使模型学习跨层面依赖而非孤立关系。在足够规模和一致性上生成此类数据集超出传统实验能力,其中协议和测量条件因实验室而异。自动化生物铸造厂可通过生产内部一致、多层次数据集解决此问题,将遗传扰动与细胞内状态和生产指标在同一实验记录中关联,提供当前数据集缺乏的跨层面监督信号。耦合生物铸造厂管线与主动学习和实验室闭环工作流,为在越来越具有生产相关性的条件下使计算设计更具预测性提供了实际途径。展望未来,核心挑战不是单一层面的计算工具缺乏,而是缺乏在设计决策跨层面传播时保持预测准确性的框架。进展将取决于开发明确考虑跨层面相互作用的模型,以设计用于生成可互操作、多层面数据的实验管线为支持。实现这种整合对于将计算设计转化为稳健、可扩展和经济可行的生物制造系统至关重要。