生物数学中的代谢网络进化代谢流平衡分析 我们先从最基础的概念开始。代谢网络是细胞内所有代谢反应（如糖酵解、三羧酸循环）及其相互关联的集合。这些反应将营养物质转化为能量（如ATP）和生命所需的构建模块（如氨基酸、核苷酸）。我们可以用一个化学计量矩阵 S 来数学表示这个网络，其中行代表代谢物，列代表反应，矩阵元素表示每个代谢物在每个反应中的参与 stoichiometry（化学计量系数）。 接下来是 通量平衡分析（FBA） 。这是分析代谢网络最核心的静态方法。其基本假设是，代谢网络在稳态下运行，即每种代谢物的净生成速率为零（ S · v = 0 ，其中 v 是反应通量向量）。在这个约束下，FBA通过设定一个生物目标（如最大化生物量生成速率）并求解一个线性规划问题，来预测代谢通量分布。这帮助我们理解细胞在特定环境下的代谢潜能。 现在，我们将进化思想引入。 代谢网络进化代谢流平衡分析 的核心是模拟自然选择在代谢网络上的作用。我们不再只分析一个孤立的网络，而是考虑一个种群中的多个变异网络。基本模拟框架如下： 初始种群 ：从一个祖先代谢网络模型开始，创建一个包含多个相同个体（基因型）的种群。 突变 ：在每一代，个体的基因型（即代谢网络）以一定概率发生突变。突变形式可以是反应通量上下界的改变、反应的可逆性变化，或者更复杂地，通过基因复制和丢失来增加或删除网络中的反应。 选择 ：对每个变异后的个体（代谢网络），在给定的环境条件（如营养可用性）下进行FBA计算，以最大化其适应度函数。适应度通常直接与某个关键通量（如生物量生成速率）成正比。通量越高，适应度越高。 繁殖 ：根据适应度比例选择个体进入下一代种群（类似轮盘赌选择），高适应度个体有更高几率繁殖。 通过迭代上述步骤成百上千代，我们可以观察代谢网络如何为了优化特定功能（如在新的碳源上生长）而进化。这个模型能够揭示进化过程中出现的代谢策略，例如：如何绕过被破坏的反应、如何优化通量分配以在竞争性目标间取得权衡，以及如何演化出节能高效的路径。它连接了基因型（网络结构）、表型（通量能力）和适应度，为理解代谢系统的进化动力学提供了强大的数学框架。