作者：王雪婷、王冠
近日，私拍
王冠副教授与上海交通大学鲁洪中副教授在酶约束模型参数优化与蛋白质丰度预测领域取得重要研究进展。相关成果以“EnzymeTuning improves enzyme-constrained metabolic modeling and proteome abundance prediction through deep learning”为题，发表于国际权威学术期刊Nature Communications。
基于酶约束的基因组尺度代谢模型（enzyme-constrained genome-scale metabolic models，ecGEMs）是代谢工程与合成生物学领域的重要研究工具，可用于预测细胞代谢行为、解析资源分配机制，并指导工业细胞工厂的理性设计。然而，该类模型的预测性能高度依赖酶动力学参数，尤其是酶周转数（kcat）的准确性。当前，已有参数数据普遍存在覆盖度不足、实验条件差异大、难以真实反映胞内复杂催化环境等问题，严重制约了模型预测精度及其应用推广。
针对上述挑战，研究团队开发了基于条件生成对抗网络（Generative Adversarial Network, GAN）的深度学习框架EnzymeTuning，实现了酶约束代谢模型中酶动力学参数的全局优化。该方法在满足生长表型约束条件下，能够系统提升模型对蛋白质丰度的预测能力，并显著降低极端酶预测误差。进一步地，研究团队创新性地引入文献来源的蛋白降解常数，推断蛋白质合成速率并将其纳入模型约束体系，从而有效扩大了模型可预测蛋白的覆盖范围。研究结果表明，EnzymeTuning不仅在酿酒酵母中表现优异，还成功推广至乳酸克鲁维酵母、马克斯克鲁维酵母、解脂耶氏酵母及大肠杆菌等多种重要工业微生物，展现出良好的通用性与可扩展性。此外，该方法还能够用于解析不同营养条件下细胞酶利用模式及催化资源分配规律，并辅助挖掘代谢工程潜在改造靶点，为高性能工业菌株的理性设计提供了新的计算工具，也为合成生物学相关研究提供了有力的理论与方法支撑。
私拍
博士生王雪婷为论文第一作者，私拍
王冠副教授、上海交通大学鲁洪中副教授为论文共同通讯作者。研究工作得到了庄英萍教授的悉心指导。该研究得到了国家重点研发计划、国家自然科学基金、上海市基础研究“探索者”计划、上海市自然科学基金和江苏省科技重大专项等项目资助。
原文链接：//www.nature.com/articles/s41467-026-73744-3