Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
通量平衡分析如何对代谢进行建模？
摘要
代谢通量平衡分析（Flux Balance Analysis, FBA）是一种基于线性规划的数学建模方法，广泛应用于系统生物学和代谢工程领域。FBA通过分析代谢网络，能够在不同环境条件下帮助研究者理解细胞的代谢行为，预测代谢产物的生成，并优化生物过程。FBA的基本原理涉及代谢网络的化学计量学，通过线性优化技术来预测在特定环境条件下细胞的代谢通量分布。该方法利用代谢反应的化学计量关系，将代谢反应表示为线性方程组，并通过定义目标函数（如生物量合成速率）来优化代谢通量分布。FBA的优势在于能够处理大规模的代谢网络，适用于多组织或多细胞的模型，尽管其假设代谢网络处于稳态，但近年来研究者们已开始将FBA与机器学习和动力学模型结合，以更全面地描述代谢过程。FBA在微生物代谢研究中的应用包括对厌氧混合培养物的代谢评估和动态FBA在大肠杆菌双代谢生长分析中的应用。在植物代谢优化方面，FBA能够结合动态模型，预测不同环境条件下的代谢流动。人类细胞代谢的建模中，FBA被用于分析代谢网络在基因缺失或药物抑制下的反应。尽管FBA面临着模型构建的复杂性和动态行为模拟不足等挑战，但其在代谢建模领域的重要性和潜力仍不可忽视。未来的研究应集中在增强FBA的动态建模能力和结合多组学数据，以更好地理解细胞代谢的复杂性和灵活性。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 代谢通量平衡分析的基本原理
- 2.1 FBA的数学基础
- 2.2 代谢网络的构建与表示
- 3 FBA的应用与案例分析
- 3.1 微生物代谢的研究
- 3.2 植物代谢的优化
- 3.3 人类细胞代谢的建模
- 4 FBA与其他代谢建模方法的比较
- 4.1 代谢流分析（MFA）
- 4.2 动态代谢建模
- 5 FBA的局限性与未来发展
- 5.1 当前的挑战
- 5.2 未来的研究方向
- 6 总结
1 引言
代谢通量平衡分析（Flux Balance Analysis, FBA）是一种基于线性规划的数学建模方法，广泛应用于系统生物学和代谢工程领域。FBA通过分析代谢网络，能够在不同的环境条件下帮助研究者理解细胞的代谢行为，预测代谢产物的生成，并优化生物过程。这种方法的出现和发展为生物医学研究提供了新的视角，尤其是在理解疾病机制、药物开发和生物工程等方面。近年来，随着计算能力的提升和代谢网络数据库的不断完善，FBA的应用范围不断扩大，从微生物到植物细胞，甚至人类细胞的代谢网络均可通过FBA进行深入研究[1][2]。
FBA的研究意义在于其能够通过对代谢网络的定量分析，揭示细胞在特定条件下的代谢策略。这种策略的理解不仅对基础生物学研究具有重要意义，也为生物技术的应用提供了理论支持。例如，在代谢工程中，FBA可以帮助优化微生物的代谢路径，以提高目标产物的产量和纯度[3][4]。此外，FBA还在疾病模型的构建和药物靶点的筛选中展现出潜在的应用前景，为精准医学的发展提供了新的思路[5]。
目前，FBA已经成为代谢建模领域的重要工具，相关研究不断涌现。已有文献表明，FBA不仅可以应用于传统的微生物代谢研究，还能扩展到植物代谢的优化和人类细胞代谢的建模中[6][7]。然而，FBA也面临一些挑战，例如在复杂的代谢网络中，如何准确地构建模型以及如何处理不确定性等问题。当前的研究集中在改进FBA模型的构建方法、增加模型的准确性以及探索其在动态条件下的应用[8][9]。
本报告旨在系统综述FBA在代谢建模中的应用，内容将组织如下：首先介绍FBA的基本原理，包括其数学基础和代谢网络的构建与表示；接着探讨FBA在微生物、植物和人类细胞代谢研究中的具体应用与案例分析；随后比较FBA与其他代谢建模方法，如代谢流分析（MFA）和动态代谢建模；最后讨论FBA的局限性及未来发展方向，包括当前的挑战和潜在的研究方向。通过对现有文献的系统回顾和案例分析，本文将为读者提供一个全面的FBA视角，帮助理解其在代谢研究中的重要性及应用前景。
2 代谢通量平衡分析的基本原理
2.1 FBA的数学基础
代谢通量平衡分析（Flux Balance Analysis, FBA）是一种用于分析代谢网络中代谢物流动的数学方法。其基本原理基于代谢网络的化学计量学（stoichiometry），通过线性优化技术来预测在特定环境条件下细胞的代谢通量分布。
FBA的数学基础涉及到几个关键要素。首先，FBA利用代谢网络中反应的化学计量关系，将代谢反应表示为一个线性方程组。每个反应的输入和输出物质通过化学计量系数相联系，从而形成一个矩阵，这个矩阵描述了代谢网络的整体结构。通过这种方式，FBA能够捕捉到代谢物之间的相互关系，并提供一个代谢网络的全局视图[8]。
其次，FBA通常定义一个目标函数，该函数通常与生物质合成速率相关联，称为生物量目标函数。这个目标函数用于优化代谢通量分布，以最大化细胞的生长或其他生理功能[8]。在这一过程中，模型会考虑到生长的需求以及合成所需的基本代谢前体，以确保预测的代谢通量符合细胞的生长和代谢需求[10]。
此外，FBA的优化过程是通过线性规划来实现的，通常使用单纯形法或内点法等算法。该方法可以处理大规模的代谢网络，适用于多组织或多细胞的模型[11]。然而，FBA的一个局限性在于它假设代谢网络处于稳态，未考虑代谢动力学或调控事件，这可能影响到生物学上的解释[11]。
为了解决这些问题，研究者们开始将FBA与其他数据分析和建模技术结合，特别是机器学习方法，这可以帮助减少数据维度并选择最重要的变量[11]。此外，动力学模型和正式语言（如Petri网）也被用于模拟代谢的动态行为，从而使FBA能够更全面地描述代谢过程[11]。
综上所述，FBA通过结合代谢网络的化学计量学、线性优化以及生物学目标，提供了一种强有力的工具，用于理解和预测细胞代谢的行为和特征。这种方法不仅有助于基础研究，还在代谢工程和生物过程设计中发挥了重要作用[8][10]。
2.2 代谢网络的构建与表示
代谢通量平衡分析（Flux Balance Analysis, FBA）是一种广泛应用于代谢网络建模的计算工具，其基本原理是利用代谢途径的化学计量关系、细胞生长的代谢需求以及最优性原则，来预测在特定环境条件下的代谢通量分布和细胞生长情况。FBA模型通过对代谢网络进行约束条件的设定，结合线性规划方法，来寻找能够最大化某一目标函数（如生物量生成）的代谢通量组合[10]。
在代谢网络的构建与表示方面，FBA通常依赖于代谢反应的化学计量方程式，这些方程式定义了不同代谢物之间的转化关系。代谢网络中的每一个节点代表一个代谢物，而每一条边则代表代谢反应。这些反应被描述为化学方程，反映了底物和产物之间的转化关系[12]。FBA通过设定反应的最大和最小通量来限制代谢网络的行为，从而形成一个线性约束系统[11]。
FBA的关键在于它能够通过分析网络中反应的化学计量关系，推导出细胞在不同生长条件下的代谢行为。具体来说，FBA会根据代谢网络的化学计量约束和生长需求，计算出在给定环境条件下，细胞应如何调整其代谢通量以达到最佳生长[13]。这一过程涉及到对代谢网络的全面分析，包括反应的可行性、通量的分配以及目标函数的优化。
通过FBA，研究人员可以获得细胞在特定条件下的代谢能力的定量预测，并能够为代谢工程和生物合成途径的优化提供理论基础[11]。FBA不仅适用于微生物代谢的建模，也被广泛应用于植物和动物细胞的代谢网络分析，揭示了细胞如何在不同的环境和生理条件下调节其代谢活动[14]。这种方法的优势在于其能够整合大量的实验数据和代谢网络信息，为代谢研究提供了强有力的计算工具和理论支持。
3 FBA的应用与案例分析
3.1 微生物代谢的研究
Flux Balance Analysis (FBA) 是一种用于分析代谢网络中代谢物流动的数学方法，广泛应用于微生物代谢的研究。其核心思想是通过建立代谢网络的数学模型，来预测细胞在特定条件下的代谢流动。FBA 通常假设细胞通过最大化生物量的生成来优化其代谢活动，从而预测细胞的生长速率和代谢产物的生成。
在 FBA 的应用中，首先需要构建一个包含所有代谢反应的代谢网络模型，并定义反应的化学计量关系。然后，通过线性规划的方法，FBA 计算出在给定的环境条件下，代谢网络中各个反应的最优流量。这种方法不仅可以用于单一微生物的代谢分析，还可以扩展到微生物群落的代谢互动研究。
例如，在对厌氧混合培养物的暗发酵过程进行研究时，FBA 被用来评估不同的预处理策略对氢生成和消耗代谢途径的影响。研究表明，低浓度的废油对氢生成细菌的抑制作用较小，而乙酸酯甲烷菌对废油的敏感性更高，这为进一步优化氢生产提供了重要的参考[15]。
此外，FBA 也被扩展至动态 FBA，以研究代谢网络在不同生长阶段的动态变化。例如，动态 FBA 被应用于大肠杆菌的双代谢生长分析，研究发现，瞬时目标函数相较于终端型目标函数能够更好地预测代谢流动[16]。这种方法不仅能够模拟代谢网络在特定稳态下的行为，还能揭示代谢重编程对生长的影响。
在微生物群落的研究中，FBA 还可以结合博弈论的方法来预测群落的稳定组成。在这种模型中，微生物之间通过竞争和合作来最大化各自的生长速率，最终达到纳什均衡。这种方法提供了一种计算上有效的方式来直接计算稳态生物量和代谢流，而无需求解微分方程[17]。
综上所述，FBA 在微生物代谢研究中发挥了重要作用，通过不同的扩展和应用，能够深入理解微生物的代谢机制及其在不同环境条件下的适应性。通过结合其他技术，如同位素标记的代谢流分析（MFA），FBA 可以进一步增强对代谢网络的理解，尤其是在氧气缺乏条件下的代谢适应性研究中[18]。
3.2 植物代谢的优化
Flux Balance Analysis (FBA) 是一种用于分析代谢网络中代谢物流动的数学方法，广泛应用于微生物及植物代谢的研究。FBA 通过构建代谢反应的数学模型，利用线性规划技术预测在特定条件下的代谢流动，进而帮助理解和优化代谢过程。
在植物代谢的优化方面，FBA 可以用于预测不同环境条件下的代谢流动。最近的研究表明，FBA 在结合动态模型时，能够更好地捕捉代谢网络对环境变量的响应。例如，一项研究通过将大豆叶片代谢的 FBA 模型与动态光合作用模型相结合，成功预测了在不同二氧化碳浓度下的代谢流动。这种结合方法使得 FBA 模型不仅能够预测稳态代谢流，还能考虑光强度和夜间呼吸等因素的影响[19]。
此外，FBA 的应用还扩展到通过实验测量的代谢流来约束模型。研究表明，将实验测量的代谢流作为系统约束，可以显著提高 FBA 的预测准确性。例如，在酵母菌的研究中，利用 HPLC 和加速质谱法测量营养消耗率和特定的细胞内代谢流，结果表明，加入实验测量的流动值后，模型的不确定性降低了超过 20%[3]。这表明，FBA 在植物代谢优化中，能够通过结合实验数据，提升模型的可靠性和实用性。
在应用方面，FBA 也被用于构建针对特定代谢途径的优化模型。通过定义适当的生物量目标函数，FBA 可以用于优化细胞生长状态。例如，研究人员利用 FBA 模型分析了大肠杆菌的代谢网络，并通过动态 FBA 方法分析了其在不同培养阶段的代谢重编程[16]。这种方法能够提供关于代谢流动动态变化的深入见解，从而为代谢工程和植物代谢优化提供理论基础。
综上所述，FBA 作为一种强有力的工具，能够通过数学建模和实验数据结合，优化植物代谢过程，提升对植物代谢反应的理解，进而推动农业和生物技术的发展。
3.3 人类细胞代谢的建模
Flux balance analysis (FBA) 是一种用于建模细胞代谢的优化方法，它通过利用代谢网络的化学计量关系来预测细胞内的代谢流。FBA 主要基于质量守恒原理，通过最大化某一目标函数（通常是细胞生长或代谢产物的生成）来计算在特定约束条件下的最优反应通量分布。此方法广泛应用于生物系统的研究，尤其是在系统生物学和代谢工程领域。
FBA 的基本原理涉及构建一个代谢网络模型，其中每个反应的化学计量系数被整合到一个矩阵中。通过设定适当的约束条件（如底物的可用性、反应速率的上限和下限等），FBA 可以求解出一组最优的代谢流。这种方法的优势在于它不依赖于详细的动力学参数，这些参数在许多情况下是难以获得的[20]。
在 FBA 的应用中，研究者可以对不同的生物体进行代谢网络的重建，并通过模拟不同的环境条件或基因突变来研究代谢适应性。例如，研究表明 FBA 能够有效预测在不同培养基上进化的细菌（如大肠杆菌）的代谢变化，并揭示其在特定条件下的最优代谢路径[21]。此外，FBA 还被用于分析代谢网络在基因缺失或药物抑制下的反应，这为代谢工程提供了重要的理论基础[20]。
在具体案例中，FBA 被应用于大肠杆菌的代谢模型，以预测其在不同基因型和环境条件下的代谢流。通过结合基因组背景和流量收敛模式分析，研究者能够更准确地预测代谢流，并与实验测量的同位素标记数据相吻合，从而提高模型的预测能力[1]。此外，动态 FBA 的引入使得对代谢网络的动态变化进行建模成为可能，这对于理解细胞在不同生长阶段的代谢适应性至关重要[16]。
FBA 的发展也促进了许多专用软件工具的出现，如 COBRA 工具箱和 OptFlux，这些工具为代谢模型的创建和模拟提供了便捷的界面和功能，极大地推动了代谢工程的研究进展[22]。通过这些工具，研究者可以更容易地探索代谢网络的潜在优化路径，从而实现对细胞代谢的精确调控[8]。
总之，FBA 是一种强大的代谢建模工具，能够通过整合生物学和计算科学的原理，深入分析和优化细胞代谢，为基础研究和应用研究提供了重要的理论支持和实践指导。
4 FBA与其他代谢建模方法的比较
4.1 代谢流分析（MFA）
代谢流分析（Flux Balance Analysis, FBA）是一种基于约束的代谢网络分析方法，广泛应用于生物系统的建模与模拟。FBA的核心在于利用代谢网络的化学计量矩阵，结合生物学相关的目标函数，来识别最佳反应流分布，从而预测细胞的代谢行为。FBA的基本原理是质量守恒，通过对代谢反应速率的线性规划（LP）模型进行求解，FBA能够在给定的约束条件下（如营养物质的摄取速率）计算出细胞内的代谢流[20]。
FBA的建模过程通常需要准确指定四组内容：生化反应、细胞生长所需的生物质代谢物、营养物质和分泌代谢物。然而，FBA模型的开发可能会非常耗时且复杂，因为在组装这些组的准确描述时，可能会出现错误。例如，生物质中存在一个不可生产的代谢物将导致整个模型不可行[23]。为了解决这一问题，MetaFlux等工具被提出，用于加速FBA模型的开发，通过混合整数线性规划（MILP）方法来建议对反应集、生物质代谢物、营养物质和分泌物的修正，从而生成可用的FBA模型[23]。
与FBA相比，其他代谢建模方法如动态代谢流分析（Dynamic Flux Balance Analysis, DFBA）和线性动力学动态代谢流分析（LK-DFBA）在某些方面提供了更高的灵活性和准确性。DFBA通过引入动态约束来捕捉代谢的时间变化特征，能够更好地反映细胞在不同环境条件下的代谢状态[24]。LK-DFBA则在保留FBA线性结构优势的同时，放宽了一些假设，以便能够直接整合代谢组学数据，从而提高预测的准确性[24]。
代谢流分析（MFA）与FBA的主要区别在于MFA通常依赖于实验数据来直接测量代谢流，而FBA则主要依赖于模型的假设和约束条件来推断代谢流。MFA提供了一种更为直观的方式来了解代谢网络的动态行为，但通常需要大量的实验数据支持[1]。此外，FBA在面对复杂的代谢网络时，虽然可能会产生多个相同目标值的最优解，但其可扩展性和计算效率使其在大规模基因组代谢模型的分析中更为常用[1]。
综上所述，FBA通过线性规划和质量守恒的原则建模代谢流，能够有效地分析细胞代谢；而动态代谢流分析和代谢流分析则在某些特定应用中提供了补充和改进，展示了代谢建模领域的多样性和复杂性。
4.2 动态代谢建模
Flux Balance Analysis (FBA) 是一种基于约束的数学方法，用于分析代谢网络中的代谢流动。其核心理念是通过最大化细胞生长等目标函数，计算在给定约束条件下的细胞内代谢流。FBA 的广泛应用在于其能够利用代谢网络的化学计量矩阵和生物学相关的目标函数，识别出最优反应流分布，从而为系统生物学和生物技术领域提供了重要的见解[20]。
FBA 的基本过程包括以下几个步骤：首先，构建一个基于基因组的代谢模型，定义反应及其相应的化学计量关系；然后，设置一个目标函数（如细胞生长率的最大化）和约束条件（如反应的上下限）；最后，通过线性规划求解最优的代谢流分布。FBA 允许在没有详细动力学数据的情况下进行代谢网络的分析，因此在缺乏实验数据的情况下，FBA 提供了一种有效的建模工具[8]。
然而，FBA 也存在一些局限性。由于代谢网络的本质是欠定的，FBA 可能会导致多解的情况，并且在某些情况下，预测的代谢流与实验测量值之间存在显著差异。为了提高预测的准确性，研究者们提出了一些改进的方法，例如将基因组背景和流量汇聚模式分析相结合的策略，这种方法可以限制反应的可实现流量范围，从而提高 FBA 的预测能力[1]。
与传统的 FBA 相比，动态代谢建模（Dynamic Flux Balance Analysis, DFBA）考虑了代谢网络的动态变化，能够更好地模拟细胞在不同生长阶段的代谢调节。DFBA 通过引入时间变量和动态约束，分析代谢流在不同时间点的变化，能够捕捉到代谢网络的瞬态特征。这种方法特别适用于需要理解代谢重编程的情况，如在不同底物的培养条件下[16]。
例如，动态 FBA 已被用于模拟大肠杆菌在葡萄糖培养基上的批量生长，预测结果与实验数据有良好的匹配。动态 FBA 还能够揭示在批量培养的不同阶段，控制生长的约束条件[16]。此外，另一种称为“非稳态流量平衡分析”（unsteady-state flux balance analysis, uFBA）的方法，结合了时间序列的代谢组学数据，提供了对动态代谢状态的准确预测，进一步提高了对细胞代谢生理的理解[25]。
总之，FBA 是一种强大的工具，通过结合不同的建模策略和实验数据，能够深入理解代谢网络的功能和调节机制。随着计算能力的提高和数据获取的便利，未来的研究将更加注重动态代谢建模，以更全面地反映细胞在生理和环境变化中的适应性。
5 FBA的局限性与未来发展
5.1 当前的挑战
代谢通量分析（Flux Balance Analysis, FBA）是一种常用的方法，用于预测代谢网络中的稳态通量分布。FBA基于线性优化，旨在通过最大化特定目标函数（如生物量合成）来计算代谢通量。尽管FBA在建模代谢网络方面具有强大的能力，但它也存在一些局限性和挑战。
首先，FBA通常假设代谢网络处于稳态，这意味着代谢物的浓度在时间上保持不变。然而，这种假设并未考虑动态过程和调控事件的影响。例如，FBA不能很好地模拟代谢网络在不同环境条件下的动态响应[11]。此外，FBA主要依赖于基因组规模的代谢模型和多组学数据集，这些数据集的可用性为建模和分析基因型与表型之间的关系提供了平台，但同时也增加了数据和模型规模的复杂性，从而可能影响生物学解释的直接性[11]。
其次，FBA在代谢网络中对替代途径的预测能力有限。传统的FBA倾向于最小化替代途径的同时运作，这可能导致对代谢网络灵活性的低估[26]。为了克服这一限制，研究者们提出了一些改进的方法，例如引入通量加权因子，以允许在模拟中激活不同的代谢途径，从而更好地探索代谢网络的灵活性[26]。
未来的发展方向包括将FBA与机器学习和动力学模型相结合，以克服其当前的局限性。机器学习方法可以用于数据降维和重要变量的选择，从而提高模型的准确性[11]。此外，结合动力学模型和正式的图形建模语言（如Petri网）可以更好地模拟代谢网络的动态行为，从而增强FBA的适用性和准确性[11]。
在面临的挑战方面，当前的研究需要关注如何整合不同的数据源以提高模型的可靠性，以及如何在多样化的环境条件下保持代谢模型的适应性。尤其是在植物代谢模型中，由于细胞类型的多样性和功能的不同，目标函数的确定变得尤为复杂，这在很大程度上限制了FBA在实际应用中的效果[27]。
综上所述，尽管FBA在代谢建模中具有重要的应用潜力，但其局限性也不容忽视。未来的发展需要在模型的动态性、灵活性和适应性方面进行更深入的研究，以更好地理解和预测代谢网络的行为。
5.2 未来的研究方向
Flux balance analysis (FBA) 是一种基于约束的方法，用于预测代谢网络中的稳态通量分布。该方法通过优化算法在实验约束的解空间内，利用代谢网络的系统特性来进行建模。FBA的主要优点在于其能够在大规模基因组代谢模型中，快速预测通量分布，并且能够扩展到多组织或多生物体的模型中[11]。
然而，FBA也存在一些局限性。首先，FBA假设代谢过程处于稳态，忽略了动力学和调控事件，这可能导致对代谢网络的生物学解释不够准确[11]。其次，传统的FBA往往最小化替代通路的同时运行，这使得难以探索代谢网络的灵活性和多样性。为了克服这些局限性，研究者们提出了结合机器学习和动力学模型的方法，以增强FBA的应用能力[11]。
未来的研究方向主要集中在以下几个方面：首先，结合机器学习的方法将有助于从大数据集中选择最重要的变量，从而提高FBA的准确性和效率[11]。其次，发展动态模型，尤其是那些能够描述基因表达和酶活性的模型，将有助于更好地预测代谢网络的时间演变。这样的动态模型能够更全面地捕捉细胞代谢的复杂性，特别是在不同环境条件下的适应性变化[28]。
此外，FBA在植物代谢研究中的应用也显示出广阔的前景。研究者们已经开始探索植物代谢网络在不同光照和温度条件下的适应能力，通过时间序列转录组数据来约束代谢模型的通量边界，从而更好地理解植物如何在变化的环境中调节其代谢活动[27]。总的来说，FBA的未来发展将依赖于多学科的整合，特别是在机器学习、动态建模和大规模代谢网络分析等领域的创新。
6 总结
代谢通量平衡分析（FBA）作为一种强大的代谢建模工具，已经在微生物、植物和人类细胞的代谢研究中展现了其重要的应用价值。通过对代谢网络的化学计量关系进行深入分析，FBA能够揭示细胞在不同环境条件下的代谢策略，并为代谢工程和精准医学提供了理论支持。目前，FBA的应用范围正在不断扩大，但也面临着模型构建复杂性、动态行为模拟不足等挑战。未来的研究方向应集中在结合机器学习和动态建模技术，以提高FBA模型的准确性和适应性。此外，随着代谢网络数据库的完善和计算能力的提升，FBA将在植物代谢优化和人类疾病机制研究中发挥更加重要的作用。
参考文献
- [1] Jong Myoung Park;Tae Yong Kim;Sang Yup Lee. Prediction of metabolic fluxes by incorporating genomic context and flux-converging pattern analyses.. Proceedings of the National Academy of Sciences of the United States of America(IF=9.1). 2010. PMID:20679215. DOI: 10.1073/pnas.1003740107.
- [2] Markus Heinonen;Maria Osmala;Henrik Mannerström;Janne Wallenius;Samuel Kaski;Juho Rousu;Harri Lähdesmäki. Bayesian metabolic flux analysis reveals intracellular flux couplings.. Bioinformatics (Oxford, England)(IF=5.4). 2019. PMID:31510676. DOI: 10.1093/bioinformatics/btz315.
- [3] Benjamin J Stewart;Ali Navid;Kenneth W Turteltaub;Graham Bench. Yeast dynamic metabolic flux measurement in nutrient-rich media by HPLC and accelerator mass spectrometry.. Analytical chemistry(IF=6.7). 2010. PMID:21062031. DOI: 10.1021/ac102065f.
- [4] Hardik Dodia;Vivek Mishra;Prajval Nakrani;Charandatta Muddana;Anant Kedia;Sneha Rana;Deepti Sahasrabuddhe;Pramod P Wangikar. Dynamic flux balance analysis of high cell density fed-batch culture of Escherichia coli BL21 (DE3) with mass spectrometry-based spent media analysis.. Biotechnology and bioengineering(IF=3.6). 2024. PMID:38214104. DOI: 10.1002/bit.28654.
- [5] Steffen Klamt;Axel von Kamp. Analyzing and Resolving Infeasibility in Flux Balance Analysis of Metabolic Networks.. Metabolites(IF=3.7). 2022. PMID:35888712. DOI: 10.3390/metabo12070585.
- [6] Dustin Kenefake;Erick Armingol;Nathan E Lewis;Efstratios N Pistikopoulos. An improved algorithm for flux variability analysis.. BMC bioinformatics(IF=3.3). 2022. PMID:36536290. DOI: 10.1186/s12859-022-05089-9.
- [7] Eunice van Pelt-KleinJan;Daan H de Groot;Bas Teusink. Understanding FBA Solutions under Multiple Nutrient Limitations.. Metabolites(IF=3.7). 2021. PMID:33919383. DOI: 10.3390/metabo11050257.
- [8] Adam M Feist;Bernhard O Palsson. The biomass objective function.. Current opinion in microbiology(IF=7.5). 2010. PMID:20430689. DOI: 10.1016/j.mib.2010.03.003.
- [9] Aline Metris;Susan George;József Baranyi. Modelling osmotic stress by Flux Balance Analysis at the genomic scale.. International journal of food microbiology(IF=5.2). 2012. PMID:21807434. DOI: 10.1016/j.ijfoodmicro.2011.06.016.
- [10] A Varma;B O Palsson. Stoichiometric flux balance models quantitatively predict growth and metabolic by-product secretion in wild-type Escherichia coli W3110.. Applied and environmental microbiology(IF=3.7). 1994. PMID:7986045. DOI: 10.1128/aem.60.10.3724-3731.1994.
- [11] Ankur Sahu;Mary-Ann Blätke;Jędrzej Jakub Szymański;Nadine Töpfer. Advances in flux balance analysis by integrating machine learning and mechanism-based models.. Computational and structural biotechnology journal(IF=4.1). 2021. PMID:34471504. DOI: 10.1016/j.csbj.2021.08.004.
- [12] Zoran Nikoloski;Richard Perez-Storey;Lee J Sweetlove. Inference and Prediction of Metabolic Network Fluxes.. Plant physiology(IF=6.9). 2015. PMID:26392262. DOI: 10.1104/pp.15.01082.
- [13] Maciek R Antoniewicz. A guide to metabolic flux analysis in metabolic engineering: Methods, tools and applications.. Metabolic engineering(IF=6.8). 2021. PMID:33157225. DOI: 10.1016/j.ymben.2020.11.002.
- [14] Lee J Sweetlove;R George Ratcliffe. Flux-balance modeling of plant metabolism.. Frontiers in plant science(IF=4.8). 2011. PMID:22645533. DOI: 10.3389/fpls.2011.00038.
- [15] Razieh Rafieenia;Alberto Pivato;Andrea Schievano;Maria Cristina Lavagnolo. Dark fermentation metabolic models to study strategies for hydrogen consumers inhibition.. Bioresource technology(IF=9.0). 2018. PMID:30032059. DOI: 10.1016/j.biortech.2018.07.054.
- [16] Radhakrishnan Mahadevan;Jeremy S Edwards;Francis J Doyle. Dynamic flux balance analysis of diauxic growth in Escherichia coli.. Biophysical journal(IF=3.1). 2002. PMID:12202358. DOI: 10.1016/S0006-3495(02)73903-9.
- [17] Garud Iyengar;Mitch Perry. Game-Theoretic Flux Balance Analysis Model for Predicting Stable Community Composition.. IEEE/ACM transactions on computational biology and bioinformatics(IF=3.4). 2024. PMID:39331552. DOI: 10.1109/TCBB.2024.3470592.
- [18] Xuewen Chen;Ana P Alonso;Doug K Allen;Jennifer L Reed;Yair Shachar-Hill. Synergy between (13)C-metabolic flux analysis and flux balance analysis for understanding metabolic adaptation to anaerobiosis in E. coli.. Metabolic engineering(IF=6.8). 2011. PMID:21129495. DOI: 10.1016/j.ymben.2010.11.004.
- [19] Sanu Shameer;Yu Wang;Pedro Bota;R George Ratcliffe;Stephen P Long;Lee J Sweetlove. A hybrid kinetic and constraint-based model of leaf metabolism allows predictions of metabolic fluxes in different environments.. The Plant journal : for cell and molecular biology(IF=5.7). 2022. PMID:34699645. DOI: 10.1111/tpj.15551.
- [20] Karthik Raman;Nagasuma Chandra. Flux balance analysis of biological systems: applications and challenges.. Briefings in bioinformatics(IF=7.7). 2009. PMID:19287049. DOI: 10.1093/bib/bbp011.
- [21] William R Harcombe;Nigel F Delaney;Nicholas Leiby;Niels Klitgord;Christopher J Marx. The ability of flux balance analysis to predict evolution of central metabolism scales with the initial distance to the optimum.. PLoS computational biology(IF=3.6). 2013. PMID:23818838. DOI: 10.1371/journal.pcbi.1003091.
- [22] Meiyappan Lakshmanan;Geoffrey Koh;Bevan K S Chung;Dong-Yup Lee. Software applications for flux balance analysis.. Briefings in bioinformatics(IF=7.7). 2014. PMID:23131418. DOI: 10.1093/bib/bbs069.
- [23] Mario Latendresse;Markus Krummenacker;Miles Trupp;Peter D Karp. Construction and completion of flux balance models from pathway databases.. Bioinformatics (Oxford, England)(IF=5.4). 2012. PMID:22262672. DOI: 10.1093/bioinformatics/btr681.
- [24] Robert A Dromms;Justin Y Lee;Mark P Styczynski. LK-DFBA: a linear programming-based modeling strategy for capturing dynamics and metabolite-dependent regulation in metabolism.. BMC bioinformatics(IF=3.3). 2020. PMID:32122331. DOI: 10.1186/s12859-020-3422-0.
- [25] Aarash Bordbar;James T Yurkovich;Giuseppe Paglia;Ottar Rolfsson;Ólafur E Sigurjónsson;Bernhard O Palsson. Elucidating dynamic metabolic physiology through network integration of quantitative time-course metabolomics.. Scientific reports(IF=3.9). 2017. PMID:28387366. DOI: 10.1038/srep46249.
- [26] C Y Maurice Cheung;R George Ratcliffe;Lee J Sweetlove. A Method of Accounting for Enzyme Costs in Flux Balance Analysis Reveals Alternative Pathways and Metabolite Stores in an Illuminated Arabidopsis Leaf.. Plant physiology(IF=6.9). 2015. PMID:26265776. DOI: 10.1104/pp.15.00880.
- [27] Nadine Töpfer;Zoran Niokoloski. Large-scale modeling provides insights into Arabidopsis's acclimation to changing light and temperature conditions.. Plant signaling & behavior(IF=3.6). 2013. PMID:23838962. DOI: .
- [28] J Varner;D Ramkrishna. Mathematical models of metabolic pathways.. Current opinion in biotechnology(IF=7.0). 1999. PMID:10209144. DOI: 10.1016/s0958-1669(99)80025-1.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
通量平衡分析 · 代谢建模 · 系统生物学 · 线性规划 · 代谢网络
© 2025 MaltSci 麦伴科研