文章阅读目录大纲
环境中的微生物往往以复杂群落的形式存在，不同物种之间通过代谢相互作用形成协同或竞争关系，共同完成生物地球化学循环、维持生态系统功能。近年来，随着高通量基因组测序技术的发展，研究者可以从环境样本中获取海量微生物基因组数据，为构建基因组尺度代谢模型（Genome-scale metabolic models, GEMs）提供了基础。GEMs将微生物的全基因组注释与生化反应网络相结合，可以用于模拟微生物在特定环境条件下的代谢能力，预测其生长和代谢产物。在单菌株层面，GEMs已被广泛用于解析微生物对环境变化的代谢适应机制、指导代谢工程设计以及预测药物靶点等。在群落层面，通过将多个GEMs耦合，可以研究微生物之间的相互作用，例如通过代谢物交换实现的协同或竞争关系。
环境微生物基因组数据源困境
GEMs在系统生物学领域已发展成熟，成为连接基因型与表型的桥梁。在环境微生物研究中，GEMs的应用日益广泛，其优势在于能够量化微生物在不同环境条件下的代谢能力，并预测基因扰动或环境变化对群落功能的影响。
然而，构建环境微生物群落的GEM模型面临一个关键挑战：如何选择注释GEMs模型所使用的微生物基因组数据。对于在自然环境中的微生物往往经历基因组精简（streamlining）而丢失某些代谢途径导致一些代谢能力的丧失，很多自然界中的细菌都是高度的营养缺陷型（auxotrophy）。比如海洋浮游细菌往往丢失多种氨基酸或维生素合成途径，必须依赖其他微生物提供缺失的代谢产物才能生存。这种现象在各类环境中普遍存在，包括海洋、土壤和人体肠道等。
对于在NCBI GenBank数据库中所记录的微生物基因组数据这些大量高质量基因组，本身就是在相对富集/可控的实验条件下获得的，很多是“实验室驯化过”的株。这些株的基因组确实能支持在实验室培养基里独立生长，但这不代表它们在原始环境中也独立。如果直接使用NCBI上的完整基因组数据来构建环境微生物的GEM模型，就会忽略这些微生物在自然界中的真实代谢局限，导致模型预测出现偏差。例如，模型可能高估了微生物的独立生存能力，低估了物种间代谢互作的必要性。这种数据来源误差会影响对环境群落稳定性和功能的正确理解。
交叉喂养网络在环境菌群GEM建模中的作用
为了解决上述问题，近年来研究者开始关注交叉喂养网络（cross-feeding network）在环境菌群GEM建模中的作用。交叉喂养是指不同微生物通过代谢物的交换实现互利共生，例如一种微生物分泌某种代谢产物，另一种微生物利用该产物作为营养来源。这种代谢互作是群落稳定性和多样性的重要驱动力。在GEM建模中，可以通过模拟多个物种的共培养模型来预测哪些代谢物在物种间交换，以及这些交换如何影响群落结构和代谢输出。
环境微生物的营养缺陷现象普遍存在
研究发现，在自然环境中，微生物的基因组大小往往与营养需求呈负相关：基因组越小的菌株，合成必需营养（如氨基酸、维生素）的能力越弱，越依赖外部提供。例如，对波罗的海表层水体微生物群落的培养研究表明，当培养物中物种数超过3种时，群落中包含的微生物基因组更小，合成氨基酸和B族维生素的能力更低。这意味着这些微生物在实验室纯培养时难以生长，必须依赖共培养的其他微生物提供缺失的营养才能存活。在这里，假若我们直接使用NCBI上通过纯培养后的菌株测序结果构建GEM模型，就会忽略这种营养依赖，导致模型高估微生物的独立生长能力。
交叉喂养网络与群落Gap Filling
环境微生物群落的一个显著特征是代谢互作网络的存在。物种之间通过分泌和消耗代谢物形成复杂的相互作用，包括互利共生、偏利共生和竞争等。针对代谢缺口问题，群落gap-filling方法近年来取得进展。传统gap-filling侧重于单菌株模型，通过添加缺失反应来恢复生长。但在群落中，某物种缺失的代谢途径可能由其他物种提供，因此不需要在模型中人为添加反应。Community gap-filling算法正是基于这一思想，将多个物种的模型同时考虑，寻找一种整体解决方案，使得每个GEM模型要么自身合成所需代谢物，要么由其他细菌的GEM模型提供，在群落整体上不需要人为添加某些缺失的代谢反应。
网络推断与多组学整合
除了纯计算模型，研究者也结合多组学数据来推断和验证交叉喂养网络。例如，通过宏基因组数据可以构建微生物组的功能潜力，通过宏转录组或宏蛋白组数据可以揭示哪些代谢途径在群落中活跃。将这些数据与GEM模型相结合，可以生成条件特异性的群落模型。例如，有研究整合宏转录组数据，构建了特定环境条件下微生物群落的GEM模型，用于预测群落对环境扰动的响应。此外，共现网络（co-occurrence network）和相关性分析常用于从组学数据中推断潜在的互作关系。需要注意的是，这些统计推断只能提供关联，不能证明直接的代谢互作，但可以作为GEM建模的先验知识或验证依据。将计算模型与实验观测相结合，有助于提高对交叉喂养网络理解的可靠性。
- 环境微生物群落GEMs建模综述 - 2025年12月29日
- 【虚拟细胞】翻译事件建模 - 2025年12月21日
- Motif的SequenceLogo图的绘制原理 - 2025年12月20日
No responses yet