合成生物学在生物医药、食品和工业化学品等领域取得了显著进展，代谢工程作为其核心技术手段之一，正成为推动微生物高效生产所需化合物的关键驱动力。代谢靶点预测是DBTL（设计-构建-测试-学习）循环的首要环节，直接决定实验效率与资源投入。细胞内部复杂耦合的酶催化反应和热力学机制共同驱动微生物代谢行为。基于代谢网络“物理化学本质”的细胞机理模型具有AI模型难以替代的可解释性，正成为提高代谢工程设计精度的关键工具。

传统靶点设计算法（如OptForce和FSEOF）依赖化学计量模型，忽略了两项关键生理机制：酶的资源消耗与反应的热力学可行性。中国科学院天津工业生物技术研究所生物设计中心以自然界“节能高效”的自由能与酶资源的精准协同调控为灵感，提出ET-OptME框架，首次将酶约束与热力学约束协同引入代谢靶点设计算法，显著提升预测的生理真实性和实验可行性。

ET-OptME由两个核心算法组成：ET-EComp通过比较不同状态下的酶浓度范围识别上调/下调酶，ET-ESEOF则扫描目标通量增加过程中的酶浓度变化趋势，捕捉调控信号。该框架还引入“蛋白中心”策略，跳出传统的反应层级靶点预测，解决了预测的多功能酶时可能出现的难以统一调控方向的难题。

在谷氨酸棒状杆菌的五种工业产物案例中，ET-OptME在最小精确度指标上比计量学算法提升292%以上，准确度提高106%；与当前先进的酶约束算法相比，ET-OptME也保持70%的精度优势和47%的准确度优势。本研究还在代谢层面深入分析了关键靶点如pyc、gapA与leuA预测成功的原因，展示出酶-热约束靶点预测算法在提升路径效率和避免代谢瓶颈上的显著优势。

该研究得到国家重点研发计划和国家自然科学基金青年基金的支持，相关成果已在Metabolic Engineering上在线发表。天津科技大学联合培养硕士许雯淇和天津工业生物技术研究所助理研究员蔡敬一为共同第一作者，蔡敬一和天津工业生物技术研究所马红武研究员为共同通讯作者。

论文链接

ET-OptME的算法示意图