代谢工程与合成生物学：协同，未来和挑战

原文：García-Granados R, Lerma-Escalera J A, Morones-Ramírez J R. Metabolic Engineering and Synthetic Biology: Synergies, Future, and Challenges[J]. Frontiers in bioengineering and biotechnology, 2019, 7.

“组学”时代带来了一套新的工具和方法，对代谢工程和合成生物学的发展产生了重大影响。这些领域不是孤立的工作，而是依靠彼此成功从而实现各自的目标。

图片由maple绘制

合成生物学的目标是设计遗传元件库(启动子、编码序列、终止子、转录因子及其结合序列等)、器件、基因线路甚至生命体组装；除了为建立能够预测生物系统行为的模型获取定量信息外，代谢工程寻求的是细胞过程的优化，从底物到产生感兴趣的化合物，并且最好是廉价和简单的。它使用不同的数据库、元件库和条件来生成所需化合物的最大生产速率，并避免影响特定生物体生长速率和其他重要功能的抑制，以实现这些目标；代谢流量调控是一种重要的方法。

合成生物学提供有关不同生物现象的成分和信息，而代谢工程学则试图将所有这些信息应用于优化所需化合物的生物合成轨迹。一些合成生物学的例子也可以被归类为基因工程的例子。这两个领域都依赖于DNA改造的方法、技术和工具的进步。原因是这两个领域都的寻求DNA序列的变化、生成特定的突变、基因线路的装配或生物合成途径的基因敲除，集成一个有机体的基因组DNA片段或质粒。尽管PCR及其变体是产生一些必要修改的最佳工具之一(它对特定区域的片段特别有用)，但它在其他用途上经常无效。

创造新技术和方法在这两个领域的发展中都是至关重要的，例如：BioBrick、重组酶技术(整合酶)、Gibson组装、Gap-repair、Lambda-red、MAGE和CRISPR-Cas等。在“-组学”时代，对已知和未知生物的测序(宏基因组学)使我们能够从它们那里获得更多更好的信息；酶和过程的被扩大，并且某些生物学现象(例如病毒或噬菌体感染)已经实现。

合理的设计是将期望的突变引入特定的DNA序列中，去掉蛋白质的修饰，以提高其催化活性、稳定性或某些其他性质(结合域特异性)；随后的工具，如Gibson组装，BioBrick或Golden Gate可以组装不同的基因组件，形成基因线路、表达磁带或设备。最后，利用Lambda- Red、CRISPR-Cas等重组技术，我们可以将不同的序列插入到特定生物体的表达载体或基因组的位点中。

其中一些技术可用于插入部分或完整代谢途径的基因，用于合成特定化合物，也可用于敲除一些基因，那些生物体中干扰生物合成的基因。此外，这些方法可进行点突变，以降低天然蛋白的活性或表达，从而改变代谢通量。然而，要创造所有这些修饰，就必须有关于参与反应的酶的特定信息，包括这些反应的代谢途径，以及关于将要进行修饰的生物体的信息；正因为如此，生物基因组测序、蛋白质表征和代谢研究提供了极其有用的工具和信息。

因此，主要问题之一是缺乏信息；很少有生物体在不同的水平上(基因组、转录组和代谢组)测序和表征；因此基因改造成为一项艰巨的任务。此外，目前存在的技术和方法不是最高效的，或者某些生物体中是低效的。能够在不同生物体(穿梭载体)中使用的质粒的创建将有助于解决这个问题，但测序仍然是一个必要的步骤。有了这些信息，我们可以发现新的蛋白质或代谢途径，这可能是有用的更高的化合物生产标题(酶具有更好的生产速度或更简单的代谢途径);我们甚至可以描述对DNA序列修饰有用的新生物现象。

与可用信息相关的另一个重要方面是底盘的选择(或称宿主微生物)。可用的基本信息和技术，以及特殊的性质(特定的代谢途径或特定的耐受条件)是我们选择底盘时的重要标准，可以促进项目的发展。与底盘的选择以及代谢途径和代谢通量的改变相关的一个问题是，产生有毒中间体或中间体的积累可能导致通路的抑制(反馈)。某些化合物的产生会对产生它的微生物产生毒性，特别是在大规模生产时。在这些情况下，正确设计生物反应器是有帮助的，在有毒化合物达到阈值浓度之前将其去除，从而显著提高生产。发现一种微生物可以抵抗更大浓度的这种化合物，或者发现并适应生物体对另一种化合物的抵抗机制，这两方面都是挑战。然而，为了避免在代谢途径的任何步骤中积累中间体，有必要确定每种化合物的合成和生产速率；一旦你有了这些信息，利用启动子、RBS、转录因子强度，或者其他条件避免这个问题，但主要的问题仍然依赖于这些信息的可用性。

对这两个领域来说，最重要的挑战是获得来自不同生物现象的定量数据。我们需要更多的项目来表征生物组分，比如启动子，RBS，终止子的强度；以及某些现象的行为(基因的转录和翻译水平、转录本和蛋白质的平均寿命、催化活性)。此外，基因线路和装置的创造有助于描述更复杂的行为和理解前面提到的现象。

所有这些数据可创建数学和计算模型，使我们更好地理解系统的行为；并有助于对预期行为、近似结果、条件选择等有一个可视化的认识。生物模拟方面的研究有很多：Karr和合作者报告了生殖支原体的全细胞计算模型，包括分子组成及其相互作用，通过结合不同的数学和计算方法。此外, O’Brien, Monk和Palsson提到的不同应用的数学模型和计算机模拟提供了：模拟基因和反应敲除、对比输入和输出、迭代改进、发现调控相互作用、量化预测表型的最优原则、基于模型的设计环境和遗传扰动。

数学模型的应用可以成为理解生物系统的有力工具，而计算模拟可以让我们更好地了解过程和发生的变化或预测。机器学习、大数据、人工智能等技术正在为生物数据分析提供巨大的帮助。不同的方法(人工神经网络、贝叶斯、决策树和随机福勒斯特、多层感知器(MLP)、径向基函数(RBF网络、支持向量机、k均值、最远优先、密度基聚类等)被用于微阵列、疾病研究、流行病学；为不同的研究提供有用的信息。量子计算机的使用为这些模拟和方法的发展提供了一个非常重要的工具;这些计算机以量子位元处理信息，因此具有更大的处理范围，当处理大量信息时，这是非常有价值的；第一个重大突破是IBM公开销售历史上第一台商用量子计算机(IBM Q System One)。为不同的研究人员提供生物和健康领域量子计算机所需的分析信息的能力只是时间问题。

代谢工程和合成生物学都是很有前途的领域，它们在生物技术方面取得了巨大的进步，并在解决药物、疫苗、化合物等生产方面作出了重大贡献。此外，这些领域提高了我们对生命功能的认识。尽管取得了所有这些进展，仍然有必要继续收集有关细胞和活生物体功能的信息，并发现可能有助于发展新技术和方法的微生物新品种。最后，合成长序列常常存在问题，因为现有的化学合成技术存在误差 (大约每1000个碱基对出现1个差错)；寻找新的核苷酸合成技术(如TdT-dNTP或酶合成)或改善当前的核苷酸化学合成方面得到改善,可以为这两个领域是非常有用的，特别是因为它打开整个基因组的合成的机会，载体或人工染色体。

有了所有这些工具，我们将能够优化微生物作为小工厂，使我们能够获得更高的产量和生产的化合物，最好使用简单的底物。