最终，随着人类基因组尺度动力学模型的开发变得更加可行，我们预计全细胞形式将成为研究人类变异、设计治疗方案和合成细胞筛选系统的不可或缺的工具。

  此篇文章来自 Frontiers 的 2020 年 8 月月刊内容「Computer-Aided Whole-Cell Design: Taking a Holistic Approach by Integrating Synthetic With Systems Biology」。这篇综述介绍了关于全细胞多尺度模型如何转变合成生物学中的设计-构建-测试-学习循环的观点，展示了其在基因组最小化，无细胞系统等案例的研究中如何在设计和学习阶段提供帮助并加快实验进度。文章还讨论了实现计算机辅助全细胞设计愿景面临的几个挑战。

  计算辅助设计（CAD）在合成生物学中具有重要意义，它可以加快生物系统的理性设计。CAD 需要详细和定量的数学和实验模型来（重新）设计生物学，并提供用于基因工程和 DNA 组装的软件和工具。最终，设计阶段的精度提高将有助于设计更具有定制功能和模块化属性的细胞和生物体。CAD 策略需要能够捕捉多尺度过程并将基因型与表型联系起来的细胞定量模型。在计算机中描述和构建全细胞的可能性为开发日益自动化、精确且易于访问的 CAD 工具和策略提供了机会。

  全细胞模型（WCM）是当今最先进的系统生物学形式：它是一种系统生物学研究中的计算模型，旨在表示和整合所有细胞功能，最终实现对细胞生物学的整体和定量理解。基于 WCM 生成的定量和高通量的模拟实验，有望显著缩短从假设/设计设定到实验测试之间的差距。

  尽管在 30 多年前已经开发了特定细胞功能的简化模型（例如基因表达调控、信号传导、代谢途径、细胞生长和细胞周期），但第一个 WCM——E-Cell 模型，直到上世纪 90 年代才针对 Mycoplasma genitalium（在独立生存的生物中具有最小基因组）推导出来。所谓的虚拟自我生存细胞（SSC）模型是部分随机的；它仅包括蛋白编码基因的子集，并能够实现包含各种亚细胞过程的动态模拟，包括酶反应、复合物形成和物质易位。与此同时，第一个基因组规模的代谢模型（GSMMs）是由 Palsson 的研究小组在上世纪 90 年代使用通量平衡分析（FBA）开发的。

  最近，多个科研团队已为不同的生物体重建了数百个 GSMMs，所代表的基因数量也在不断增加。GSMMs 已经与其他过程（如转录、翻译和信号传导）的数学描述相结合。几年前，Covert 的研究小组报告了更完整的混合 WCM，其代表了已知生物体的所有基因和分子功能。在这项开创性的工作中，Karr 和同事整合了 28 个子模型，以表示生殖支原体 (M. genitalium) 的一个细胞周期；每个子模型都以不同的形式表示，包括常微分方程（ODEs）、FBA、随机模拟和布尔规则。

  提高 WCM 的描述能力和增加其所能代表的生物体的复杂性仍需要大量的研究和努力。开发 WCM 是一项具有挑战性的任务，需要收集大量的实验数据，整合亚细胞模型和硅基/体内模型验证。一个完整的 WCM 应理想地在细胞水平上整合多尺度相互作用，同时考虑整体细胞结构、分子相互作用的动态结构以及亚细胞成分的空间区域。确保精准地表示日益复杂的各种生物体的所有细胞过程是非常具有挑战性的。因此直到现在，只有 M. genitalium 和最近的大肠杆菌的 WCMs 正式发布，其余几个 WCMs 目前仍在开发中。本文将概述 WCM 开发的最新技术。

  我们相信 WCMs 在集成合成生物学与系统生物学的设计-构建-测试循环中具有的巨大潜力（图1）。尽管应用领域各不相同，但它们具有共同的高复杂性，如果没有基于预测模型的强大计算设计算法，该过程将需要进行大量的试错实验循环。我们还在本文中讨论了跨学科社区必须解决的相关挑战，以及将全细胞模型通过合成生物学和系统生物学整合的未来发展方向。

  ▲ 图 1：合成生物学中整合的设计-构建-测试-学习循环，包括全细胞模型指导的方法及其相关应用。

  数学模型在（重新）设计能够重现明确生物功能的基因线路方面发挥了重要作用。通过将生物系统视为功能模块的组合，使用最简计算模型对其进行研究，可以获得对生物通路中调控机制的认知。例如，可控振荡器、生物钟、信号网络、代谢过程和转录调控等都是通过这种方法进行研究的。现有的最简和详细计算机模型在生化细节的粒度上涵盖了广泛的范围。然而可以预期，如果最简模型和详细模型的核心设计相似，它们的一般性质将相匹配。

  在系统层面上对生物体的理解可以通过将生物体分解为功能模块来实现。生物体自主产生后代的能力是至关重要的。因此，WCMs 应该通过模拟细胞来考虑这一点，细胞与细胞调控的各个层面（代谢、信号传导、基因调控、转录等）紧密相连。Barberis、Tyson 和 Novák 的研究小组已经开发了一些关于真核细胞周期的最小模型。

  目前，大多数多尺度模型（非 WCMs）缺乏能够桥接细胞网络或功能（细胞周期、代谢、信号传导、基因调控等）的组件。识别枢纽，即在细胞环境中具有高连接性的元素，是 WCMs 的关键特征。最近科研人员发现转录因子是整合多尺度网络的枢纽，很有可能将细胞周期和代谢联系起来，是影响细胞整体状态的关键组分。很多科研团队正在开发多尺度框架，通过识别共同网络节点中发生的相关调控以及使用不同的数学形式，将不同粒度的网络进行耦合。这些策略以及其他策略也被用来整合细胞功能模块网络。结合对细胞自主振荡网络的研究，这些策略可以合理化整细胞模型考虑的后代产生的正确时机。

  通过对细胞功能模块进行建模并将其集成到 WCMs 中来设计合成基因网络，可以研究基因表达与密码子使用的相关性、探索可能的细胞负荷效应、研究合成基因网络的模块化属性，并预测可以在不同生物底盘中发挥作用的基因表达调控工具。

  简化基因组（Minimal genomes）可以定义为仅包含细胞复制所必需的基因材料的简化基因组。研究和工程化最小基因组对于理解细胞为维持生命必须执行的最基本任务，以及获得合成生物学应用中具有降低细胞负担和更好稳定性的优化底盘至关重要。

  对最小化基因组进行详尽的实验表征并不可行：即使是生殖支原体（M. genitalium（0.58 mb 和 525 个基因））这样的微生物，进行基因敲除的可能组合数量也有成千上万种。值得注意的是，这个数字很可能被低估，因为基因敲除的顺序可能会改变最终的表型。细胞的基因组规模计算模型有助于充分理解基因必需性的动态和环境依赖性，并可以在计算机中理性设计最小化基因组。与基于大量实验迭代的现有方法相比，计算机辅助的简化基因组工程可以显著减少最小化基因组过程的时间和成本。

  据我们所知，目前已有两种基于基因组规模模型的自上而下基因组简化方法。MinGenome 算法将混合整数线性规划（MILP）算法应用于大肠杆菌的 GSMM 中，利用有关基因必需性和合成致死基因对的信息进行优化。相反，Minesweeper 和 GAMA 是基于 M. genitalium 的 WCM 的自上而下基因组最小化算法。它们分别采用分而治之方法和有偏差的遗传算法，通过迭代模拟简化基因组；它们的计算预测尚未在实验室中进行测试。

  由于 GSMM 形式化方法的大量可用性，基于 GSMM 的基因组简化算法目前在各种生物体中更具广泛的适用性。然而，随着更多 WCMs 的推出，我们预计基于 WCM 的基因组简化算法将通过其丰富的多尺度细胞过程表示，提供对细胞过程和遗传相互作用的更准确的预测能力。

  基于粗制细胞提取物的无细胞转录/翻译系统是一种有前景的平台，可在可控和可重复的方式下探索基础生物学问题。近年来，随着这项技术成本的降低和合成产量能力的显著提高，无细胞系统在合成生物学中用于生物元件和网络的原型设计和测试方面越来越受欢迎。随着无细胞系统的潜在应用范围扩大，数学模型正在被开发用于定量化无细胞平台内的生物过程。

  到目前为止，确定性模型（ODE 或基于约束的模型）已被提出用于描述细胞无法平台中的特定过程，如转录和翻译，资源竞争和代谢。在无细胞平台中跨尺度整合数学形式化方法，逐步建立 WCMs，将有益于促进基因线路的全新设计以及定量比较无细胞产物与其细胞内对应物之间的差异。

  生物传感器是一种能将生化反应转化为可测量信号的分析装置。生物传感器中的识别单元可以由整个细胞、核酸、酶、蛋白质、抗体或其组合构成。合成生物学显著加速了生物传感器的发展；新一代的全细胞生物传感器（即在活细胞中安装的传感器）已被设计出来，例如：砷的检测、污染物和抗生素的检测、工业环境中的微生物检测以及体内诊断应用（在肠道中检测环境信号和诊断肝转移）。

  将 WCMs 应用于全细胞生物传感器的设计、原型制作和测试中，可以理性地调节其灵敏度、稳定性和动态范围，同时有助于选择理想的底盘，并在需要时指导其重新设计以优化生物传感器的性能。如果 WCMs 可以用于不同底盘和整个生物体，它们还可以支持基因编码的生物传感器的靶向递送优化。

  虽然追求计算机辅助全细胞设计方法在学术价值方面毋庸置疑，但该方法的成功最终将取决于其对科学、医学和工业的影响。随着计算机辅助设计（CAD）不断向“绿色”化学方法发展，基因合成速度和能力的提高以及相关成本的降低，生物合成正成为制造高附加值化学品的越来越有吸引力的途径。这包括制药、农化、日用化工和材料等领域的大量机会。

  然而，一个主要挑战仍然是开发出稳健、可扩展的微生物底盘，并能够可预测地调节其代谢过程以实现预期的结果。目前，底盘的选择主要局限于一些遗传可追踪的微生物，它们的生理特征和发酵过程性能得到了很好的理解，并且存在可用于操作它们的有效分子遗传工具。到目前为止，底盘优化主要依赖于对所需宿主菌株特性的增量、逐步改进，包括生长速率、原料利用率和产物产量。由于这些原因，底盘优化过程仍然过于缓慢和昂贵，部分原因是当前使用合成生物学方法生产高价值小分子的数量有限。有针对性的操作通常会导致意想不到的脱靶效应，这与代谢过程的相互依赖性有关：代谢过程通常在相互依赖的细胞网络中协同运作，所以人为干扰可能会损害而不是增强，从而导致不希望的结果。显然，稳健、可预测的全细胞模型代表了解决底盘优化问题的一个有吸引力的解决方案——提供一个可用于解除依赖关系并确保满足性能标准的综合工具。

  此外，我们必须解决在底盘发酵过程中存在的种群异质性相关的复杂性问题。为了使基于发酵的工业过程可行，产品产量必须足够高，使生物合成在经济上可行。应该通过在整个微生物群体中操作的调控过程来解决微生物群体中“作弊者”或生长缓慢的问题。引入这些特性对传统底盘设计方法来说是一个重大挑战。基于全细胞模型（WCMs）的方法可以更容易地实施和测试这些过程。

  计算机辅助全细胞设计方法成功的关键在于所使用模型的质量。具有小基因组的微生物系统代表了一个引人注目的研究切入点，当前正在进行的关于建立功能基因组核心成分的研究可能有助于模型的发展。这些研究部是由基因组最小化实验驱动的，这反过来又可以用来进一步改进模型的性能。重要的是，我们对微生物代谢过程的理解仍然存在根本性的缺陷，这无疑会阻碍进展。然而，WCMs 的能力能够预测先前未知的代谢依赖性，这应该被视为模型有效性的一个重要检验。事实上，GSMMs 通常由于无法解释代谢依赖性而失败，这一特点导致工业界对此类模型的价值持怀疑态度。全细胞方法能够绕过这个问题。当开发“非自然”产物的底盘时，这一点尤为重。