来源：Microb Biotechnol | 编译：DNA Lab Space
群体感应（Quorum Sensing, QS）系统正在成为合成生物学中最受关注的控制模块之一——它让细菌能够根据自身种群密度做出集体决策。然而，这类系统的调控往往令人头疼：转录因子和合酶的表达水平稍有变动，整个系统的响应就可能面目全非。来自比利时根特大学的De Baets等人开发了一个数学模型，用于预测EsaI/EsaR群体感应系统中转录因子和合酶表达水平如何影响系统响应。这项研究发表在《Microbial Biotechnology》期刊上，为合成生物学中的“设计-构建-测试-学习”循环提供了加速工具。
研究背景
群体感应是细菌通过释放和感知信号分子来协调群体行为的机制。在合成生物学应用中，基于群体感应的遗传电路能够将种群层面的行为与单个细胞的响应联系起来，这一特性使其在生物传感、动态调控和空间模式形成等领域具有广阔前景。然而，群体感应电路的调控面临一个核心难题：系统动力学过于复杂，尤其是转录因子和合酶的表达水平会同时影响信号分子的产生和感知，二者耦合在一起，使得“调一个参数看另一个参数变化”的传统试错法效率低下。
EsaI/EsaR系统是一个典型的群体感应模块。EsaI合酶负责合成自诱导分子3-氧代己酰高丝氨酸内酯（3-oxo-hexanoyl homoserine lactone, AHL），而EsaR转录因子则感知AHL浓度并据此调控基因表达。当AHL浓度低时，EsaR结合在双向启动子上抑制基因表达；当AHL积累到阈值浓度，EsaR与AHL结合后从启动子释放，基因表达得以启动。这个“开关”的触发时间和最终表达强度，取决于EsaI和EsaR两者的表达水平——但二者的影响是交织在一起的。
如何让这个开关按设计者的意图精确触发？De Baets等人给出的答案是：先建数学模型，再用实验数据来校准模型，最后让模型告诉我们所有可能的系统行为。
研究方法
研究团队构建了一个包含八个常微分方程（ODEs）的确定性数学模型，用以描述EsaI/EsaR群体感应系统的动态行为。模型中的关键变量包括EsaI浓度、EsaR浓度、AHL浓度以及EsaR-AHL复合物浓度等。
在EsaI的合成方程中，启动子强度参数P来自实验测定，它缩放基线最大合成速率β_EsaI，从而得到相应的绝对表达水平。方程中还包含基础表达项α_EsaI，用以弥补参数P无法完全捕捉EsaI产生复杂性的不足，以及降解和稀释项k_dgrEsaI。EsaR的浓度变化则由方程（2）描述，其中R代表三种核糖体结合位点（RBS）的相对翻译强度，β_EsaR为最强RBS对应的最大翻译速率，有效产生速率为β_EsaR乘以R。此外，方程还包含了EsaR-AHL复合物的结合（k₁）和解离（k₂）动力学项。
AHL的合成假设底物过量，因此细胞内AHL的产生仅依赖于EsaI浓度和产生速率v。AHL被假定能自由扩散穿过细胞膜，因此细胞内外的AHL浓度可视为相等。由于所有细胞都在产生AHL，总产量需乘以细胞数N_ct并进行相应校正。
为了获取模型所需的实验数据，研究团队构建了一个包含15个EsaI/EsaR系统变体的菌株文库（图1及图S1–S4）。这个文库的设计逻辑很清晰：五个不同强度的启动子控制esaI的转录，三个不同强度的RBS控制esaR的翻译，二者组合得到5×3=15个变体。
五个启动子选自iGEM部件注册库中的Anderson启动子集合，并特意选取了该库中强度较低的范围。这一选择基于前期研究结果：高水平的EsaI会损害系统功能并导致显著的细胞负担。三个RBS序列则通过Salis RBS计算器设计，理论强度分别为100.18、529和3115任意单位（a.u.），对应低、中、高三个等级。
这些理论强度值能否直接用于模型？研究团队给出了否定的答案。即便这些调控部件的理论强度已知，遗传背景也可能导致预测与实际出现重大偏差。因此，研究团队对每个变体的实际表达强度进行了实验量化，并将实验数据用于模型拟合与优化。原文摘要未详述具体的实验量化方法和拟合算法细节，但明确说明实验数据被用于优化模型参数。
研究结果
经过实验数据校准后的模型展现出了令人印象深刻的预测能力。最核心的成果在于：模型能够成功区分EsaI和EsaR表达水平对双向启动子响应的不同影响——这恰恰是此前难以精确控制的关键点。
模型揭示了系统所有可能输出的可视化图谱。研究者可以通过这个图谱，直观地看到不同启动子强度和RBS强度组合下，系统的触发时间和最终表达水平将如何变化。这种全局视角是传统试错法难以获得的——传统方法通常只能观察到有限的几个组合，而模型可以连续扫描整个参数空间。
一个特别值得关注的发现是转录因子EsaR在电路调谐中的关键作用。虽然EsaI合酶决定了AHL的产量，但模型分析表明，EsaR的表达水平对系统响应的影响更为微妙且至关重要。EsaR的浓度直接决定了需要多少AHL才能使转录因子从启动子上释放——这相当于调节了开关的“灵敏度”。而EsaI的影响则更偏向于“何时触发”——它决定了AHL积累到阈值浓度的速度。
这种区分能力对于实际应用具有重要意义。设计者可以根据具体需求，独立调整触发时间和表达强度。例如，如果需要快速响应，可以增强EsaI表达以加速AHL积累；如果需要高灵敏度，则可以调整EsaR水平来降低触发阈值。模型还强调了高EsaI水平带来的细胞负担问题——这是实际应用中不可忽视的限制因素。
原文摘要未提供模型预测与实验验证之间的定量误差数据，也未给出具体的触发时间数值或表达水平倍数变化。但研究团队明确指出，最终模型能够成功区分这些表达水平对双向启动子响应的影响，这一结论本身就构成了模型有效性的有力证据。
讨论与展望
这项研究的价值不仅在于针对EsaI/EsaR系统的具体成果，更在于其方法论意义。LuxR家族群体感应系统在结构上具有高度同源性——许多细菌物种都使用类似的合酶-转录因子配对机制。De Baets等人开发的建模方法，原则上可以推广到其他LuxR家族系统，为基于模型的群体感应电路调谐奠定方法论基础。
模型与实验数据结合的策略也值得深思。理论强度与实际表达之间的偏差，是合成生物学中普遍存在的痛点。这项研究通过实验量化来校正模型参数，而不是盲目信任理论预测，这种务实态度保证了模型的可靠性。对于合成生物学的DBTL循环而言，一个经过实验验证的预测模型，意味着“学习”阶段从被动观察转向主动预测——这可能是加速设计周期最有效的途径之一。
参考来源：
De Baets J, De Mey M, De Paepe B. An Experimentally Verified Mechanistic Model for Predicting Quorum Sensing-Based Switches. Microbial Biotechnology, 2025. PMID: 42444116
PMID: 42444116