来源：ACS Synth Biol | 编译：DNA Lab Space
无细胞表达系统长期以来面临一个尴尬局面：它既能快速合成功能蛋白，又因其组分复杂而难以精准调控。加州理工学院的Murray团队近期在《ACS Synthetic Biology》上发表了一项研究，将PURE无细胞系统的转录和翻译过程建模为核苷酸级别的化学反应网络（CRN），实现了对RNA和蛋白质产量的定量预测。这项工作把"经验试错"推向了"计算设计"。
研究背景
无细胞表达系统（cell-free expression system）是合成生物学的重要工具，尤其适合DNA电路的快速原型验证和功能蛋白的按需合成。粗提物（crude extract）系统虽然成本低、产量高，但内部成分繁杂——大量未知酶和底物同时参与反应，本质上是个"黑箱"。相比之下，PURE系统（Protein synthesis Using Recombinant Elements）只包含蛋白质生产所必需的转录和翻译组分，所有蛋白质和小分子的浓度都是已知的。这种"白箱"特性让PURE成为计算建模的理想平台。
然而，已有的PURE翻译模型大多局限于特定短肽。例如ePURE-MATLAB模型只能表达fMGG三肽（甲酰甲硫氨酸-甘氨酸-甘氨酸），包含968个反应和241个物种，全部手工编写。想改变肽段序列或长度？那几乎等于重写整个模型。更棘手的是，转录过程的定量模型也缺乏实验验证。本研究的目标正是打破这些限制：将翻译模型推广到任意氨基酸组成和长度的蛋白质，构建经实验验证的转录模型，最后把两者耦合为纯质量作用反应的完整蛋白质合成模型。
研究方法
建模框架：BioCRNpyler与SBML
研究团队选择化学反应网络（CRN）作为建模形式，使用BioCRNpyler编译器完成模型构建。BioCRNpyler是Python编写的模块化软件包，能从系统的高级描述自动生成所有反应、物种和参数。模型最初包含至少86个组分，随后根据目标肽段的序列动态生成其他中间组分和反应。输出格式采用系统生物学标记语言（SBML），这是该领域的标准交换格式。
模拟计算使用BioSCRAPE Python包完成。BioSCRAPE将SBML模型转换为常微分方程组（ODE），每个反应速率按质量作用定律（mass-action propensity）书写，再用Python的odeint求解器在指定初始条件下求解。之所以选择BioSCRAPE而非其他模拟器，是因为它除仿真外还内置了敏感性分析和贝叶斯推断工具。
翻译模型的推广：从fMGG到任意蛋白
第一步工作是将ePURE-MATLAB翻译模型用BioCRNpyler重写。原模型的968个反应被分为四类：起始（initiation）、延伸（elongation）、终止（termination）和辅助反应（auxiliary reactions）。延伸步骤是扩展肽段长度的关键，BioCRNpyler的可扩展性特性在此发挥核心作用——它能够根据目标蛋白的氨基酸序列自动生成对应的延伸反应链。所有反应和参数均保留自ePURE-MATLAB模型，确保与原始模型的一致性。
转录模型的构建与验证：MGapt报告系统
转录模型的验证选用孔雀石绿适配体（malachite-green aptamer，MGapt）作为报告分子。MGapt是一种RNA适配体，结合孔雀石绿染料后荧光显著增强，因此可通过荧光信号实时监测RNA产量，无需破坏性取样。研究团队将MGapt编码序列置于质粒上，在不同质粒浓度下表达，用荧光动力学数据校准转录模型参数。
耦合模型：转录+翻译的完整蛋白质合成
最后，将推广后的翻译模型与验证后的转录模型耦合，构建完整的PURE蛋白质合成模型。该模型完全由质量作用反应构成，不引入任何表观速率常数或启发式近似。耦合模型的验证对象是两种产物：MGapt（RNA适配体）和deGFP（增强型绿色荧光蛋白突变体）。两者均从质粒表达，质粒浓度设定多个梯度，以检验模型在不同模板浓度下的预测能力。
参数识别与敏感性分析
每个SBML模型都进行了局部敏感性分析，计算所有参数在所有时间点上对可测物种的敏感性。随后用贝叶斯推断算法（集成emcee Python包，在BioSCRAPE框架内运行）从实验数据中估计参数的后验概率分布。原文摘要未详述贝叶斯推断的具体先验分布和迭代次数。
研究结果
翻译模型推广成功：任意肽段可编程
将ePURE-MATLAB模型转换到BioCRNpyler平台后，fMGG三肽的合成过程被完整复现。更重要的是，新框架摆脱了手工编写反应的束缚——只要给定目标蛋白的氨基酸序列，模型就能自动生成对应的起始、延伸和终止反应。原文摘要未提供推广后模型的具体反应数和物种数，但明确指出该模型能够合成任意长度和序列的肽段，这是原版ePURE-MATLAB无法做到的。
转录模型验证：MGapt荧光动力学拟合
MGapt报告实验提供了转录过程的定量数据。研究团队在不同质粒浓度下测量RNA产量随时间的变化曲线，并用转录模型进行拟合。原文摘要未提供具体质粒浓度数值和拟合误差，但确认转录模型成功捕捉了MGapt的表达动力学特征。这一结果填补了PURE系统转录建模缺乏实验验证的空白。
耦合模型预测：MGapt与deGFP的定量匹配
将转录与翻译模型耦合后，研究团队用该模型同时预测MGapt和deGFP的表达动力学。两种产物均在多个质粒浓度下进行实验，模型输出与实验数据定量吻合。原文摘要未提供deGFP的具体产量数值和质粒浓度梯度范围，但强调模型"捕捉了动力学特征"（capture the kinetics），且整个模型完全由质量作用反应构成，没有引入任何经验修正项。
参数敏感性：识别关键调控节点
局部敏感性分析揭示了影响测量物种（RNA和蛋白质产量）的最敏感参数。这些参数对应的反应步骤，就是控制PURE系统输出的关键调控节点。原文摘要未详述哪些具体参数被识别为最敏感，也未提供敏感性系数的数值。
讨论与展望
这项研究的核心价值在于方法论：把PURE系统的建模从"特例手工"推进到"通用自动"。BioCRNpyler的可扩展性意味着，研究者只需输入目标蛋白的序列，就能获得完整的质量作用反应网络——这为DNA电路设计、代谢途径优化等下游应用提供了计算基础设施。
不过，模型仍有提升空间。当前验证仅覆盖MGapt和deGFP两种产物，更多蛋白（特别是跨膜蛋白、含非天然氨基酸的蛋白）的表达预测尚待检验。此外，模型的所有参数均来自ePURE-MATLAB原版，若PURE系统批次间存在组分活性差异，模型可能需要重新校准。原文摘要未提及模型对批次差异的鲁棒性分析。
从应用角度看，这种"序列进、动力学出"的预测能力，可能让无细胞系统从"实验筛选"转向"计算设计"。当蛋白质合成过程可以被定量预测时，合成生物学的研究范式也将随之改变——不再是"做了才知道"，而是"算了再做"。
参考来源
Jurado Z, Pandey A, Murray RM. Nucleotide-Level Chemical Reaction Network Modeling Enables Quantitative Prediction of Reconstituted Cell-Free Expression Systems. ACS Synthetic Biology. PMID: 42289988.
PMID: 42289988