来源：Microb Biotechnol | 编译：DNA Lab Space
合成生物学领域有个老难题：如何让基因线路既响应群体密度，又能在预设时机精准触发？群体感应系统被视为理想工具，但它们的动态行为过于复杂，调谐起来往往靠试错。最近，比利时根特大学的研究团队在《Microbial Biotechnology》发表论文，用15个变体菌株的实验数据训练了一个数学模型，成功预测了EsaI/EsaR群体感应系统中转录因子和合酶表达水平对双向启动子响应的差异化影响。这为合成生物学的DBTL循环中“Learn”阶段提供了一把钥匙。
研究背景
群体感应是细菌的“社会语言”——它们通过分泌和感知信号分子来协调群体行为。合成生物学家看中了这种机制，希望将其改造成可控的基因开关。EsaI/EsaR系统是其中的代表：EsaI合酶负责合成信号分子3-氧代己酰高丝氨酸内酯（AHL），而EsaR转录因子则感知AHL浓度并调控下游基因表达。
问题在于，这个系统的两个主要调谐元件——合酶EsaI的表达水平和转录因子EsaR的翻译水平——会相互影响。合酶水平决定AHL产量，而转录因子数量则影响解除启动子抑制所需的AHL阈值。同时改变这两个参数，系统输出的时机和强度变化难以直观预测。传统方法依赖经验调试，效率低且可重复性差。
该研究团队此前发现，过高的EsaI水平会损害系统功能并造成显著的细胞负担（De Baets et al. 2025）。基于这一教训，他们决定用数学建模来系统性地探索调谐空间，而不是盲目堆砌表达强度。
研究方法
研究的技术路线分为两个阶段：构建菌株文库获取实验数据，再利用这些数据拟合数学模型。
菌株文库构建
团队创建了15个EsaI/EsaR系统变体。设计逻辑是组合不同强度的启动子控制esaI转录，搭配不同强度的核糖体结合位点（RBS）控制esaR翻译。具体而言，5个启动子与3个RBS变体两两组合。
启动子选自iGEM零件注册库的Anderson启动子集合，且刻意选取了强度范围较低的一端。这一选择有明确依据——此前研究已证明高水平的EsaI会妨碍系统功能并带来显著细胞负担。
3个RBS序列使用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、高三档。这些理论值只是起点，因为遗传上下文可能导致实际表达强度与预测值出现明显偏差（Mutalik et al. 2013）。因此，实验数据被用来校正模型参数。
数学模型构建
模型由8个常微分方程（ODEs）组成，描述EsaI/EsaR群体感应系统的动态过程。方程结构如下：
EsaI浓度变化方程：dEsaI/dt = α_EsaI + β_EsaI·P − k_dgrEsaI·EsaI
其中P是实验测定的相对表达强度参数，β_EsaI是基线最大合成速率，α_EsaI用于补偿参数P无法完全捕捉的EsaI产生复杂性，k_dgrEsaI为降解和稀释速率常数。
EsaR浓度变化方程：dEsaR/dt = α_EsaR + β_EsaR·R − k_dgrEsaR·EsaR − k₁·EsaR·AHL + k₂·(EsaR−AHL)
这里的R代表3种RBS序列的相对翻译强度，β_EsaR是最大翻译速率（来自最强RBS），有效产生速率为β_EsaR·R。方程还包含EsaR与AHL结合（k₁）和解离（k₂）的动力学项。
对于AHL动力学，模型假设底物过量存在，因此胞内AHL产生仅取决于合酶浓度和产生速率v。AHL被认为可以自由扩散穿过细胞膜，胞内外浓度视为相等。由于所有细胞都在产生AHL，总产量需乘以细胞数Nct并加以校正。
参数量化与模型拟合
理论表达强度与实际值之间存在偏差，这是合成生物学中的常见问题。团队将实验数据与数学模型结合，利用15个菌株变体的响应数据来优化模型参数。原文摘要未详述具体的拟合算法和迭代次数，但明确指出实验数据被用于模型优化，最终模型能够成功区分EsaI和EsaR表达水平对双向启动子响应的不同影响。
研究结果
模型成功区分两个调谐维度的作用
最终模型能够清晰地区分合酶表达水平和转录因子表达水平对系统输出的差异化影响。这一区分能力至关重要——因为两个参数通过不同机制影响系统：EsaI决定信号分子的供给量，EsaR决定响应阈值。模型揭示了这种机制差异如何转化为可预测的输出变化。
转录因子的关键调谐角色
模型可视化展示了所有潜在的系统输出状态，结果强调了转录因子EsaR在调谐电路中的核心地位。这一发现具有实际指导意义——如果要精细调节系统的响应时机和强度，优先调整EsaR的表达水平可能比调整EsaI更有效。原文摘要未提供具体的定量数据（如不同组合下的表达倍数变化或响应时间差异），但模型的可视化能力使研究者能够预览不同参数组合下的系统行为。
模型验证与预测能力
15个变体菌株的实验数据成功优化了模型参数，使模型具备了预测能力。这意味着研究者可以在计算机上筛选参数组合，再挑选最有希望的候选进行实验验证，大幅减少试错成本。原文摘要未提供模型预测与实验验证之间的具体误差范围，但“成功区分”这一表述说明模型的区分度达到了统计学可接受的水平。
系统输出的全景可视化
模型允许可视化所有潜在的系统输出结果，这是实验方法难以实现的——实验只能抽样测试有限组合，而模型可以穷举参数空间。这种全景视图有助于理解系统的边界行为，例如极端参数组合下的响应失效模式。
讨论与展望
这项工作的价值在于将群体感应系统的调谐从“黑箱试错”推向“白箱预测”。模型明确了转录因子EsaR在调控中的主导作用，这一结论具有直接的应用指导意义——未来设计基于EsaI/EsaR的基因线路时，应优先考虑EsaR表达水平的精细调控。
方法论的普适性更值得关注。LuxR家族群体感应系统具有同源性，意味着这种建模思路可能迁移到其他群体感应系统。如果该框架被验证适用于更多成员，合成生物学家将获得一套通用的群体感应调谐工具包。
研究的局限在于模型假设的简化——例如AHL自由扩散、底物过量等假设在特定宿主或培养条件下可能不成立。此外，细胞负担效应虽然在启动子选择时被考虑，但模型本身是否包含负担相关的约束条件，原文摘要未明确说明。
群体感应系统的可预测调谐，是合成生物学从“能做”走向“可设计”的一个缩影。这项研究提供的不只是一个模型，更是一种思路：用实验数据锚定数学模型，让复杂生物系统的设计变得可计算。
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