近日，Trends in Biotechnology发表了江南大学糖化学与生物技术教育部重点实验室刘龙教授课题组的研究型论文“CarveAdornCurate: a versatile cloud-based platform for constructing multiscale metabolic models” (Cheng et al., Trends in Biotechnology. 2025. 43(5), 1234-1259)。江南大学2021级博士生成杨为论文第一作者，刘龙教授为论文通讯作者。

微生物细胞工厂在可持续生物制造过程中扮演着关键角色，合成生物学技术的进步极大推动了其发展。代谢网络模型（GEMs）作为理解微生物代谢机制和指导代谢工程的重要计算工具，已被广泛应用于代谢工程和细胞工厂设计。然而，传统GEMs仅受到化学计量约束，容易在模拟中产生与实际情况不符的解。随着实验数据的不断积累及计算工具的快速发展，GEMs逐渐演进为多尺度代谢模型，通过整合多种细胞过程和约束条件，以实现对生物系统更精确的建模与预测。与此同时，各类多尺度建模工具相继涌现，用于构建包含复杂生物学约束的模型。这些工具本质上是在经典GEMs框架基础上进行多重约束的整合与扩展，因此高质量的GEMs是保障多尺度模型预测精度的关键。然而，构建高质量的GEMs通常需要大量人工策展与反复优化，耗时且繁琐。以酿酒酵母多尺度模型为例，其构建过程所使用的GEMs从2003年至2019年间共经历了14轮策展和优化工作，以不断提升模型的准确性。这种高强度的策展和优化工作成为限制多尺度代谢建模广泛应用的主要瓶颈。

针对上述问题，本研究提出了一种基于机器学习的多尺度模型构建策略，旨在降低代谢网络构建中的不确定性，简化模型的搭建与策展流程。该策略将代谢网络构建、多重约束整合与机器学习辅助策展有机融合，突破了传统方法对高质量代谢网络的依赖，显著拓展了多尺度建模的适用范围（图1）。我们在CAC平台中将多尺度模型构建流程划分为三个模块：Carve（雕刻）、Adorn（装饰）与Curate（策展），分别对应模型构建、约束整合及策展优化。首先，在Carve模块中，利用基因组打分文件和培养条件作为输入，通过混合整数线性规划生成模型集。以谷氨酸棒状杆菌为例，Carve模块在可变反应识别方面的效率是传统方法的4.6倍（图2）。随后，Adorn模块通过引入基于二元变量和数学规划的多重约束耦合框架，与现有多尺度建模工具相比，有效避免了过度约束，且在实验数据拟合方面表现更优（图3）。最后，Curate模块采用机器学习驱动的多目标策展策略，以拟合方法替代传统分类方式，实现更精细的模型策展。相比传统方法，该模块的灵敏性提升了2.1倍（图4）。

为便于生物学家及非计算背景用户使用，本研究将上述多尺度模型构建策略部署于云计算平台，并命名为CAC（https://www.carveadorncurate.com/）。用户可根据需求依次使用Carve、Adorn和Curate三个模块从头构建多尺度模型，也可单独调用某一模块实现特定功能（图5）。基于该平台，本研究分别构建了谷氨酸棒状杆菌和解脂耶氏酵母多尺度代谢模型。在谷氨酸棒状杆菌的建模过程中，利用Carve模块生成了500个经典代谢网络模型；利用Adorn模块对其进行多尺度扩展；利用Curate模块以组氨酸为目标对模型进行优化，并对重要性排名前10的关键反应进行人工修正，构建出最终模型etiCG1092_his。FBA模拟结果表明，该模型不存在过约束问题（图6），在中心碳代谢模拟和生长预测中的准确率分别达到了87%和88%。在解脂耶氏酵母的建模中，采用相同流程，以脂质合成为策展目标，最终获得模型etiYLI1852_lipid。验证结果显示，该模型的底物利用准确率为75%，生长预测准确率为91%，并在与OptDesign方法结合后，成功预测出8个脂质合成相关的关键靶点（图7）。

总之，该研究开发的CarveAdornCurate（CAC）云平台，为构建多尺度代谢模型提供了高效且易用的工具。它通过独特的模块设计，无需高质量代谢网络作为输入，即可快速构建多尺度代谢模型，为深入理解微生物代谢机制、指导代谢工程改造、优化微生物细胞工厂性能提供了有力支持。同时，该平台的开发为多尺度建模领域提供了新的技术思路，降低了建模门槛，并有希望推动多尺度代谢模型在微生物细胞工厂理性创制和优化中的应用

上述研究工作得到了国家重点研发项目（2020YFA0908300）、国家自然科学基金（32070085）、中央高校基本科研专项资金（JUSRP622004，JUSRP222007）等项目的资助。

Graphical abstract基于云服务器的多尺度模型构建平台CarveAdornCurate（CAC）

图1 基于启发式机器学习的CarveAdornCurate（CAC）多尺度模型快速构建工作流程

图2 混合整数规划驱动的基因组规模代谢模型集生成策略

图3 多约束集成修饰（MCAdorn）法构建多尺度模型集合的性能评估与对比分

图4 启发式机器学习辅助模型策展（SMC）方法：加速模型策展流程与性能综合评估

图5 CarveAdornCurate（CAC）多尺度模型构建工作流程解析：模块协同驱动模型策展

图6 etiCG1092_his模型模拟性能测试

图7 etiYLI1852_lipid模型模拟性能测试