代謝工程的系統建模、動態調控與細胞工廠平台設計構成工業生物技術的核心技術棧。
基因體尺度代謝模型（GEM）
GEM 以化學計量矩陣 S (m×n) 描述代謝網路（m 代謝物、n 反應）。穩態假設 S·v = 0 定義 flux space，FBA 以線性規劃 max(c^T·v) s.t. S·v = 0, v_lb ≤ v ≤ v_ub 求解。代表性 GEM：iML1515（E. coli, 1515 genes, 2719 reactions, Monk et al., 2017）、Yeast8（S. cerevisiae, Lu et al., 2019）。
約束-based 設計工具
- OptKnock：mixed-integer LP，搜索最佳 knockout set 使目標通量最大化且 biomass 可行。
- OptForce：Ranganathan et al.（2010, PLoS Comput Biol）比較野生型與最優菌株的 flux range，找出必須上調/下調的反應。
- COBRA + machine learning：以 GEM 模擬產生訓練集 → ML（gradient boosting, neural ODE）預測實驗結果 → active learning 選擇下一輪實驗。Carbonell et al.（2019）的 RetroPath2.0 以逆合成分析自動設計異源路徑。
動態代謝調控
靜態過表現導致代謝負擔（metabolic burden）和毒性中間物累積。動態調控策略：
- 生物感測器（Biosensor）：轉錄因子-based（如 FapR for malonyl-CoA, LuxR for AHL）或核糖開關（riboswitch）感應代謝物濃度 → 調控目標酵素。
- Quorum sensing-linked 路徑切換：在生長期（低密度）關閉生產路徑；達到閾值密度後自動開啟。Gupta et al.（2017, Nat Biotechnol）。
- Optogenetic control：光敏蛋白控制基因表現，實現精確的時間控制。以藍光-OptoLAC 系統在 E. coli 中將色氨酸路徑在「生長模式」與「生產模式」之間切換（Zhao et al., 2018）。
細胞工廠平台比較
| 宿主 | 優勢 | 限制 | 典型應用 |
|---|---|---|---|
| E. coli | 遺傳工具最成熟、生長快 | 無後轉譯修飾、內毒素 | 小分子、蛋白質、核酸 |
| S. cerevisiae | GRAS、真核後轉譯修飾 | Crabtree effect、乙醇毒性 | 萜烯、生物燃料 |
| Corynebacterium glutamicum | GRAS、胺基酸超產 | 遺傳工具較少 | L-lysine (~170 g/L) |
| CHO cells | 正確醣基化 | 昂貴、慢、無法大量生產小分子 | 抗體藥物 (~10 g/L) |
| Pichia pastoris | 高密度培養、甲醇誘導 | 甲醇毒性 | 重組蛋白 |
文獻參考：Bailey, J.E. (1991). Science, 252, 1668-1675. / Ro, D.K. et al. (2006). Nature, 440, 940-943. / Monk, J.M. et al. (2017). Nat Biotechnol, 35, 904-908. / Carbonell, P. et al. (2019). ACS Synth Biol, 8, 1379-1389.