代謝網路分析是系統生物學中最成熟的定量子領域，以約束基礎建模（constraint-based modeling）為核心框架，結合組學數據進行代謝表型預測。
數學基礎：Null Space 與 Elementary Flux Modes
穩態條件 S·v = 0 定義了通量空間的 null space。其基底可分解為 elementary flux modes (EFMs)——滿足穩態和熱力學約束的最小功能路徑（Schuster et al., 2000）。任何可行通量分布都是 EFMs 的非負線性組合。EFM 的數量隨網路規模指數增長（genome-scale 模型可能有 >10^9 個 EFMs），因此實際計算需 efmtool 或 sampling-based approximation。
Thermodynamics-integrated FBA
傳統 FBA 不考慮熱力學可行性（允許 ΔG > 0 的反應有正通量）。Thermodynamic FBA (TFBA; Henry et al., Biophys J, 2007) 加入約束：若 v_j > 0，則 ΔG_j < 0。ΔG_j = ΔG°_j + RT·Σ S_ij·ln(c_i)，需估計代謝物濃度範圍。這轉化為混合整數線性規劃（MILP），計算量增加但解更符合生理。
組學數據整合
- GIMME / iMAT / INIT：用轉錄組數據約束通量——高表達基因的對應反應被「鼓勵」帶有通量，低表達反應被壓抑。產生組織/條件特異性代謝模型。
- MOMA / ROOM：預測基因 knockout 的亞最佳通量分布。ROOM（Regulatory On/Off Minimization; Shlomi et al., PNAS, 2005）最小化通量變化的反應數目。
- 13C-MFA（13C Metabolic Flux Analysis）：餵 ^13C 標記葡萄糖，以質譜測量代謝物的同位素標記模式（mass isotopomer distribution），反推實際通量。這是通量測量的「金標準」，但只適用於中心代謝（~50-100 反應）。與 FBA 的預測比較可驗證模型。
動態 FBA（dFBA）與全細胞整合
dFBA（Mahadevan & Schilling, Biophys J, 2003）在每個時間步做一次 FBA，根據通量更新培養基中營養物濃度，模擬批次培養的動態生長曲線。進一步整合基因調控（rFBA, SR-FBA）使 FBA 能回應環境變化調整酵素可用性。
Community Metabolic Modeling
微生物群落建模將多個物種的 GEM 放在共享環境中：SteadyCom（Chan et al., PLoS Comput Biol, 2017）在穩態假設下最大化社群生長，自動預測物種比例和跨物種代謝物交換。應用於腸道菌群與宿主代謝交互作用的研究。
工具：COBRApy（Python）/ COBRA Toolbox（MATLAB）用於 FBA；ModelSEED / CarveMe 自動化 GEM 重建；BiGG / VMH 資料庫提供標準化模型。
文獻：Orth et al. (2010) Nat Biotechnol 28:245-248 / Edwards et al. (2001) Nat Biotechnol 19:125-130 / Sánchez et al. (2017) Cell Syst 5:604-607 (ecYeast, enzyme-constrained model).