在绿色低碳产业快速发展的当下，微藻凭借生长速度快、可固碳、可高效转化生物质能源等优势，成为可持续生物燃料研发的核心载体。代谢工程是改造微藻细胞通路、提升油脂与能源产物产能的核心手段，而精准的代谢模型设计，是实现微藻工程改造从经验试错走向理性精准育种的关键前提。酶周转数作为代谢建模的核心参数，直接决定了模型预测的精准度，但目前主流微藻研究中相关数据匮乏，极大制约了微藻生物燃料产业化的高效推进。相较于技术成熟的酿酒酵母异养细胞工厂，模式真核微藻莱茵衣藻的酶周转数数据覆盖率极低，长期存在模型精度不足、工程改造策略盲目等行业痛点。
针对这一技术瓶颈，本研究围绕莱茵衣藻开展系统性定量蛋白组学研究，通过采集不同生长条件下的样本，成功获取2337至3708种蛋白质的丰度数据，为精准测算体内最大表观酶周转数搭建了完善的数据基础。研究依托约束性代谢模型，首次完成了568个代谢反应的体内周转数估算，将莱茵衣藻的有效酶学数据体量提升十倍，极大填补了微藻体内酶学参数的研究空白。对比试验证实，相较于传统体外检测数据，本次研究获得的体内周转数参数，能够显著优化代谢模型运算逻辑，大幅提升微藻胞内酶利用率、代谢通量的预测准确度。
这项突破性研究完善了莱茵衣藻核心酶学数据库，更新了微藻代谢调控的基础理论体系，弥补了长期以来微藻代谢建模参数匮乏、精度偏低的短板。从产业发展角度来看，精准化的代谢模型能够为微藻代谢工程改造提供科学的设计依据，摆脱传统育种盲目试错的困境，精准锁定限速酶与关键代谢通路，定向优化微藻能源产物合成效率。该成果有效推动了莱茵衣藻乃至全域微藻生物技术的精细化、智能化研发，为高产、高效、低成本的微藻生物燃料菌株选育提供强有力的技术支撑，助力微藻生物能源产业实现规模化、可持续商业化落地。
原文链接：Proteomics and constraint-based modelling reveal enzyme kinetic properties of Chlamydomonas reinhardtii on a genome scale