如果您正在构建培养肉类工艺，代谢途径映射可以帮助您决定喂什么、何时喂以及在细胞状态漂移之前使用哪些传感器。
我会将文章总结为：增殖和分化细胞的代谢不同, ，这体现在营养摄取、废物输出、氧气需求和产品特性上。文章还提出了第二个观点：仅靠池大小代谢组学是不够的. 如果我需要知道碳的去向，我需要同位素追踪、流量分析和可以与湿实验室数据进行测试的基因组规模模型。
本文涵盖内容的简要版本：
- 四个谱系： 牛卫星细胞、猪骨骼肌干细胞、鸡成肌细胞和间充质基质细胞
- 主要途径转变： 增殖更多依赖于 糖酵解; 分化更多依赖于线粒体氧化磷酸化
- 关键途径组： 中心碳、氨基酸、核苷酸和脂质
- 有用的读数： 乳酸、氨、氨基酸摄取、细胞内代谢物、NAD⁺/NADH相关状态变化和消耗介质标记物
- 流量工具： ¹³C示踪 和 代谢流量分析 以区分池大小与周转率
- 数据质量控制： 匹配的传代数、定义的采样阶段、快速淬火和介质背景校正
- 模型层： 基因组规模的代谢模型，包括牛模型 BtaSBML2986 发表在 2024年12月
- 过程使用： 培养基设计、饲料时间安排、批次与补料分批与灌流决策、生产线选择和质量控制
一些数字引人注目。在猪骨骼肌干细胞中，一项研究报告了94种细胞内代谢物, ，其中24种与增殖阶段相关，17种与分化阶段相关 . 这不是随机变化。这表明了一种明确的状态变化，您可以测量并使用。
我会将这篇文章作为最低限度映射堆栈:
的指南。- 从消耗的培养基LC-MS开始
- 添加细胞内代谢组学
- 当池数据不足时，使用¹³C-葡萄糖或¹³C-谷氨酰胺追踪
- 将数据放入GEM
- 在培养中测试模型，然后更新它
这就是主要信息: 按细胞状态映射途径，而不仅仅是按物种或培养基, 并将数据直接链接到饲料设计、放大, 和质量控制。
如果您从事生物工艺、细胞培养或培养肉类研发工作，本文为您提供了一条从途径生物学到日常工艺决策的清晰路线。
培养肉类研发的代谢途径映射堆栈
培养肉细胞系中的核心代谢途径
中心碳代谢：糖酵解、TCA循环和氧化磷酸化
在增殖细胞中，糖酵解同时完成两项工作：提供ATP并通过碳中间体支持生物合成。增殖细胞中的肌酐指向快速的肌酸磷酸盐周转，这有助于缓冲ATP需求[3].
当细胞承诺分化并开始形成肌管时，这种代谢设置会发生变化。氧气消耗增加，细胞色素c氧化酶活性增加，线粒体氧化磷酸化成为主要的ATP来源[3]. 三羧酸循环处于这一转变的中心。它将ATP生产与氨基酸代谢联系起来，并提供生长和肌源性发育所需的中间体[3]. 在这里，NAD⁺/NADH比率是一个有用的读数：较高的比率表明更活跃的氧化代谢[3]. 简单来说，分化伴随着更高的氧气需求。
这种状态的变化也改变了氨基酸、核苷酸和脂质的需求。
氨基酸、核苷酸和脂质代谢
在培养期间，氨基酸需求发生变化。在扩展期间，丙氨酸、天冬氨酸和谷氨酸代谢支持生物量积累[3]. 在分化过程中，D-谷氨酰胺和D-谷氨酸代谢变得更加突出，并有助于支持肌球蛋白和肌动蛋白等收缩蛋白的合成[3].
核苷酸需求在增殖期间最高，此时细胞需要DNA和RNA合成以支持分裂。在分化期间，池增加以支持肌纤维形成[3].
脂质代谢也发生变化。溶血磷脂酰乙醇胺（LysoPE）和溶血磷脂酰胆碱（LysoPC）在分化过程中被特异性检测到[3]. 这些脂质支持肌母细胞融合期间的膜重塑，这在细胞从生长转向组织形成时是合理的。
色氨酸代谢也很突出。其下游产物吲哚乳酸在分化过程中作为抗氧化剂，并在肌管融合期间帮助保护细胞免受氧化应激的影响[3]. 这对最终产品质量很重要，因为稳定的肌管形成支持培养肉组织的结构完整性。
代谢在不同细胞状态和谱系中的差异
一项关于猪骨骼肌干细胞的多组学研究鉴定了94种细胞内代谢物，其中24种在增殖中独特丰富，17种在分化中独特丰富[3]. 这是一种明显的代谢分裂，而不是背景噪音。同一细胞类型根据阶段运行不同的生化程序。
原代细胞系与永生化细胞系在其代谢稳定性上存在差异，传代次数增加了另一个变量。在猪肌肉干细胞中，传代2通常显示出最高的生长率，而传代3则表现出肌源性标记基因表达的显著下降以及代谢物丰度的变化[5]. 如果所有传代都被视为代谢等效，培养基设计和过程控制可能会偏离细胞实际所处的状态。
这些变化总结如下[3].
| 特征 | 增殖状态 | 分化状态 |
|---|---|---|
| 主要能量途径 | 糖酵解 | 线粒体氧化磷酸化 (OXPHOS) |
| 关键氨基酸途径 | 丙氨酸、天冬氨酸和谷氨酸 | D-谷氨酰胺和D-谷氨酸 |
| 阶段特异性代谢物 | 氨基己二酸、肌酐 | 吲哚乳酸、溶血磷脂酰乙醇胺、溶血磷脂酰胆碱 |
| 氧气需求 | 较低 | 较高 |
增殖和分化状态显示出不同的摄取和分泌模式，因此单一的代谢图无法适用于每个过程状态[1][2]. 这些途径特征定义了用于代谢组学和流量分析的读数。
sbb-itb-ffee270
用于绘制代谢途径的实验工作流程
代谢组学和消耗培养基分析
一旦关键途径被定义，下一步就是直接测量它们。
消耗培养基分析通常是途径行为的第一个实际读数。通过比较新鲜和消耗的培养基，可以看到细胞吸收了哪些营养物质以及哪些副产物积累。针对乳酸、氨和其他核心营养物质的LC-MS或GC-MS工作流程对此非常有效。这些读数为您提供了培养需求和压力的直接视图。
消耗培养基也可以作为QC标记。在猪骨骼肌干细胞中，γ-谷氨酰-L-亮氨酸、胞嘧啶和酮亮氨酸是亚最佳增殖的强标记物[5] . 细胞内代谢组学提供了细胞内途径活动的更直接视图。UHPLC-Q-Exactive Orbitrap质谱工作流程应用于猪骨骼肌干细胞，识别出94种细胞内代谢物，跨越肌生成进展阶段[3].
池大小告诉你有什么；追踪告诉你什么在移动。
稳定同位素追踪和代谢流分析
仅靠浓度数据有一个基本限制：它告诉你代谢物池的大小，而不是该池的周转速度。代谢物可能看起来很丰富但几乎没有活动，或者看起来稀少但循环速度很快。代谢流分析（MFA）通过使用¹³C标记的底物，如葡萄糖或谷氨酰胺，来追踪碳的实际去向来解决这个问题[6].
当您需要了解葡萄糖或谷氨酰胺是否支持能量生产、生物质形成或两者兼有时，请使用通量分析。当¹³C标记的葡萄糖被提供给增殖细胞时，标签会在糖酵解中间体、TCA循环代谢物和下游生物合成产物中扩散，显示哪些分支点是活跃的。在分化过程中，相同的示踪剂可以量化向氧化磷酸化的转变。这种差异对于培养基和饲料策略设计. 很重要。如果氨基酸被用于能量燃烧而不是用于生物质合成，则需要更改分化培养基的配方[2][6].
当培养基设计依赖于通量而不是池大小时，请使用MFA。
影响数据质量的实验设计选择
这两种方法的价值取决于样品的收集方式。
采样设计决定了数据是否可以被自信地解释。需要在样本之间匹配传代数。在猪骨骼肌干细胞中，传代2通常代表增殖高峰，而传代3显示出肌源性标志物表达的显著下降和较低的增殖 [5]. 将所有传代视为相同会给比较分析增加系统误差。
样本还应在定义的阶段采集：早期增殖、汇合、早期分化和肌管形成 [3]. 在二维培养中，第2天到第3天通常是收缩应力开始破坏肌管之前的最后可靠窗口 [3]. 基于支架和三维系统延长了这个窗口，如果您想研究长期肌肉成熟和结构完整性，这是必需的 [3].
淬火对于细胞内样品至关重要。代谢活动必须在采样点快速停止，否则酶会在收获后继续转化代谢物，扭曲快照。介质背景扣除同样重要。用过的培养基应与同一批次的新鲜培养基进行比较，以便您可以将真正的细胞分泌物与培养基中已存在的化合物区分开来。
用于决策的计算模型和数据集成
基因组规模的代谢模型和基于约束的分析
一旦测量了途径数据，GEMs 会将这些数据转化为可以引导培养基和工艺设计的预测。基因组规模的代谢模型提供了一个数学框架，用于绘制细胞的代谢网络。他们通常从基因组注释开始，然后在与转录组学、蛋白质组学和稳态下测量的生物质组成对齐时得到改进[1]. 对于培养肉细胞，GEMs 可以帮助选择培养基、预测瓶颈以及进行条件间比较。
通量平衡分析 (FBA) 和代谢通量分析 (MFA) 常用于预测细胞内通量并标记限制性培养基成分[1][6]. 这使它们直接用于 无血清培养基优化 [1].
2024年12月，来自KAIST 和CJ BIO研究所的研究人员发布了首个牛特异性GEM，BtaSBML2986, 包含2,986个基因、13,278个反应和8,652个代谢物[4] . 模型在六种培养条件下针对牛卫星细胞生长进行了验证 [4]. 从实际角度来看，这为团队提供了一个物种匹配的起点，用于牛细胞系选择, 培养基设计和条件筛选。
当没有物种特异性的GEM时，研究人员通常从现有模型开始，例如human1或CHO GEMs，然后用物种特异性注释进行细化[1][4]. 这是一个明智的变通方法：使用现有的东西，然后将其调整到您真正关心的生物学上。
结合代谢组学、转录组学和蛋白质组学
整合转录组学、蛋白质组学和代谢组学将酶丰度与代谢物池联系起来，并可以揭示单一组学数据集遗漏的瓶颈[1][2]. 在细胞培养中，这一点很重要，因为仅仅改变基因表达并不总是能告诉你网络在做什么. 。一个通路在转录水平上可能看起来很活跃，但由于酶的丰度或代谢物的可用性不同意，仍然可能停滞。
模型引导的培养基优化与实验试错法
试错法更容易开始，因为它只需要基本的生长指标。这使得它在早期筛选中很有用。但每个条件仍然需要一个完整的培养周期，输出是经验性的而非机制性的[1].
模型引导的优化需要更多的前期投入：基因组注释、-omics数据和测量的生物质组成。但一旦有了一个有效的GEM，你可以在计算机模拟中筛选数千种配方，然后再开始湿实验室测试[1][2]. 这大大改变了开发的速度，尤其是在无血清培养基空间快速扩大的时候。
| 特征 | 模型引导优化 | 实验试错法 |
|---|---|---|
| 速度 | 高 - 通过计算机模拟筛选数千种配方 | 低 - 受限于细胞倍增时间和实验室容量 |
| 数据需求 | 高 - 需要基因组注释和组学数据 | 低 - 仅需基本的生长和产量指标 |
| 适合培养肉 | 理想用于复杂的无血清培养基和研究较少的物种 | 更适合初步筛选或小调整 |
实际上，模型应在湿实验室验证之前缩小设计空间。模型预测可以减少实验空间，然后可以使用湿实验室数据来优化和重新验证模型[1]. 一个简单的工作流程通常是最好的：使用计算机模拟筛选来筛选条件，在培养中测试这些条件，然后将结果反馈到模型中。建模、测试、更新、重复。
IGF1在无血清培养基中促进培养肉的增殖
将路径图应用于细胞系、生物工艺和产品特征化
一旦路径图和模型到位，工作就从描述转向生物工艺控制. 相同的数据集可以帮助团队选择性能更好的细胞系，根据培养阶段调整饲料，并设置质量控制标记，以在产量或表型出现漂移之前捕捉到漂移。
细胞系工程和选择目标来自通路数据
通路数据使细胞系选择成为一种机制性练习，而不是试错法。在比较候选细胞系时，最有用的特征是乳酸和氨的输出速率、氨基酸消耗特征，以及细胞从增殖到分化的转换是否顺利。能够顺利完成这种转换的细胞系比那些在中途卡住的细胞系更具生产潜力。
传代次数也很重要。在2024年4月发表在《食品研究国际》, 上的一项研究中，首尔国立大学的研究人员确定了三种消耗培养基的生物标志物——γ-谷氨酰-L-亮氨酸、胞嘧啶和酮亮氨酸——这些标志物仅在第3代猪肌肉干细胞中发生变化，并伴随着肌源性基因表达的显著丧失。常规的LC-MS分析消耗培养基可以及早发现不理想的批次。
生物反应器操作、放大和培养模式选择
用于对细胞系进行排名的相同读数也有助于确定如何将细胞系放大用于生物反应器培养. 随着细胞在分化过程中从糖酵解转向氧化磷酸化，供料策略需要随着培养阶段的变化而调整 [3]. 批次模式为识别主要营养物质消耗率提供了一个干净的基线。补料批次和灌流使得可以将供料输入与代谢状态相匹配，这在乳酸和氨开始积累时尤为重要。
| 格式 / 模式 | 代谢控制视角 | 数据解释挑战 |
|---|---|---|
| 二维培养 | 高营养获取；结构保真度有限 | 不反映三维代谢梯度 |
| 微载体 | 高表面积与体积比；梯度风险 | 需要分析废弃培养基以监测局部消耗[1] |
| 支架 | 模拟三维结构；复杂的扩散动态 | 难以提取细胞内代谢物；依赖于GEM预测[1] |
| 批次 | 简单；营养物耗尽而乳酸和氨积累 | 识别主要营养物质消耗率的基线 |
| 补料分批/灌流 | 允许精确控制葡萄糖/乳酸通量 | 需要实时MFA以平衡进料速率与消耗 |
在规模化生产中，一个容器很少表现得像一个均匀的环境。营养梯度在生物反应器中创造了不同的代谢区域。GEMs可以模拟在不同局部条件下的流量变化，并指出营养限制可能出现的位置，早于其在过程数据中显现。这使得模型输出对饲料策略、氧气需求和废物控制直接有用。
结论：培养肉的最低路径映射堆栈 R&D
这些读数共同构成了培养肉的最低控制堆栈 R&D。
从中心路径假设开始：糖酵解、TCA循环和氨基酸消耗。然后使用标准LC-MS构建一个消耗培养基数据集。当需要确认碳源是否进入TCA循环，或谷氨酰胺是被氧化还是还原消耗时，添加稳定同位素追踪。在此之后，加入一个GEM，例如用于牛细胞的BtaSBML2986 [4], ，以在湿实验室验证开始之前缩小培养基设计空间。
关键是不断将结果反馈到模型中，更新假设，并让每一轮数据优化下一组选择。保持与细胞系选择、饲料策略和质量评估分开的映射程序可以产生有趣的数据集，但对生产帮助不大。
常见问题解答
为什么池大小代谢组学不够？
池大小代谢组学测量稳态代谢物浓度。这意味着它给你的是细胞的静态快照，而不是流量 - 实际上代谢反应运行的速率的读数。
对于培养肉的R&D，这种限制很重要。单靠浓度图无法告诉你代谢瓶颈在哪里，或者特定营养素如何支持生长和分化。要回答这些问题，你需要动态方法，如代谢流量分析。
团队何时应使用13C追踪？
当团队需要找出并解决阻碍生产效率的代谢瓶颈以及减缓培养肉价格平价进程时，应使用13C-代谢流量分析 (MFA) 。
系统生物学和基因组规模代谢模型可以帮助优化培养基。但对于大多数相关物种，13C-MFA仍然是一个空白，目前仅在有限的细胞类型中使用。
路径图如何改善饲料设计？
从基因组规模代谢模型构建的路径图帮助研究人员确定细胞从培养基中需要什么，代谢开始减缓的位置，以及在培养肉生产过程中能量的消耗情况。
当您将这些图与流量平衡分析结合使用时，它们变得更加有用。它们可以指导更有针对性的培养基设计，用于增殖和分化等阶段。这有助于团队提高生物质积累，更高效地进行生产，并在更可控的情况下引导最终的营养和感官质量。
