单细胞技术的广泛应用产生了大量的单细胞数据，因此对单细胞数据分析和解释方法的需求不断增长。虽然单细胞数据可以通过机器学习等方法进行分析，但对数据的解释仍相对缺乏。基因组规模代谢模型（Genome-scale metabolic model，GEM）包含先验的代谢网络知识，已成为整合并解释批量样本组学数据的强大工具。因此，GEM或许也能用来分析和解释单细胞数据，而该领域也确实正在兴起。利用GEM 整合分析单细胞数据有望揭示细胞代谢领域的众多新发现，探究细胞类型之间甚至复杂组织内单细胞之间的代谢差异，为包括生物技术和医学基础研究在内的多个领域带来新的见解。
近日，中国科学院深圳先进技术研究院陈禹课题组与查尔姆斯理工大学Eduard J. Kerkhoven等人合作在Current Opinion in Biotechnology发表综述文章“Single-cell omics analysis with genome-scale metabolic modeling”。文章首先回顾了利用GEM处理批量样品组学数据的常用方法，然后介绍了利用GEM分析单细胞组学数据的进展，最后指出了该领域当前面临的挑战。陈禹研究员和Eduard J. Kerkhoven博士为文章的共同通讯作者，Johan Gustafsson博士为共同第一作者，Jens Nielsen教授和研究助理杨晶宇参与了文章撰写。该工作获得了国家重点研发计划，深圳市医学研究专项和深圳市科技计划等项目的支持。
文章上线截图
原文链接：https://www.sciencedirect.com/science/article/pii/S0958166924000144?via=ihub
鉴于利用GEM分析批量样品组学数据的方法已经相对成熟，分析单细胞数据可能可以直接利用这些方法。因此，文章首先回顾了将批量组学数据与GEM整合的两类常见方法。第一类方法为模型提取方法，即依据组学数据，从参考模型（包含基因组注释的整套代谢反应集）中剔除不活跃的反应从而生成特异性模型，例如组织或器官特异性模型；第二类方法是利用组学数据作为约束以提高GEM对代谢通量预测的准确性。
然后，文章介绍了利用GEM分析单细胞数据的方法，与分析批量组学数据的方法类似，大致也可以分为两类，即单细胞特异性模型的生成和单细胞代谢通量的预测（图1）。
图1. 使用GEM分析单细胞组学数据
最后，文章总结了该领域的挑战和前景。首要挑战来自于单细胞技术本身的局限性，目前单细胞技术很少用于研究真正的单个细胞，因此整合GEM的分析也难以达到真正的单细胞水平。在单细胞代谢通量预测方面，其准确性受限于单细胞层面的代谢物交换的测定以及单细胞目标函数的确定。目前，GEM主要用于分析单细胞转录组数据，而随着单细胞蛋白质组学和代谢组学的发展，相信在不久的将来，基于GEM的单细胞多组学分析将成为可能。
PI与课题组简介
陈禹，研究员，博士生导师，入选国家重大人才工程青年项目（海外）。2018年获得华东理工大学生物化工博士学位，后于瑞典Jens Nielsen课题组开展博士后研究，2023年加入中国科学院深圳先进技术研究院合成生物学研究所。近五年一作文章发表于PNAS（4篇）、Nature Protocols、Molecular Systems Biology，Nucleic Acids Research等期刊，合作文章发表于Cell、Nature Catalysis、Nature Chemical Biology等期刊。多次受邀担任PNAS、Nature Communications等期刊审稿人。目前主持深圳市医学研究专项，参与国家重点研发计划、深圳市科技计划等项目。
陈禹课题组（https://chenyu.website/）从事系统生物学和合成生物学研究，聚焦基于代谢网络的数字细胞建模，整合“干”“湿”实验技术，实现细胞精准模拟以指导理性改造和人工合成；现招聘有生物工程、生物化工、发酵工程、生物信息学、计算生物学等相关研究背景博士后2名，欢迎有志之士投送简历至y.chen3@siat.ac.cn。