代谢流分析(13C标记)¶
一句话说明¶
13C标记代谢流分析(13C-MFA)就是"给细胞喂带标签的食物,看食物变成了什么"——用13C标记的葡萄糖等底物喂细胞,追踪碳原子在代谢网络中的去向,定量每条代谢通路的真实流量。就像给快递贴GPS,追踪包裹走了哪条路线。
核心知识点¶
要点1:基本原理¶
- 13C示踪:天然碳大多是12C,13C占1.1%。给细胞喂13C标记的底物(如[U-13C]葡萄糖,所有6个碳都是13C)
- 同位素标记模式(MID):代谢物中含有不同数量13C的分子群分布
- M+0:没有13C的分子
- M+1:含1个13C的分子
- M+2:含2个13C的分子,以此类推
- MID → 代谢流量:不同的代谢路径会产生不同的标记模式,通过数学模型反推各条通路的流量
要点2:实验设计¶
- 标记底物选择:
- [U-13C6]葡萄糖:最常用,追踪中心碳代谢
- [1,2-13C2]葡萄糖:区分糖酵解和磷酸戊糖途径
- [U-13C5]谷氨酰胺:追踪回补反应
- 平衡态vs非平衡态:
- 稳态MFA:等待同位素标记达到稳态(通常24-48h),分析更简单
- 动态MFA(INST-MFA):追踪标记随时间变化的动态过程,信息更丰富但分析更复杂
- 采样时间点:稳态MFA只需终点一个样本;动态MFA需要多个时间点
要点3:质谱检测与数据处理¶
- 检测方法:GC-MS(最经典)或LC-MS/MS
- 天然同位素校正:测到的MID需要减去天然13C(1.1%)、15N等同位素的干扰
- 代谢流量求解:
- 构建代谢网络模型(反应、化学计量、原子转换图)
- 正向模拟:假设流量值 → 预测MID
- 优化:调整流量值使预测MID最接近实验MID
- 统计检验:χ²检验评估拟合质量
要点4:常用软件¶
- INCA:Matlab平台,学术界最常用的13C-MFA软件
- OpenFLUX:开源,支持稳态和非稳态MFA
- Metran:支持串联质谱数据
- IsoCor:Python工具,专门做天然同位素校正
- FluxML:基于XML的代谢网络建模语言
实战代码¶
# === 同位素标记数据处理(MID校正与分析) ===
import numpy as np
import pandas as pd
# 1. 原始质谱MID数据(以丙酮酸为例,3个碳原子)
# M+0, M+1, M+2, M+3 的原始强度
raw_mid = np.array([0.15, 0.25, 0.35, 0.25]) # 未校正的MID
# 2. 天然同位素校正(简化版)
# 13C天然丰度为0.011
def correct_natural_isotope(mid, n_carbon):
"""简化的天然同位素校正(矩阵法)"""
from scipy.special import comb
n = len(mid)
# 构建校正矩阵
correction_matrix = np.zeros((n, n))
p_natural = 0.011 # 13C天然丰度
for i in range(n):
for j in range(i + 1):
# 二项分布计算天然同位素贡献
correction_matrix[i, j] = comb(n_carbon - j, i - j) * \
p_natural**(i-j) * (1-p_natural)**(n_carbon-i)
# 求解校正后的MID
corrected = np.linalg.solve(correction_matrix[:n,:n], mid[:n])
corrected = corrected / corrected.sum() # 归一化到1
return corrected
corrected_mid = correct_natural_isotope(raw_mid, n_carbon=3)
print(f"校正前 MID: {raw_mid}")
print(f"校正后 MID: {np.round(corrected_mid, 4)}")
# 3. 计算13C标记富集度
# 平均标记度 = Σ(i × MID_i) / n_carbon
n_carbon = 3
avg_enrichment = sum(i * corrected_mid[i] for i in range(len(corrected_mid))) / n_carbon
print(f"平均13C富集度: {avg_enrichment:.3f}") # 0=无标记, 1=完全标记
# 4. 批量处理多个代谢物的MID
metabolites = {
"Pyruvate": {"mid": [0.15, 0.25, 0.35, 0.25], "n_c": 3},
"Citrate": {"mid": [0.10, 0.15, 0.20, 0.25, 0.18, 0.08, 0.04], "n_c": 6},
"Succinate": {"mid": [0.20, 0.30, 0.30, 0.15, 0.05], "n_c": 4},
}
results = []
for name, info in metabolites.items():
mid = np.array(info["mid"])
mid = mid / mid.sum() # 先归一化
corrected = correct_natural_isotope(mid, info["n_c"])
enrichment = sum(i * corrected[i] for i in range(len(corrected))) / info["n_c"]
results.append({"Metabolite": name, "Enrichment": enrichment})
df_results = pd.DataFrame(results)
print(df_results)
# === 使用IsoCor做天然同位素校正 ===
# pip install isocor
# IsoCor命令行使用
isocor \
--input raw_mid_data.tsv \ # 输入原始MID数据
--output corrected_mid.tsv \ # 输出校正后的MID
--tracer "C" \ # 示踪元素是碳
--resolution 60000 \ # 质谱分辨率
--mz_tol 0.005 # m/z容忍度
面试常问点¶
Q1: 13C-MFA和普通的代谢组学有什么区别?¶
参考答案:普通代谢组学测的是代谢物的"浓度池"(pool size),就像看水池里有多少水;13C-MFA测的是代谢物的"流量"(flux),就像看水管里水流的速度。一个水池水量不变,但通过它的流量可能很大(快速更新)也可能很小。比如TCA循环中间物的浓度可能不变,但流经它们的碳流量在不同条件下可以差很多倍。流量才是真正反映代谢活性的指标。
Q2: [U-13C6]葡萄糖和[1,2-13C2]葡萄糖有什么区别?¶
参考答案:[U-13C6]是所有6个碳都标记,标记强度最大,适合全面追踪碳代谢流。[1,2-13C2]只标记1号和2号碳,它的优势是可以区分糖酵解和磷酸戊糖途径(PPP),因为PPP会特异性地释放C1位的碳(作为CO2),所以通过下游代谢物的标记模式可以计算PPP的比例。不同标记方案提供不同的代谢路径信息。
速查卡片¶
| 问题 | 一句话答案 |
|---|---|
| MID是什么? | 质量同位素分布,反映代谢物中13C的数量分布 |
| 最常用的标记底物? | [U-13C6]葡萄糖 |
| 稳态MFA需要等多久? | 通常24-48小时让标记达到稳态 |
| 为什么要做天然同位素校正? | 因为13C天然丰度1.1%会干扰测量 |
| 13C-MFA常用软件? | INCA(Matlab)、OpenFLUX(开源) |
| 代谢流量vs池大小? | 流量=通过速率(动态),池大小=浓度(静态) |