842. 合成生物学前沿¶

传统生物学 = 观察自然、理解生命
合成生物学 = 设计新的生命功能

类比：
传统生物学 ≈ 研究汽车怎么跑的
合成生物学 ≈ 自己造一辆新车

核心理念：
→ DNA是"生命的代码"
→ 基因是"零件"
→ 调控元件是"开关"
→ 代谢通路是"生产线"
→ 细胞是"工厂"

目标：把这些零件组装起来，让细胞做我们想做的事
→ 让大肠杆菌生产青蒿素（抗疟疾药）
→ 让酵母生产蜘蛛丝蛋白（超级材料）
→ 让细菌检测水中的砷（生物传感器）

# CRISPR sgRNA设计 —— 生信常见任务

# 方法1：使用CRISPRscan/Azimuth进行评分
# 方法2：使用Python自行设计

def find_crispr_targets(sequence, pam="NGG"):
    """在序列中寻找所有CRISPR靶位点"""
    targets = []                        # 存储所有靶位点
    for i in range(len(sequence) - 23): # 遍历序列
        site = sequence[i:i+23]         # 20bp guide + 3bp PAM
        if site[21:23] == "GG":         # 检查PAM (NGG)
            guide = site[:20]           # 提取20bp引导序列
            gc_content = (              # 计算GC含量
                guide.count('G') + guide.count('C')
            ) / len(guide) * 100
            if 30 <= gc_content <= 70:  # GC含量30-70%为好
                targets.append({
                    'position': i,      # 位置
                    'guide': guide,     # 引导序列
                    'pam': site[20:23], # PAM序列
                    'gc': gc_content    # GC含量
                })
    return targets

# 使用示例
targets = find_crispr_targets(gene_sequence)  # 寻找靶位点
for t in targets[:5]:                  # 显示前5个
    print(f"位置:{t['position']} "
          f"序列:{t['guide']} "
          f"GC:{t['gc']:.1f}%")

# Cas-OFFinder —— CRISPR脱靶位点预测

# 准备输入文件
cat input.txt
# /path/to/genome.fa                   # 参考基因组
# NNNNNNNNNNNNNNNNNNNNNGG              # PAM模式
# ATCGATCGATCGATCGATCG NNN 3           # 引导序列 PAM 允许错配数

# 运行脱靶分析
cas-offinder input.txt C output.txt    # C=CPU模式

# 输出解读
# 每行：染色体 位置 脱靶序列 方向 错配数
# 错配数越少 → 脱靶风险越高
# 面试考点：为什么CRISPR需要脱靶分析？
# → 防止编辑错误位置导致意外突变

# 基于约束的代谢分析 (FBA - Flux Balance Analysis)
# 用于预测微生物代谢通路的最优流量分布

# COBRApy —— 代谢网络分析工具
import cobra                           # 导入COBRApy

# 加载代谢模型
model = cobra.io.read_sbml_model(      # 读取SBML格式模型
    "e_coli_core.xml"                  # 大肠杆菌核心代谢模型
)

# 查看模型信息
print(f"反应数: {len(model.reactions)}")    # 反应数量
print(f"代谢物数: {len(model.metabolites)}")# 代谢物数量
print(f"基因数: {len(model.genes)}")        # 基因数量

# 运行FBA（最大化生长速率）
solution = model.optimize()            # 优化
print(f"最大生长速率: {solution.objective_value:.4f}")

# 基因敲除模拟
with model:                            # 使用上下文管理器
    model.genes.get_by_id("b1241").knock_out()  # 模拟敲除adhE基因
    ko_solution = model.optimize()     # 重新优化
    print(f"敲除后生长速率: {ko_solution.objective_value:.4f}")

# 产物合成优化
with model:
    # 设置目标为最大化目标产物
    model.objective = "EX_etoh_e"      # 最大化乙醇产量
    solution = model.optimize()
    print(f"最大乙醇产量: {solution.objective_value:.4f}")

# 密码子优化 —— 让外源基因在宿主中高效表达

from dnachisel import DnaOptimizationProblem  # DNA优化库
from dnachisel import CodonOptimize           # 密码子优化

problem = DnaOptimizationProblem(
    sequence=original_gene_sequence,   # 原始基因序列
    objectives=[
        CodonOptimize(                 # 密码子优化目标
            species='e_coli'           # 目标宿主：大肠杆菌
        )
    ],
    constraints=[                      # 约束条件
        # 避免限制性酶切位点
        # 避免重复序列
        # GC含量控制在40-60%
    ]
)

problem.resolve_constraints()          # 满足约束
problem.optimize()                     # 优化密码子使用

optimized_sequence = problem.sequence  # 获取优化后序列
print(f"优化前CAI: {original_cai}")    # 密码子适应指数
print(f"优化后CAI: {optimized_cai}")   # 应该接近1.0

# CRISPR设计工具
在线：CRISPOR, Benchling, Cas-OFFinder
Python：crispr-cas12a, crispr-tools

# 代谢分析
COBRApy:  Python代谢网络分析
Escher:   代谢通路可视化
OptFlux:  代谢工程优化

# 密码子优化
DNA Chisel: Python密码子优化
JCat:      在线密码子优化
GenSmart:  在线密码子优化

# 合成生物学 + 生信 核心技能
1. CRISPR sgRNA设计 + 脱靶分析
2. 代谢网络分析(FBA/FVA)
3. 密码子优化
4. 基因线路建模(ODE仿真)
5. DNA序列设计(避免重复/二级结构)