ocrall(ocrall下載)

導(dǎo)語

雖然參與能量轉(zhuǎn)導(dǎo)的生化網(wǎng)絡(luò)已得到充分表征，但特定細(xì)胞過程的能量成本和限制仍然在很大程度上未知。特別是，細(xì)胞的能量預(yù)算是多少？能量流對細(xì)胞生命過程施加的約束和限制是什么？細(xì)胞是否在這些極限附近運(yùn)行，如果是，能量限制如何影響細(xì)胞功能？物理學(xué)提供了許多工具來研究非平衡系統(tǒng)和定義物理極限，但將這些工具應(yīng)用于細(xì)胞生物學(xué)仍然是一個挑戰(zhàn)。近日發(fā)表于PNAS的一篇綜述文章，研究者綜述了「物理生物能量學(xué)」（Physical bioenergetics）這一位于非平衡物理學(xué)、能量代謝和細(xì)胞生物學(xué)交匯處的前沿領(lǐng)域，旨在了解細(xì)胞正在使用多少能量，它們在不同的細(xì)胞過程和相關(guān)的能量約束之間如何分配這種能量。

研究領(lǐng)域：生物物理，非平衡物理學(xué)，細(xì)胞能量代謝

Xingbo Yang、Matthias Heinemann、Jonathon Howard等 | 作者

趙雨亭 | 譯者

劉培源 | 審校

鄧一雪 | 編輯

原文地址：https://www.pnas.org/content/118/26/e2026786118

目錄：

1. 開放性問題：細(xì)胞中的能量通貨有多少？

2. 開放性問題：關(guān)鍵細(xì)胞過程的能量成本是多少？

3. 開放性問題：能量通貨在多大程度上限制了細(xì)胞過程？

4. 結(jié)論與展望：非平衡物理學(xué)如何闡明這些問題

本文中，研究人員回顧了最近的進(jìn)展并討論了物理生物能量學(xué)中的開放性問題和挑戰(zhàn)。

細(xì)胞在熱力學(xué)平衡之外發(fā)揮作用：它們使用代謝途徑將物質(zhì)和能量轉(zhuǎn)化為細(xì)胞成分的構(gòu)建塊，并消耗吉布斯能來為細(xì)胞過程提供動力。盡管學(xué)界對生物合成和能量代謝的生物化學(xué)和細(xì)胞生物學(xué)有詳細(xì)的了解[1-3]，但對細(xì)胞過程的能量成本和限制知之甚少。

通過細(xì)胞的能量流動源于來自環(huán)境的吉布斯能的轉(zhuǎn)化。能量流動的速率以能量通貨為特征，可用于量化能量成本。這些能量通貨還可以對細(xì)胞過程施加限制——從生長[4]分子馬達(dá)的活動[5-7]，到對細(xì)胞信息的促進(jìn)停止[8-10]。物理生物能量學(xué)處于非平衡物理學(xué)、能量代謝和細(xì)胞生物學(xué)之間的交界處。它試圖了解能量細(xì)胞正在使用多少能量，同時如何將這些能量分配到不同的細(xì)胞過程中，以及相關(guān)的能量約束（圖1）。與傳統(tǒng)的生物能量學(xué)研究[11]不同，物理生物能量學(xué)通過利用非平衡物理學(xué)的工具來研究細(xì)胞的能量成本和約束。將這些工具應(yīng)用于細(xì)胞生物學(xué)面臨著許多挑戰(zhàn)。細(xì)胞內(nèi)的能量通貨——例如5'-三磷酸腺苷 (ATP) ——會耦合許多細(xì)胞過程，因此很難解釋ATP生產(chǎn)和消耗中涉及的所有生化反應(yīng)。雖然這一困難可以通過粗粒度（Coar-grained）的ATP周轉(zhuǎn)模型來解決，但尚不清楚如何以系統(tǒng)的方式對復(fù)雜的生化網(wǎng)絡(luò)進(jìn)行粗粒度的分析。活性物質(zhì)物理學(xué)提供了對細(xì)胞結(jié)構(gòu)涌現(xiàn)動力學(xué)的見解，但很少明確考慮為這些動力學(xué)提供動力的能量通貨[12-16]。隨機(jī)熱力學(xué)為細(xì)胞過程的熵產(chǎn)生和能量耗散提供了下限，但不知道細(xì)胞在接近這些極限時運(yùn)行的程度[17-21]。因此，物理生物能量學(xué)提出了將非平衡物理學(xué)中發(fā)展的理論和方法擴(kuò)展到細(xì)胞生物學(xué)的挑戰(zhàn)。

在本文中，研究人員將回顧和討論物理生物能量學(xué)中三個重要的開放性問題，并展示最近的進(jìn)展和新出現(xiàn)的挑戰(zhàn)。首先，細(xì)胞中的能量通貨是多少，如何測量它們？其次，關(guān)鍵細(xì)胞過程的能量成本是多少？最后，能量通貨在多大程度上限制了細(xì)胞過程？研究人員將通過說明性示例解決這些問題，并強(qiáng)調(diào)添加物理和物理方法如何幫助回答這些問題（圖1）。

圖1. 物理生物能量學(xué)位于細(xì)胞生物學(xué)、能量代謝和非平衡物理學(xué)的交界，旨在揭示細(xì)胞中的能量成本和約束。它結(jié)合了來自每個領(lǐng)域的已有知識，以了解細(xì)胞使用多少能量、它們?nèi)绾螌⑦@些能量分配到不同的細(xì)胞過程中，以及相關(guān)的能量限制。

生命的定義特征之一是與環(huán)境的能量交換，其特征是能量的凈流動。在細(xì)胞中，這些能量流產(chǎn)生于來自環(huán)境的吉布斯能的轉(zhuǎn)換。這種能量在轉(zhuǎn)化為生物質(zhì)、熱量或廢物之前先轉(zhuǎn)化為中間形式（例如ATP）（圖2）。細(xì)胞過程的能量成本可以通過這些過程的能量流動速率或能量通貨來量化[22]。能量通貨還可以對細(xì)胞過程施加約束，例如通過限制細(xì)胞的生長速率[4]或誘導(dǎo)細(xì)胞信息處理的速度-準(zhǔn)確性權(quán)衡[8-10]。為了揭示細(xì)胞中的能量成本和約束，測量能量通貨及其變化至關(guān)重要。在本節(jié)中，研究人員將回顧在全球?qū)用婧屯ㄟ^特定代謝途徑測量能量通貨的技術(shù)，并將討論這些技術(shù)的優(yōu)勢、局限性和相關(guān)挑戰(zhàn)。

全局能量通貨可以通過測量通過電位的凈通量來量化，例如通過測量耗氧率或產(chǎn)熱率。細(xì)胞內(nèi)能量通貨通過特定途徑，包括那些產(chǎn)生和消耗ATP的途徑，可以通過測量代謝物的通量來量化。能量通貨可以是動態(tài)的——例如對于細(xì)胞進(jìn)展通過細(xì)胞周期[23,24]或發(fā)育期間[25–29]；或恒定——例如對于處于穩(wěn)態(tài)的細(xì)胞、處在減數(shù)分裂II時停滯的卵母細(xì)胞[30]。空間效應(yīng)——例如代謝物或產(chǎn)生能量的細(xì)胞器的擴(kuò)散和運(yùn)輸——也會影響通過細(xì)胞的能量通貨[31-34]。因?yàn)槟芰客ㄘ浀膭討B(tài)對細(xì)胞能量使用的變化很敏感，它們提供了細(xì)胞能量消耗的重要指標(biāo)[23,24,27,29]。

數(shù)十年的研究提供了大量關(guān)于代謝途徑的詳細(xì)信息，這些途徑將來自環(huán)境的能量轉(zhuǎn)化為可用于細(xì)胞生成的形式。盡管現(xiàn)有反應(yīng)的酶學(xué)已被很好地表征，但通常不清楚細(xì)胞使用多少能量以及這些能量如何分配到不同的細(xì)胞器前體中。細(xì)胞全局能量通貨的一個組成部分是熱通量。大量研究測量了通過細(xì)胞的熱通量，即細(xì)胞以通過所有細(xì)胞活動產(chǎn)生的熱量的形式耗散能量的速率。熱量的產(chǎn)生可以用瓦特或焦耳每秒的功率單位表示，它包含細(xì)胞中發(fā)生的所有生化反應(yīng)的貢獻(xiàn)。這種全局熱通量代表了全局能量通貨的焓部分，可以使用量熱法進(jìn)行測量[23,24,27,35–40]。對于需氧生物，全局能量通貨的另一個組成部分是使用呼吸測量法測量[41–43]得到的耗氧率（oxygen consumption rate，OCR）。OCR量可以解釋為在所有能量都通過呼吸獲得的條件下的全球熱通量，并且當(dāng)與呼吸無關(guān)的氧消耗可以忽略不計時[44,45]。因?yàn)楹粑膬艋瘜W(xué)反應(yīng)等價于燃燒，當(dāng)滿足上述條件時，OCR與釋放的熱量成正比，稱為桑頓法則（Thornton’s rule）[46]。因此，OCR測量有時被稱為間接量熱法。

圖2. 典型的細(xì)胞化學(xué)和能量通貨示意圖。能量通貨代表來自環(huán)境的吉布斯能的轉(zhuǎn)化率，例如從營養(yǎng)物質(zhì)，通過細(xì)胞活動到廢物、生物質(zhì)或熱量。灰色箭頭表示通過單元的全局能量通貨。整體能量通貨的焓部分可以用細(xì)胞的產(chǎn)熱率來衡量。對于有氧生物，OCR的測量可以通過桑頓規(guī)則[46]與產(chǎn)熱率相關(guān)聯(lián)。細(xì)胞內(nèi)能量通貨由通過特定代謝途徑的通量表示，例如產(chǎn)生和消耗ATP的那些。

量熱法和OCR的局限性在于它們都是全局測量值，具有來自許多代謝途徑的貢獻(xiàn)，這使得測量能量通貨只能通過特定的細(xì)胞過程有條件地進(jìn)行。這些全局測量僅提供細(xì)胞內(nèi)能量通貨的間接讀數(shù)。要了解細(xì)胞內(nèi)能量通貨，測量通過特定途徑的代謝通量至關(guān)重要。已應(yīng)用放射性同位素14C標(biāo)記等生化技術(shù)來測量此類通量，例如光合成過程中的碳通量[47]。使用質(zhì)譜法進(jìn)行13C代謝通量分析是用于測量細(xì)胞內(nèi)通量的主要技術(shù)[48]。然而，這些技術(shù)涉及破壞性采樣，限制了活細(xì)胞測量。因此，測量活細(xì)胞中的細(xì)胞內(nèi)通量仍然是一個挑戰(zhàn)。

此外，幾乎所有代謝通量的測量都是在細(xì)胞群上進(jìn)行的，提供了平均代謝通量的測量，掩蓋了個體細(xì)胞水平的固有變化。基于顯微鏡的單細(xì)胞測量有助于深入了解隨機(jī)細(xì)胞生長的機(jī)制[49,50]并揭示振蕩代謝動力學(xué)[51]，證明單細(xì)胞測量在揭示隱藏在群體水平上的代謝異質(zhì)性方面的重要性。

空間效應(yīng)也可能在塑造細(xì)胞內(nèi)能量通貨方面發(fā)揮作用。在胚胎發(fā)育過程中，糖酵解活性的梯度與細(xì)胞分化有關(guān)[52,53]。線粒體是關(guān)鍵的能量產(chǎn)生細(xì)胞器，已被觀察到與細(xì)胞骨架[31]和內(nèi)質(zhì)網(wǎng)[32]相關(guān)，并顯示出細(xì)胞內(nèi)膜電位[54]和線粒體DNA序列[55]的異質(zhì)性，這意味著潛在的存在能量流的復(fù)雜細(xì)胞內(nèi)模式。糖酵解酶還與肌動蛋白細(xì)胞骨架相關(guān)聯(lián)，使細(xì)胞能夠?qū)⑻墙徒馔颗c細(xì)胞機(jī)械環(huán)境的變化結(jié)合起來[56]。雖然包括ATP[57]、還原型煙酰胺腺嘌呤二核苷酸 (NADH) [58]和葡萄糖[59]在內(nèi)的代謝物濃度的亞細(xì)胞分布已通過熒光顯微鏡[57-64]進(jìn)行表征，但這仍然是一個挑戰(zhàn)以亞細(xì)胞分辨率測量這些代謝物的通量。因此，細(xì)胞中能量通貨的空間模式在很大程度上是未知的。哺乳動物卵母細(xì)胞提供了模型系統(tǒng)，其中可能存在能量通貨的亞細(xì)胞空間模式[30,33,34]。由于它們相對較大的尺寸，由于局部ATP消耗，例如紡錘體（圖3A），可能會產(chǎn)生大量的細(xì)胞內(nèi)5'-二磷酸腺苷（ADP）梯度。已經(jīng)觀察到線粒體圍繞著減數(shù)分裂紡錘體，這表明ATP的產(chǎn)生可能在空間上分布[33,34]。ATP[57]和ATP:ADP[60]生物傳感器提供了強(qiáng)大的工具，可用于測量這些代謝物的空間梯度。通過將這些測量與ATP和ADP的理論反應(yīng)擴(kuò)散模型相結(jié)合，可以推斷局部ATP產(chǎn)生和消耗的相對速率。這種方法也可能用于估計局部過程使用了多少能量。

開發(fā)能夠以單細(xì)胞甚至亞細(xì)胞分辨率測量特定途徑的代謝通量的新技術(shù)將有助于揭示細(xì)胞中能量通貨的動態(tài)。最近在這個方向上取得了實(shí)質(zhì)性進(jìn)展。已經(jīng)開發(fā)了一種基于乳液液滴粗化的分析方法來監(jiān)測單個酵母細(xì)胞的葡萄糖攝取率[65]。拉曼光譜是一種潛在的候選方法，可以用單細(xì)胞分辨率測量養(yǎng)分吸收率的時空不均勻性[66]。例如，這可以使用葡萄糖類似物在細(xì)胞的靜默區(qū)顯示光譜峰來完成[67]。經(jīng)驗(yàn)或基于模型的推理方法是從代謝物濃度的熒光成像中獲得具有亞細(xì)胞分辨率的代謝通量的潛在方法[30,64,68]。基于NADH氧化還原反應(yīng)的模型已用于從NADH的亞細(xì)胞熒光壽命成像推斷線粒體代謝通量決議[30]。

總之，雖然已經(jīng)開發(fā)了強(qiáng)大的技術(shù)來測量能量通貨，但測量能量通貨的動態(tài)變化和空間異質(zhì)性仍然存在局限性。因此，細(xì)胞之間和細(xì)胞內(nèi)的能量通貨的時空動態(tài)在很大程度上仍然未知。為了彌合這一差距，需要以高時空分辨率測量能量通貨的技術(shù)。

無數(shù)的細(xì)胞過程需要能量，通常以ATP的形式存在。雖然研究人員對細(xì)胞如何通過中樞代謝產(chǎn)生能量有相當(dāng)好的了解[1,2]，但特定細(xì)胞過程的能量成本卻鮮為人知[69-71]。特定的細(xì)胞過程攜帶相關(guān)的能量成本。這些成本可以通過吉布斯能變化率來量化。量化吉布斯能變化的一種有用方法是計算細(xì)胞過程每單位時間消耗的ATP當(dāng)量，即每次ATP水解的吉布斯能變化。或者，由于通過所有細(xì)胞過程的能量通貨總和為細(xì)胞的全局能量通貨，特定細(xì)胞過程的能量成本可以通過與該過程相關(guān)的全局能量通貨的分?jǐn)?shù)來量化。細(xì)胞能量成本包括生物合成[72]、信號傳導(dǎo)[23、24、73、74]、維持化學(xué)梯度[75]、糾錯[8、9]、運(yùn)動性[75]、基因調(diào)控[76、77]，和構(gòu)建細(xì)胞結(jié)構(gòu)，例如作為細(xì)胞骨架[22]。圖3提供了三個有助于細(xì)胞能量收支的細(xì)胞過程示例：哺乳動物卵母細(xì)胞中的紡錘體自組織和染色體分離、生長細(xì)胞中的蛋白質(zhì)合成和趨化性大腸桿菌中的感覺適應(yīng)。一個公開的挑戰(zhàn)是測量這種細(xì)胞過程的能量成本。對細(xì)胞能量的計算不僅告訴研究人員已知的過程，還告訴研究人員可能忽略的過程。例如，KaiABC系統(tǒng)充當(dāng)藍(lán)藻晝夜節(jié)律振蕩器，通過六聚體KaiC上的一系列磷酸化反應(yīng)來保持時間。雖然已知每個磷酸化-去磷酸化循環(huán)每個單體需要2個ATP，但實(shí)驗(yàn)測量的ATP消耗率顯著每個單體16個ATP時更高。最近的一項(xiàng)理論研究表明，這種多余的能量并沒有被簡單地浪費(fèi)掉——它可能負(fù)責(zé)同步KaiABC復(fù)合物之間的狀態(tài)，從而實(shí)現(xiàn)時鐘之間的全局同步[78]。

細(xì)胞過程的能量成本可以通過計算與過程相關(guān)的每個中間步驟每單位時間消耗的ATP等價物來估計。這種方法已用于通過分析生物合成途徑來估算建筑成本，匯總每個中間步驟所需的ATP等價物數(shù)量[27、69、70]。這然后可以將每個步驟的ATP等價物計數(shù)與步驟速率的測量值相結(jié)合，以估計構(gòu)建組件的整體能耗速率。例如，通過總結(jié)每個中間步驟（包括氨基酸合成、轉(zhuǎn)錄和翻譯）所需的ATP等價物數(shù)量，已應(yīng)用ATP等價物的計數(shù)來估計生長細(xì)胞中蛋白質(zhì)合成的能量成本[69–72,79]（圖3B）。這種ATP等價物的計數(shù)然后可以與蛋白質(zhì)合成速率的測量相結(jié)合，以估計與蛋白質(zhì)合成相關(guān)的能量消耗速率。該速率可以進(jìn)一步與細(xì)胞的整體能量通貨進(jìn)行比較，以推斷相對能量蛋白質(zhì)合成成本。這些估計在很大程度上依賴于了解過程中涉及的所有步驟、它們的速率以及所需的相應(yīng)ATP等價物數(shù)量。對于一些特征較少的細(xì)胞過程，了解所有耦合步驟可能具有挑戰(zhàn)性。例如，全面確定真核細(xì)胞中染色體分離的能量成本需要包括組裝紡錘體、移動染色體、信號傳遞和糾錯等能量成本（圖3A）。在缺乏有關(guān)感興趣過程的所有耦合過程的詳細(xì)知識的情況下，很難估計過程的能量成本。因此，要測試ATP計數(shù)的估計值是否完全考慮了能量成本，需要直接測量。

圖3.有助于細(xì)胞能量收支的細(xì)胞過程示例。(A)哺乳動物卵母細(xì)胞中的紡錘體自組織和染色體分離。(B)在生長細(xì)胞中具有轉(zhuǎn)錄和翻譯的蛋白質(zhì)合成。(C)趨化性大腸桿菌中的感官適應(yīng)，a和m分別代表自適應(yīng)反饋網(wǎng)絡(luò)中的輸入、輸出和控制器[10]。

一種直接測量過程能量成本的方法是通過過程抑制。假設(shè)抑制一個目標(biāo)過程不影響其他細(xì)胞過程的活動，目標(biāo)過程的能量成本可以被測量為當(dāng)目標(biāo)過程被抑制時使用呼吸測量法或量熱法的全局能量通貨的變化[22]。如何-一直以來，抑制實(shí)驗(yàn)總是具有脫靶效應(yīng)的潛力，并且可以改變與目標(biāo)相關(guān)的其他過程的活性[80]。由于全局能量通貨的變化反映了所有受影響過程的變化，目標(biāo)過程與其他細(xì)胞過程之間的耦合可能會使此類測量的解釋復(fù)雜化。例如，抑制代表細(xì)胞ATP消耗率很大一部分的過程可能會改變ATP濃度，這反過來可能會改變其他ATP消耗途徑的活動。在這種情況下，測得的全局能量通貨變化除了來自受抑制過程的貢獻(xiàn)外，還可能包括來自這些下游效應(yīng)的額外貢獻(xiàn)。此外，全局能量通貨可能不是由ATP使用者強(qiáng)加的能量需求唯一決定的，還取決于線粒體中ATP合成和質(zhì)子泄漏的速率[81]。因此，需要了解抑制作用如何調(diào)節(jié)ATP合成和質(zhì)子泄漏，以估計此類實(shí)驗(yàn)的能量成本。需要代謝控制模型來理解ATP合成、質(zhì)子泄漏和ATP酶的耦合[45]。為了確定與給定細(xì)胞過程相關(guān)的真實(shí)能量成本，需要一種組合方法，其中能量成本是使用ATP等價物的計數(shù)和測量特定過程抑制后全局能量通貨的變化來測量的[80]。

測量發(fā)育過程中全局能量通貨的變化也提供了有關(guān)細(xì)胞過程能量消耗的信息。例如，量熱法已被用于觀察在斑馬魚[24]和非洲爪蟾[23]胚胎發(fā)育過程中，由于細(xì)胞周期信號傳導(dǎo)，胚胎產(chǎn)生的熱量包含與細(xì)胞周期同步振蕩的成分。了解胚胎發(fā)育過程中哪些生理變化對能量通貨的動態(tài)有貢獻(xiàn)仍然是一個挑戰(zhàn)[27,29,82-84]。

上面考慮的能量成本代表直接成本，定義為給定細(xì)胞過程使用的ATP等價物的數(shù)量。在某些情況下，例如對于產(chǎn)生生物質(zhì)的過程，間接機(jī)會成本可能是相關(guān)的。機(jī)會成本代表了如果代謝前體或還原中間體被用于生成ATP而不是生物質(zhì)，本可以生成ATP[70]。雖然機(jī)會成本不是直接的能量成本，但它們可能對進(jìn)化適應(yīng)性產(chǎn)生影響，特別是在碳有限的情況下，因此將碳轉(zhuǎn)移到生物質(zhì)的后果更為嚴(yán)重。了解如何將能量成本與健康成本聯(lián)系起來是一個重要的開放性問題，它將物理生物能量學(xué)與進(jìn)化細(xì)胞生物學(xué)聯(lián)系起來[69,70,85-88]。

總體而言，雖然在估計細(xì)胞過程的能量成本方面存在有希望的工作[22,69,70,78]，但細(xì)胞的能量預(yù)算在很大程度上仍未得到探索。從ATP計數(shù)和過程抑制估計能量成本存在挑戰(zhàn)。克服這些挑戰(zhàn)需要了解與感興趣的過程相關(guān)的中間步驟，以及ATP生產(chǎn)和ATP消耗之間的耦合。

細(xì)胞過程由吉布斯能的耗散提供動力，能量耗散率可以對細(xì)胞過程施加限制。這些限制體現(xiàn)在細(xì)胞生長速率的限制[4]（圖4A）、分子馬達(dá)的效率[5-7]（圖4B）以及細(xì)胞信息處理速度和準(zhǔn)確性之間的權(quán)衡[8–10]（圖4C）。在本節(jié)中，研究人員將詳細(xì)討論這些示例，并演示如何應(yīng)用非平衡物理學(xué)中的工具來理解能量約束。

吉布斯能耗散率的內(nèi)在限制可能對細(xì)胞生長率施加限制。最近有人建議，從呼吸到發(fā)酵的轉(zhuǎn)變在高葡萄糖攝取率是由細(xì)胞吉布斯能耗散率的上限引起的，最大細(xì)胞生長率由該限制決定[4] (圖4A)。這種現(xiàn)象的另一種解釋包括電子傳輸鏈酶在細(xì)胞膜中達(dá)到飽和濃度[89,90]和有效的蛋白質(zhì)組分配[91]。協(xié)調(diào)這些不同的解釋仍然是一個挑戰(zhàn)。

隨機(jī)熱力學(xué)理論已被用于預(yù)測分子馬達(dá)熱力學(xué)效率的限制。熱力學(xué)效率定義為有用的能量耗散速度，例如機(jī)械功率，除以總能量耗散率，例如來自ATP水解的能量耗散率。熱力學(xué)不確定性關(guān)系表明能量耗散限制非平衡系統(tǒng)穩(wěn)態(tài)時的電流波動[19,92-94]。將此關(guān)系應(yīng)用于抵抗外力或扭矩的分子馬達(dá)，例如在粘性環(huán)境中移動貨物，可以預(yù)測熱力學(xué)效率的通用上限[95]（圖4B）。

Harada-Sasa等式將能量耗散率與波動響應(yīng)關(guān)系的違反程度相關(guān)聯(lián)，已被用于估計單個驅(qū)動蛋白電機(jī)的效率為20%[5]。相比之下，旋轉(zhuǎn)電機(jī)F1-ATPa已被建議以接近100%的效率運(yùn)行[6,7]。對這兩種電機(jī)效率之間形成鮮明對比的候選解釋調(diào)用了它們動力學(xué)的可逆性[5]。雖然兩個電機(jī)在向前邁進(jìn)時都會消耗ATP，但F1-ATPa可以在向后旋轉(zhuǎn)時合成ATP。因此，與驅(qū)動蛋白相反，這些后退步驟的能量是可以守恒的。了解運(yùn)動效率的進(jìn)化壓力是一個活躍的研究領(lǐng)域[96]。

非平衡物理理論也預(yù)測了受能量耗散率約束的生化回路中的權(quán)衡。在DNA復(fù)制等過程中，核苷酸提供的吉布斯能在復(fù)制速度、復(fù)制精度、和能量耗散[9]。動力學(xué)校對是一種以能量消耗為代價的生物化學(xué)反應(yīng)糾錯機(jī)制，對于許多細(xì)胞過程的質(zhì)量控制和準(zhǔn)確性很重要[8,97]。跟蹤能量消耗并了解能量耗散如何有助于提高細(xì)胞中信息處理的靈敏度和速度和/或準(zhǔn)確性，既是一項(xiàng)實(shí)驗(yàn)挑戰(zhàn)，也是一項(xiàng)理論挑戰(zhàn)[8,10,74,76,77,98-103]。關(guān)于生化網(wǎng)絡(luò)中能量-性能權(quán)衡的新見解使生物網(wǎng)絡(luò)的有用設(shè)計原則得以識別，以有效地實(shí)現(xiàn)其目標(biāo)功能[78、104、105]。例如，在大腸桿菌的化學(xué)感應(yīng)適應(yīng)過程中，Gibbs能量耗散是必要的，必須消耗能量以適應(yīng)化學(xué)物濃度的變化，同時保持化學(xué)感受器的敏感性（圖3C）。反饋網(wǎng)絡(luò)的粗粒度模型預(yù)測了感官適應(yīng)中的一般能量-速度-準(zhǔn)確度權(quán)衡關(guān)系。該模型在不影響?zhàn)囸I大腸桿菌的適應(yīng)精度的情況下預(yù)測了適應(yīng)速度的降低，這已在實(shí)驗(yàn)中得到證實(shí)[10] (圖4C)。

圖4. 能量通貨對細(xì)胞過程施加的限制和約束示例。(A)：已經(jīng)提出了用于生長大腸桿菌和酵母的Gibbs能量耗散率的限制。在這個模型中，當(dāng)Gibbs能量耗散率達(dá)到接近此限制，最大細(xì)胞生長速率由此限制決定[4]。(B)：熱力學(xué)不確定性關(guān)系預(yù)測分子馬達(dá)能量效率的上限[95]。v、f、D、kB和T分別代表速度、力、擴(kuò)散常數(shù)、玻爾茲曼常數(shù)和溫度。(C)：粗粒度自適應(yīng)反饋模型預(yù)測感官適應(yīng)期間的能量-速度-準(zhǔn)確度權(quán)衡，包括細(xì)菌趨化性、酵母滲透傳感、嗅覺適應(yīng)和視紫質(zhì)適應(yīng)[10]。c0和ε0依賴于系統(tǒng)常數(shù)，σa2是活動“a”波動的方差，ωm是適應(yīng)速度，ε是適應(yīng)誤差。

這些例子強(qiáng)調(diào)了能量約束在理解細(xì)胞生長速率的極限、分子馬達(dá)的效率和細(xì)胞信息處理中的速度-準(zhǔn)確度權(quán)衡方面的作用，同時提出了更多問題。能量約束在多大程度上存在對于其他細(xì)胞過程？如果給定過程存在能量約束，細(xì)胞是否在該極限附近運(yùn)行？解決這些問題需要結(jié)合定量測量和基于非平衡物理學(xué)的新理論的發(fā)展。非平衡動力學(xué)[106-109]和隨機(jī)熱力學(xué)[17-21]的最新進(jìn)展為研究非平衡過程和定義物理極限提供了工具。這些工具有助于量化非平衡系統(tǒng)中的熵產(chǎn)生[110-115]、能量耗散[18、19、92、116、117]、功[118、119]和自由能轉(zhuǎn)換[120]。將熱力學(xué)原理應(yīng)用于代謝網(wǎng)絡(luò)導(dǎo)致發(fā)現(xiàn)了對代謝通量的能量限制[4,121–123]。已經(jīng)開發(fā)了新的實(shí)驗(yàn)和理論方法，通過量化詳細(xì)平衡的破壞[124-126]和不可逆性[127,128]來識別生物系統(tǒng)中的非平衡動力學(xué)。波動-耗散關(guān)系的違反也被用于量化單次能量耗散。量化分子水平的單次能量消耗[5]。將這些理論應(yīng)用于細(xì)胞生物學(xué)以理解能量耗散和細(xì)胞功能之間的相互關(guān)系仍然是一個挑戰(zhàn)[129-136]。

物理生物能量學(xué)旨在揭示細(xì)胞中的能量成本和約束，利用非平衡物理學(xué)中的工具并將其應(yīng)用于細(xì)胞生物學(xué)和能量方面的開放性問題代謝。物理生物能量學(xué)的中心主題是了解細(xì)胞使用多少能量，它們?nèi)绾螌⑦@些能量分配到不同的細(xì)胞過程中，以及相關(guān)的能量性約束。正在開發(fā)新技術(shù)以研究具有單細(xì)胞和亞細(xì)胞分辨率的能量通貨[30,57,59–64,67,137]，這使得研究能量通貨與亞細(xì)胞過程之間的相關(guān)性成為可能。非平衡物理學(xué)提供了新的工具來解釋這些測量的動力學(xué)[106-108]、熵產(chǎn)生[21、111、112、115]、能量耗散[18、19、92、116、117]及其與涌現(xiàn)動力學(xué)的相關(guān)性細(xì)胞結(jié)構(gòu)[13、14、124、126、128]。

盡管最近取得了這些進(jìn)展，但物理生物能量學(xué)仍然存在挑戰(zhàn)和機(jī)遇。實(shí)驗(yàn)家和理論家面臨著理解細(xì)胞如何利用能量來構(gòu)建細(xì)胞結(jié)構(gòu)和驅(qū)動細(xì)胞過程的挑戰(zhàn)。研究人員如何最有效地定義和測量時空能量通貨，并將其與細(xì)胞和亞細(xì)胞尺度上的效率、焓、熵和吉布斯能耗散等物理量聯(lián)系起來？研究人員是否對細(xì)胞過程的生物化學(xué)和速率有足夠的定量知識，以便計算它們在細(xì)胞能量預(yù)算內(nèi)的能量使用和大小？能量耗散率對細(xì)胞過程有哪些限制和權(quán)衡，以及對細(xì)胞功能產(chǎn)生的后果是什么？

非平衡物理學(xué)與來自生物化學(xué)和細(xì)胞生物學(xué)的方法相結(jié)合，提供了有望解決這些問題的其他工具。將這些工具應(yīng)用于細(xì)胞系統(tǒng)對實(shí)驗(yàn)家和理論家來說都是一個開放的挑戰(zhàn)，需要擴(kuò)展現(xiàn)有的物理理論并開發(fā)新的實(shí)驗(yàn)方法。物理生物能量學(xué)為這些理論提供了一個試驗(yàn)場，并將為非平衡物理學(xué)的發(fā)展提供信息例如，將隨機(jī)熱力學(xué)應(yīng)用于分子馬達(dá)已經(jīng)揭示了其效率的限制[5-7]（圖4B），但目前尚不清楚馬達(dá)是否在細(xì)胞中的預(yù)測極限附近運(yùn)行。活性物質(zhì)物理學(xué)有助于為由能量通貨產(chǎn)生的細(xì)胞結(jié)構(gòu)的豐富時空動力學(xué)提供定量框架，但很少直接研究能量通貨本身。由于細(xì)胞中的能量通貨并不總是恒定的，因此考慮能量通貨動力學(xué)和細(xì)胞結(jié)構(gòu)動力學(xué)之間的相互作用很重要。（圖3A）[12、138-140]。

建模細(xì)胞系統(tǒng)的另一個基本挑戰(zhàn)在于系統(tǒng)地開發(fā)復(fù)雜代謝網(wǎng)絡(luò)的現(xiàn)象學(xué)和粗粒度模型。通過結(jié)合所有已知的相關(guān)代謝途徑，經(jīng)常構(gòu)建計算模型來研究代謝網(wǎng)絡(luò)[141-143]。雖然這些模型為代謝提供了許多重要的見解，但它們通常依賴于大量參數(shù)，這些參數(shù)可能高度依賴上下文并且難以在體內(nèi)測量。粗粒度和現(xiàn)象學(xué)模型是建模的潛在有用工具有效參數(shù)很少的代謝網(wǎng)絡(luò)。這種方法已被證明在許多領(lǐng)域都很有用。例如，主動-在物質(zhì)物理學(xué)中，細(xì)胞骨架動力學(xué)可以通過場理論使用很少的現(xiàn)象學(xué)參數(shù)很好地描述，而無需詳細(xì)了解系統(tǒng)的微觀特性[12,13,15,16,144,145]。還開發(fā)了粗粒度詳細(xì)微觀模型的技術(shù)，以獲得這些系統(tǒng)的流體動力學(xué)模型[146-149]。這種粗粒度建模方法已開始應(yīng)用于建模細(xì)胞能量流[30,89,91,150–154]。這種粗粒度的現(xiàn)象學(xué)定律可潛在地用于解釋由OCR[28,43]和產(chǎn)熱率[23,24]測量的全局能量通貨的變化，并提供對細(xì)胞能量使用的見解。

研究人員怎么知道自己是否完美地回答了這個角度提出的開放性問題？歸結(jié)為使用理論模型進(jìn)行定量預(yù)測并在細(xì)胞中進(jìn)行實(shí)驗(yàn)測試。例如，研究人員能否預(yù)測特定細(xì)胞過程的能量成本？研究人員能預(yù)測細(xì)胞結(jié)構(gòu)的動力學(xué)行為嗎？研究人員能預(yù)測細(xì)胞過程的相關(guān)能量極限嗎？研究人員能否整合這些信息來對細(xì)胞特征的演變做出可測試的預(yù)測？總體而言，物理生物能量學(xué)為跨學(xué)科的科學(xué)家提供了一個機(jī)會，可以將最近的實(shí)驗(yàn)和理論進(jìn)展結(jié)合起來，并解決從這個新視角產(chǎn)生的新問題和挑戰(zhàn)。

參考文獻(xiàn)

1 J. G. Salway, Metabolism at a Glance (John Wiley & Sons, 2017).

2 D. White, J. T. Drummond, C. Fuqua, The Physiology and Biochemistry of Prokaryotes (Oxford University Press, New York, 2012).

3 B. Alberts et al., Molecular Biology of the Cell (Garland Science, 5th Ed., 2007).

4 B. Niebel, S. Leupold, M. Heinemann, An upper limit on Gibbs energy dissipation governs cellular metabolism. Nat. Metab. 1, 125–132 (2019).

5 T. Ariga, M. Tomishige, D. Mizuno, Nonequilibrium energetics of molecular motor kinesin. Phys. Rev. Lett. 121, 218101 (2018).

6 S. Toyabe et al., Nonequilibrium energetics of a single F1-ATPa molecule. Phys. Rev. Lett. 104, 198103 (2010).

7 S. Toyabe, T. Watanabe-Nakayama, T. Okamoto, S. Kudo, E. Muneyuki, Thermodynamic efficiency and mechanochemical coupling of F1-ATPa. Proc. Natl. Acad. Sci. U.S.A. 108, 17951–17956 (2011).

8 J. J. Hopfield, Kinetic proofreading: A new mechanism for reducing errors in biosynthetic process requiring high specificity. Proc. Natl. Acad. Sci. U.S.A. 71, 4135–4139 (1974).

9 P. Sartori, S. Pigolotti, Thermodynamics of error correction. Phys. Rev. X 5, 041039 (2015).

10 G. Lan, P. Sartori, S. Neumann, V. Sourjik, Y. Tu, The energy-speed-accuracy tradeoff in nsory adaptation. Nat. Phys. 8, 422–428 (2012).

11 D. G. Nicholls, S. J. Ferguson, Bioenergetics (Academic Press, 2013).

12 J. Brugu ′es, D. Needleman, Physical basis of spindle lf-organization. Proc. Natl. Acad. Sci. U.S.A. 111, 18496–18500 (2014). Yang et al. Physical bioenergetics: Energy fluxes, budgets, and constraints in cells https://doi.org/10.1073/pnas.2026786118 Downloaded at Institute of Automation on July 18, 2021

13 M. C. Marchetti et al., Hydrodynamics of soft active matter. Rev. Mod. Phys. 85, 1143–1189 (2013).

14 D. Needleman, Z. Dogic, Active matter at the interface between materials science and cell biology. Nat. Rev. Mater. 2, 17048 (2017).

15 J. Prost, F. Jülicher, J. F. Joanny, Active gel physics. Nat. Phys. 11, 111–117 (2015).

16 P. Ronceray, C. P. Broedersz, M. Lenz, Fiber networks amplify active stress. Proc. Natl. Acad. Sci. U.S.A. 113, 2827–2832 (2016).

17 G. Falasco, M. Esposito, Dissipation-time uncertainty relation. Phys. Rev. Lett. 125, 120604 (2020).

18 T. R. Gingrich, G. M. Rotskoff, J. M. Horowitz, Inferring dissipation from current fluctuations. J. Phys. A Math. Theor. 50, 184004–184024 (2017).

19 J. M. Horowitz, T. R. Gingrich, Thermodynamic uncertainty relations constrain non-equilibrium fluctuations. Nat. Phys. 16, 15–20 (2020).

20 R. Rao, M. Esposito, Conrvation laws shape dissipation. New J. Phys. 20, 023007–023032 (2018).

21 U. Seifert, Stochastic thermodynamics, fluctuation theorems and molecular machines. Rep. Prog. Phys. 75, 126001–126059 (2012).

22 S. A. Mookerjee, A. A. Gerencr, D. G. Nicholls, M. D. Brand, Quantifying intracellular rates of glycolytic and oxidative ATP production and consumption using extracellular flux measurements. J. Biol. Chem. 292, 7189–7207 (2017).

23 Y. Nagano, K. L. Ode, Temperature-independent energy expenditure in early development of the African clawed frog Xenopus laevis. Phys. Biol. 11, 046008–046013 (2014).

24 J. Rodenfels, K. M. Neugebauer, J. Howard, Heat oscillations driven by the embryonic cell cycle reveal the energetic costs of signaling. Dev. Cell 48, 646–658.e6 (2019).

25 J. M. Tennesn, K. D. Baker, G. Lam, J. Evans, C. S. Thummel, The Drosophila estrogen-related receptor directs a metabolic switch that supports developmental growth. Cell Metab. 13, 139–148 (2011).

26 R. L. Krisher, R. S. Prather, A role for the Warburg effect in preimplantation embryo development: Metabolic modification to support rapid cell proliferation. Mol. Reprod. Dev. 79, 311–320 (2012).

27 Y. Song et al., Energy budget of Drosophila embryogenesis. Curr. Biol. 29, R566–R567 (2019).

28 R. J. Chason, J. Csokmay, J. H. Segars, A. H. DeCherney, D. R. Armant, Environmental and epigenetic effects upon preimplantation embryo metabolism and development. Trends Endocrinol. Metab. 22, 412–420 (2011).

29 J. Rodenfels et al., Contribution of increasing plasma membrane to the energetic cost of early zebrafish embryogenesis. Mol. Biol. Cell 31, 520–526 (2020).

30 X. Yang, D. J. Needleman, Coar-grained model of mitochondrial metabolism enables subcellular flux inference from fluorescence lifetime imaging of NADH. bioRxiv [Preprint] (2020). https://doi.org/10.1101/2020.11.20.392225 (Accesd 7 April 2021).

31 E. J. Lawrence, E. Boucher, C. A. Mandato, Mitochondria-cytoskeleton associations in mammalian cytokinesis. Cell Div. 11, 3 (2016).

32 R. Dumollard et al., Sperm-triggered [Ca2+] oscillations and Ca2+ homeostasis in the mou egg have an absolute requirement for mitochondrial ATP production. Development 131, 3057–3067 (2004).

33 X.-H. Wang, S. Yin, X.-H. Ou, S.-M. Luo, Increa of mitochondria surrounding spindle caus mou oocytes arrested at metapha I stage. Biochem. Biophys. Res. Commun. 527, 1043–1049 (2020).

34 X. Duan et al., Dynamic organelle distribution initiates actin-bad spindle migration in mou oocytes. Nat. Commun. 11, 277 (2020).

35 L. C. M. Auberson, T. Kanbier, U. von Stockar, Monitoring synchronized oscillating yeast cultures by calorimetry. J. Biotechnol. 29, 205–215 (1993).

36 P. J. Foster, M. Razo-Mejia, R. Phillips, Measuring the energetic costs of embryonic development. Dev. Cell 48, 591–592 (2019).

37 S. Hur, R. Mittapally, S. Yadlapalli, P. Reddy, E. Meyhofer, Sub-nanowatt resolution direct calorimetry for probing real-time metabolic activity of individual C.elegans worms. Nat. Commun. 11, 2983 (2020).

38 R. B. Kemp, Microcalorimetric studies of tissue cells and bacteria. Pestic. Sci. 6, 311–325 (1975).

39 T. Maskow, S. Paufler, What does calorimetry and thermodynamics of living cells tell us? Methods 76, 3–10 (2015).

40 A. Thommen et al., Body size-dependent energy storage caus Kleiber’s law scaling of the metabolic rate in planarians. eLife 8, e38187 (2019).

41 D. A. Ferrick, A. Neilson, C. Beeson, Advances in measuring cellular bioenergetics using extracellular flux. Drug Discov. Today 13, 268–274 (2008).

42 E. Gnaiger, G. M ′endez, S. C. Hand, High phosphorylation efficiency and depression of uncoupled respiration in mitochondria under hypoxia. Proc. Natl. Acad. Sci. U.S.A. 97, 11080–11085 (2000).

43 F. D. Houghton, J. G. Thompson, C. J. Kennedy, H. J. Lee, Oxygen consumption and energy metabolism of the early mou embryo. Mol. Reprod. Dev. 44, 476–485 (1996).

44 P. M. Herst, M. V. Berridge, Cell surface oxygen consumption: A major contributor to cellular oxygen consumption in glycolytic cancer cell lines. Biochim. Biophys. Acta 1767, 170–177 (2007).

45 D. F. Rolfe, G. C. Brown, Cellular energy utilization and molecular origin of standard metabolic rate in mammals. Physiol. Rev. 77, 731–758 (1997).

46 W. M. Thornton, XV. The relation of oxygen to the heat of combustion of organic compounds. Lond. Edinb. Dublin Philos. Mag. J. Sci. 33, 196–203 (1917).

47 M. Calvin, The path of carbon in photosynthesis (1961). https://www.nobelprize.org/prizes/chemistry/1961/calvin/lecture/. Accesd 8 March 2021.

48 W. Wiechert, 13C metabolic flux analysis. Metab. Eng. 3, 195–206 (2001).

49 S. Iyer-Biswas et al., Scaling laws governing stochastic growth and division of single bacterial cells. Proc. Natl. Acad. Sci. U.S.A. 111, 15912–15917 (2014).

50 F. Si et al., Mechanistic origin of cell-size control and homeostasis in bacteria. Curr. Biol. 29, 1760–1770.e7 (2019).

51 A. Papagiannakis, B. Niebel, E. C. Wit, M. Heinemann, Autonomous metabolic oscillations robustly gate the early and late cell cycle. Mol. Cell 65, 285–295 (2017).

52 V. Bulusu et al., Spatiotemporal analysis of a glycolytic activity gradient linked to mou embryo mesoderm development. Dev. Cell 40, 331–341.e4 (2017).

53 M. Oginuma et al., A gradient of glycolytic activity coordinates FGF and wnt signaling during elongation of the body Axis in amniote embryos. Dev. Cell 40, 342–353.e10 (2017).

54 S. T. Smiley et al., Intracellular heterogeneity in mitochondrial membrane potentials revealed by a J-aggregate-forming lipophilic cation JC-1. Proc. Natl. Acad. Sci. U.S.A. 88, 3671–3675 (1991).

55 J. Morris et al., Pervasive within-mitochondrion single-nucleotide variant heteroplasmy as revealed by single-mitochondrion quencing. Cell Rep. 21, 2706–2713 (2017).

56 J. S. Park et al., Mechanical regulation of glycolysis via cytoskeleton architecture. Nature 578, 621–626 (2020).

57 H. Imamura et al., Visualization of ATP levels inside single living cells with fluorescence resonance energy transfer-bad genetically encoded indicators. Proc. Natl. Acad. Sci. U.S.A. 106, 15651–15656 (2009).

58 M. C. Skala et al., In vivo multiphoton fluorescence lifetime imaging of protein-bound and free nicotinamide adenine dinucleotide in normal and precancerous epithelia. J. Biomed. Opt. 12, 024014 (2007).

59 C. M. Daz-Garca et al., Quantitative in vivo imaging of neuronal gluco concentrations with a genetically encoded fluorescence lifetime nsor. J. Neurosci. Res. 97, 946–960 (2019).

60 J. Berg, Y. P. Hung, G. Yellen, A genetically encoded fluorescent reporter of ATP:ADP ratio. Nat. Methods 6, 161–166 (2009).

61 A. A. Heikal, Intracellular coenzymes as natural biomarkers for metabolic activities and mitochondrial anomalies. Biomarkers Med. 4, 241–263 (2010).

62 Y. P. Hung, J. G. Albeck, M. Tantama, G. Yellen, Imaging cytosolic NADH-NAD(+) redox state with a genetically encoded fluorescent bionsor. Cell Metab. 14, 545–554 (2011).

63 J. R. Lakowicz, H. Szmacinski, K. Nowaczyk, M. L. Johnson, Fluorescence lifetime imaging of free and protein-bound NADH. Proc. Natl. Acad. Sci. U.S.A. 89, 1271–1275 (1992).

64 A. San Martn et al., Imaging mitochondrial flux in single cells with a FRET nsor for pyruvate. PLoS One 9, e85780 (2014).

65 L. Boitard et al., Monitoring single-cell bioenergetics via the coarning of emulsion droplets. Proc. Natl. Acad. Sci. U.S.A. 109, 7181–7186 (2012). Yang et al. https://doi.org/10.1073/pnas.2026786118 Physical bioenergetics: Energy fluxes, budgets, and constraints in cells Downloaded at Institute of Automation on July 18, 2021

66 S. Oh et al., In situ measurement of absolute concentrations by normalized Raman imaging. bioRxiv [Preprint] (2019). https://doi.org/10.1101/629543 (Accesd 13 October 2020).

67 F. Hu et al., Vibrational imaging of gluco uptake activity in live cells and tissues by stimulated Raman scattering. Angew. Chem. Int. Ed. Engl. 54, 9821–9825 (2015).

68 F. Monteiro et al., Measuring glycolytic flux in single yeast cells with an orthogonal synthetic bionsor. Mol. Syst. Biol. 15, e9071 (2019).

69 M. Lynch, G. K. Marinov, The bioenergetic costs of a gene. Proc. Natl. Acad. Sci. U.S.A. 112, 15690–15695 (2015).

70 G. Mahmoudabadi, R. Phillips, M. Lynch, R. Milo, Defining the energetic costs of cellular structures. bioRxiv [Preprint] (2019). https://doi.org/10.1101/666040 (Accesd 31 December 2019).

71 A. H. Stouthamer, A theoretical study on the amount of ATP required for synthesis of microbial cell material. Antonie van Leeuwenhoek 39, 545–565 (1973).

72 R. Phillips, R. Milo, A feeling for the numbers in biology. Proc. Natl. Acad. Sci. U.S.A. 106, 21465–21471 (2009).

73 T.-L. Wang, B. Kuznets-Speck, J. Broderick, M. Hinczewski, The price of a bit: Energetic costs and the evolution of cellular signaling. bioRxiv [Preprint] (2020). https://doi.org/10.1101/2020.10.06.327700 (Accesd 28 March 2021).

74 P. Mehta, D. J. Schwab, Energetic costs of cellular computation. Proc. Natl. Acad. Sci. U.S.A. 109, 17978–17982 (2012).

75 R. Milo, R. Phillips, Cell Biology by the Numbers (Garland Science, 2016).

76 J. Estrada, F. Wong, A. DePace, J. Gunawardena, Information integration and energy expenditure in gene regulation. Cell 166, 234–244 (2016).

77 F. Wong, J. Gunawardena, Gene regulation in and out of equilibrium. Annu. Rev. Biophys. 49, 199–226 (2020).

78 D. Zhang, Y. Cao, Q. Ouyang, Y. Tu, The energy cost and optimal design for synchronization of coupled molecular oscillators. Nat. Phys. 16, 95–100 (2020).

79 R. Phillips, J. Kondev, J. Theriot, Physical Biology of the Cell (Garland Science, New York, 2008).

80 W. Wier, G. Krumschnabel, Hierarchies of ATP-consuming process: Direct compared with indirect measurements, and comparative aspects. Biochem. J. 355, 389–395 (2001).

81 G. C. Brown, Control of respiration and ATP synthesis in mammalian mitochondria and cells. Biochem. J. 284, 1–13 (1992).

82 H. Miyazawa, A. Aulehla, Revisiting the role of metabolism during development. Development 145, dev131110 (2018).

83 Y. Song, S. Y. Shvartsman, Chemical embryology redux: Metabolic control of development. Trends Genet. 36, 577–586 (2020).

84 F. Chi, M. S. Sharpley, R. Nagaraj, S. S. Roy, U. Banerjee, Glycolysis-independent gluco metabolism distinguishes TE from ICM fate during mammalian embryogenesis. Dev. Cell 53, 9–26.e4 (2020).

85 E. Ilker, M. Hinczewski, Modeling the growth of organisms validates a general relation between metabolic costs and natural lection. Phys. Rev. Lett. 122, 238101 (2019).

86 B. Ni, R. Colin, H. Link, R. G. Endres, V. Sourjik, Growth-rate dependent resource investment in bacterial motile behavior quantitatively follows potential benefit of chemotaxis. Proc. Natl. Acad. Sci. U.S.A. 117, 595–601 (2020).

87 M. Lynch, B. Trickovic, A theoretical framework for evolutionary cell biology. J. Mol. Biol. 432, 1861–1879 (2020).

88 L. A. Hoekstra, K. L. Montooth, Inducing extra copies of the Hsp70 gene in Drosophila melanogaster increas energetic demand. BMC Evol. Biol. 13, 68 (2013).

89 M. Szenk, K. A. Dill, A. M. R. de Graff, Why do fast-growing bacteria enter overflow metabolism? testing the membrane real estate hypothesis. Cell Syst. 5, 95–104 (2017).

90 K. Zhuang, G. N. Vemuri, R. Mahadevan, Economics of membrane occupancy and respiro-fermentation. Mol. Syst. Biol. 7, 500 (2011).

91 M. Basan et al., Overflow metabolism in Escherichia coli results from efficient proteome allocation. Nature 528, 99–104 (2015).

92 J. Li, J. M. Horowitz, T. R. Gingrich, N. Fakhri, Quantifying dissipation using fluctuating currents. Nat. Commun. 10, 1666 (2019).

93 T. R. Gingrich, J. M. Horowitz, N. Perunov, J. L. England, Dissipation bounds all steady-state current fluctuations. Phys. Rev. Lett. 116, 120601–120605 (2016).

94 A. C. Barato, U. Seifert, Thermodynamic uncertainty relation for biomolecular process. Phys. Rev. Lett. 114, 158101 (2015).

95 P. Pietzonka, A. C. Barato, U. Seifert, Universal bound on the efficiency of molecular motors. J. Stat. Mech. 2016, 124004 (2016).

96 J. A. Wagoner, K. A. Dill, Opposing pressures of speed and efficiency guide the evolution of molecular machines. Mol. Biol. Evol. 36, 2813–2822 (2019).

97 J. Ninio, Kinetic amplification of enzyme discrimination. Biochimie 57, 587–595 (1975).

98 G. Shin, J. Wang, The role of energy cost on accuracy, nsitivity, specificity, speed and adaptation of T cell foreign and lf recognition. Phys. Chem. Chem. Phys. 23, 2860–2872 (2021).

99 A. C. Barato, D. Hartich, U. Seifert, Efficiency of cellular information processing. New J. Phys. 16, 103024 (2014).

100 J. Park et al., Discting the sharp respon of a canonical developmental enhancer reveals multiple sources of cooperativity. eLife 8, e41266 (2019).

101 Y. Tu, The nonequilibrium mechanism for ultransitivity in a biological switch: Sensing by Maxwell’s demons. Proc. Natl. Acad. Sci. U.S.A. 105, 11737–11741 (2008).

102 G. Lan, Y. Tu, The cost of nsitive respon and accurate adaptation in networks with an incoherent type-1 feed-forward loop. J. R. Soc. Interface 10, 20130489 (2013).

103 Y. Cao, H. Wang, Q. Ouyang, Y. Tu, The free-energy cost of accurate biochemical oscillations. Nat. Phys. 11, 772–778 (2015).

104 C. Fei, Y. Cao, Q. Ouyang, Y. Tu, Design principles for enhancing pha nsitivity and suppressing pha fluctuations simultaneously in biochemical oscillatory systems. Nat. Commun. 9, 1434 (2018).

105 Y. Tu, Y. Cao, Design principles and optimal performance for molecular motors under realistic constraints. Phys. Rev. E 97, 022403 (2018).

106 X. Fang, J. Wang, Nonequilibrium thermodynamics in cell biology: Extending equilibrium formalism to cover living systems. Annu. Rev. Biophys. 49, 227–246 (2020).

107 X. Fang, K. Kru, T. Lu, J. Wang, Nonequilibrium physics in biology. Rev. Mod. Phys. 91, 045004 (2019).

108 J. Wang, Landscape and flux theory of non-equilibrium dynamical systems with application to biology. Adv. Phys. 64, 1–137 (2015).

109 J. Wang, L. Xu, E. Wang, Potential landscape and flux framework of nonequilibrium networks: Robustness, dissipation, and coherence of biochemical oscillations. Proc. Natl. Acad. Sci. U.S.A. 105, 12271–12276 (2008).

110 H. Ge, H. Qian, Physical origins of entropy production, free energy dissipation, and their mathematical reprentations. Phys. Rev. E 81, 051133 (2010).

111 C. Nardini et al., Entropy production in field theories without time-reversal symmetry: Quantifying the non-equilibrium character of active matter. Phys. Rev. X 7, 021007–021020 (2017).

112 J. M. R. Parrondo, J. M. Horowitz, T. Sagawa, Thermodynamics of information. Nat. Phys. 11, 131–139 (2015).

113 H. Qian, D. A. Beard, Thermodynamics of stoichiometric biochemical networks in living systems far from equilibrium. Biophys. Chem. 114, 213–220 (2005).

114 U. Seifert, Entropy production along a stochastic trajectory and an integral fluctuation theorem. Phys. Rev. Lett. 95, 040602 (2005).

115 S. Shankar, M. C. Marchetti, Hidden entropy production and work fluctuations in an ideal active gas. Phys. Rev. E 98, 020604 (2018).

116 E. Fodor et al., Nonequilibrium dissipation in living oocytes. EPL 116, 30008 (2016).

117 T. Harada, S. Sasa, Equality connecting energy dissipation with a violation of the fluctuation-respon relation. Phys. Rev. Lett. 95, 130602–130604 (2005).

118 C. Jarzynski, Nonequilibrium equality for free energy differences. Phys. Rev. Lett. 78, 2690–2693 (1997).

119 P. Pietzonka, E. Fodor, C. Lohrmann, M. E. Cates, U. Seifert, Autonomous engines driven by active matter: Energetics and design principles. Phys. Rev. X 9, 041032 (2019).

120 T. L. Hill, Free Energy Transduction and Biochemical Cycle Kinetics (Springer, 2005).

121 D. A. Beard, S. D. Liang, H. Qian, Energy balance for analysis of complex metabolic networks. Biophys. J. 83, 79–86 (2002).

122 D. A. Beard, E. Babson, E. Curtis, H. Qian, Thermodynamic constraints for biochemical networks. J. Theor. Biol. 228, 327–333 (2004).

123 J. O. Park et al., Near-equilibrium glycolysis supports metabolic homeostasis and energy yield. Nat. Chem. Biol. 15, 1001–1008 (2019). Yang et al. Physical bioenergetics: Energy fluxes, budgets, and constraints in cells https://doi.org/10.1073/pnas.2026786118 Downloaded at Institute of Automation on July 18, 2021

124 C. Battle et al., Broken detailed balance at mesoscopic scales in active biological systems. Science 352, 604–607 (2016).

125 Q. Liu, J. Wang, Quantifying the flux as the driving force for nonequilibrium dynamics and thermodynamics in non-Michaelis-Menten enzyme kinetics. Proc. Natl. Acad. Sci. U.S.A. 117, 923–930 (2020).

126 J. Gladrow, N. Fakhri, F. C. MacKintosh, C. F. Schmidt, C. P. Broedersz, Broken detailed balance of filament dynamics in active networks. Phys. Rev. Lett. 116, 248301 (2016).

127 A. Frishman, P. Ronceray, Learning force fields from stochastic trajectories. Phys. Rev. X 10, 021009 (2020).

128 E. Roldan, J. Barral, P. Martin, J. M. R. Parrondo, F. Jülicher, Arrow of time in active fluctuations. arXiv [Preprint] (2018). https://arxiv.org/abs/1803.04743v4 (Accesd 2 August 2020).

129 L. Zhao, J. Wang, Uncovering the mechanisms of Caenorhabditis elegans ageing from global quantification of the underlying landscape. J. R. Soc. Interface 13, 20160421 (2016).

130 M. G. Vander Heiden, L. C. Cantley, C. B. Thompson, Understanding the Warburg effect: The metabolic requirements of cell proliferation. Science 324, 1029–1033 (2009).

131 M. T. Lin, M. F. Beal, Mitochondrial dysfunction and oxidative stress in neurodegenerative dias. Nature 443, 787–795 (2006).

132 J. Van Blerkom, Mitochondrial function in the human oocyte and embryo and their role in developmental competence. Mitochondrion 11, 797–813 (2011).

133 C. Li, J. Wang, Landscape and flux reveal a new global view and physical quantification of mammalian cell cycle. Proc. Natl. Acad. Sci. U.S.A. 111, 14130–14135 (2014).

134 W. Li, J. Wang, Uncovering the underlying mechanisms of cancer metabolism through the landscapes and probability flux quantifications. iScience 23, 101002 (2020).

135 L. Xu, J. Wang, Curl flux as a dynamical origin of the bifurcations/pha transitions of nonequilibrium systems: Cell fate decision making. J. Phys. Chem. B 124, 2549–2559 (2020).

136 K. Zhang, J. Wang, Exploring the underlying mechanisms of the Xenopus laevis embryonic cell cycle. J. Phys. Chem. B 122, 5487–5499 (2018).

137 A. San Martn et al., A genetically encoded FRET lactate nsor and its u to detect the Warburg effect in single cancer cells. PLoS One 8, e57712 (2013).

138 V. Deshpande, A. DeSimone, R. McMeeking, P. Recho, Chemo-mechanical model of a cell as a stochastic active gel. J. Mech. Phys. Solids 151, 104381 (2021).

139 T. Markovich, E. Fodor, E. Tjhung, M. E. Cates, Thermodynamics of active field theories: Energetic cost of coupling to rervoirs. arXiv [Preprint] (2020). https:// arxiv.org/abs/2008.06735 (Accesd 12 October 2020).

140 R. Pandey, S. Heeger, C. F. Lehner, Rapid effects of acute anoxia on spindle kinetochore interactions activate the mitotic spindle checkpoint. J. Cell Sci. 120, 2807–2818 (2007).

141 D. A. Beard, A biophysical model of the mitochondrial respiratory system and oxidative phosphorylation. PLoS Comput. Biol. 1, e36 (2005).

142 B. Korzeniewski, J. A. Zoladz, A model of oxidative phosphorylation in mammalian skeletal muscle. Biophys. Chem. 92, 17–34 (2001).

143 I. Tavassoly, J. Goldfarb, R. Iyengar, Systems biology primer: The basic methods and approaches. Essays Biochem. 62, 487–500 (2018).

144 M. Doi, Soft Matter Physics (Oxford University Press, 2013).

145 J. N. Israelachvili, Intermolecular and Surface Forces (Elvier, 2015).

146 A. Baskaran, M. C. Marchetti, Hydrodynamics of lf-propelled hard rods. Phys. Rev. E 77, 011920 (2008).

147 A. Peshkov, E. Bertin, F. Ginelli, H. Chat ′e, Boltzmann-Ginzburg-Landau approach for continuous descriptions of generic Vick-like models. Eur. Phys. J. Spec. Top. 223, 1315–1344 (2014).

148 X. Yang, M. C. Marchetti, Hydrodynamics of turning flocks. Phys. Rev. Lett. 115, 258101–258105 (2015).

149 S. Fürthauer, D. J. Needleman, M. J. Shelley, A design framework for actively crosslinked filament networks. New J. Phys. 23, 013012 (2021).

150 B. Kooijman, S. A. L. M. Kooijman, Dynamic Energy Budget Theory for Metabolic Organisation (Cambridge University Press, 2010).

151 R. P. Hafner, G. C. Brown, M. D. Brand, Analysis of the control of respiration rate, phosphorylation rate, proton leak rate and protonmotive force in isolated

mitochondria using the ‘top-down’ approach of metabolic control theory. Eur. J. Biochem. 188, 313–319 (1990).

152 K. Kornick, B. Bogner, L. Sutter, M. Das, Population dynamics of mitochondria in cells: A minimal mathematical model. Front. Phys. 7, 146 (2019).

153 T. Taillefumier, A. Posfai, Y. Meir, N. S. Wingreen, Microbial consortia at steady supply. eLife 6, e22644 (2017).

154 A. Wachtel, R. Rao, M. Esposito, Thermodynamically consistent coar graining of biocatalysts beyond Michaelis–Menten. New J. Phys. 20, 042002 (2018).

155 J. C. Aledo, A. E. del Valle, Glycolysis in wonderland: The importance of energy dissipation in metabolic pathways. J. Chem. Educ. 79, 1336–1339 (2002).

156 H. V. Westerhoff, K. J. Hellingwerf, K. Van Dam, Thermodynamic efficiency of microbial growth is low but optimal for maximal growth rate. Proc. Natl. Acad. Sci. U.S.A. 80, 305–309 (1983).

157 J. B. Rusll, G. M. Cook, Energetics of bacterial growth: Balance of anabolic and catabolic reactions. Microbiol. Rev. 59, 48–62 (1995).

158 A. Maitra, K. A. Dill, Bacterial growth laws reflect the evolutionary importance of energy efficiency. Proc. Natl. Acad. Sci. U.S.A. 112, 406–411 (2015).

來源：集智俱樂部