代谢工程作为合成生物学的核心技术手段之一，正成为推动微生物高效生产所需化合物的驱动力。代谢靶点预测是设计-构建-测试-学习循环的首要环节，决定实验效率与资源投入。细胞内部复杂耦合的酶催化反应和热力学机制共同驱动微生物代谢行为。基于代谢网络“物理化学本质”的细胞机理模型具有AI模型难以替代的可解释性，正成为提高代谢工程设计精度的关键工具。传统靶点设计算法如OptForce和FSEOF依赖化学计量模型，忽略了酶的资源消耗与反应的热力学可行性两项关键生理机制。中国科学院天津工业生物技术研究所以自然界“节能高效”的自由能与酶资源的精准协同调控为灵感，提出ET-OptME框架，将酶约束与热力学约束协同引入代谢靶点设计算法，来提升预测的生理真实性和实验可行性。ET-OptME由ET-EComp和ET-ESEOF两个核心算法组成。ET-EComp通过比较不同状态下的酶浓度范围来识别上调/下调酶，ET-ESEOF扫描目标通量增加过程中的酶浓度变化趋势来捕捉调控信号。同时，该框架还引入“蛋白中心”策略，跳出传统的反应层级靶点预测，解决了预测的多功能酶时可能出现的难以统一调控方向的难题。在谷氨酸棒状杆菌的5种工业产物案例中，ET-OptME在最小精确度指标上比计量学算法提升292%以上，准确度提高106%；与当前先进的酶约束算法相比，ET-OptME保持70%的精度优势和47%的准确度优势。进一步，该研究在代谢层面分析了关键靶点如pyc、gapA与leuA预测成功的原因，展现出酶-热约束靶点预测算法在提升路径效率和克服代谢瓶颈方面的优势。相关研究成果在线发表在《代谢工程》（Metabolic Engineering）上。研究工作得到国家重点研发计划和国家自然科学基金的支持。论文链接ET-OptME的算法示意图