《Frontiers in Plant Science》：Productive chaos and precision engineering: decoupling discovery from manufacturing to revolutionize plant-inspired therapeutics
编辑推荐：
这篇综述深刻剖析了传统植物细胞培养作为生产平台的根本性局限——其固有的基因组、表观组和代谢组不稳定性。文章提出了一个范式性转变：将不稳定性视为一种“生产性混沌”，通过胁迫诱导、单细胞多组学和人工智能驱动的分析工具，将其转化为发现新型生物活性分子的引擎。一旦发现目标分子及其生物合成途径，则将其功能性地“遣返”至经过系统代谢与亚细胞结构优化的异源微生物宿主中，实现稳定、高滴度的工业化生产。这一“发现-生产解耦”策略从根本上解决了植物天然产物（PNP）的供给难题，为从“高运营成本（OPEX）”的提取模式转向“高资本支出（CAPEX）/低运营成本”的可规模化发酵生产模式提供了科学、商业与监管上均可行的路径。
长期以来，植物来源的天然产物（Plant Natural Products, PNPs）因其无与伦比的结构复杂性和生物活性，一直是药物发现的重要宝库。然而，依赖植物种植或野生资源获取这些分子的“供给问题”，在经济、生态和地缘政治上均难以持续。为此，生物技术领域近半个世纪以来，一直尝试将未分化的植物细胞培养物“塞入”工业发酵的模具中，期望能复现微生物系统般的可扩展性和可预测性。但这一“控制范式”在根本上遭遇了挫败。原因在于，植物细胞系统本质上是不稳定的，其基因组和表观基因组可塑性、转录的随机性（“转录爆发”），以及由生物合成基因簇（Biosynthetic Gene Clusters, BGCs）组织起来的、紧密耦合的代谢网络刚性，共同抵抗着确定性的控制。试图在这种不稳定的底盘上追求稳定、高产的单一化合物生产，被证明是一项徒劳无功的“西西弗斯式的努力”。放大过程中的剪切力会放大生物不稳定性，而低滴度带来的高昂下游纯化成本，使得除紫杉醇、紫草素等极少数特例外，绝大多数植物细胞培养工艺在经济上不可行。
因此，本文呼吁一个根本性的范式转变：战略性解耦发现与生产。核心思想是，不再将植物细胞的生物学变异性视为需要消除的缺陷，而是将其重塑为一个强大的“发现引擎”。
首先，利用不稳定性进行发现。 我们不应再试图“控制”培养物，而应主动、策略性地“扰动”它们。通过施加一系列生物或非生物胁迫因子（如茉莉酸甲酯、真菌提取物），故意诱导“生产性混沌”，激活原本沉默或隐秘的生物合成途径，从而最大化化学多样性。这种策略性扰动借鉴了微生物领域（如链霉菌）中激活沉默基因簇的成功经验。接着，利用高分辨率的单细胞多组学技术（如单细胞转录组scRNA-seq、活细胞质谱LSC-MS、质谱成像MALDI-MSI）来“解码”这种混沌。这些技术能让我们在细胞群体中识别出稀有的、高产的“精英细胞”状态，并将其转录谱与代谢表型直接关联，从而揭示驱动高产的关键基因调控网络和酶。这解决了传统批量分析将稀有高产信号淹没在背景噪音中的问题。
其次，构建AI驱动的分析流水线，从混沌中筛选候选分子。 由胁迫诱导产生的复杂化学数据是海量的。现代分析工具链构成了从原始谱图数据到优先候选分子的“任务控制中心”。其流程包括：1. 数据采集：使用LC-离子淌度-MS/MS等高阶联用平台获取高质量、多维的质谱数据。2. 数据结构化：利用全球天然产物社会分子网络（Global Natural Products Social Molecular Networking, GNPS）等工具，将质谱图基于相似性可视化为“分子家族”网络图，直观展示化学关系并突出没有数据库匹配的“暗物质”簇。3. 智能注释：应用人工智能工具进行去重复和预测。例如，DEREPLICATOR+快速鉴定已知化合物；CANOPUS和SIRIUS 4利用深度学习神经网络直接从MS/MS谱图预测未知化合物的化学类别和分子指纹；生成式模型MSNovelist甚至能为“暗物质”生成de novo的化学结构。4. 数据驱动的优先排序：将高通量生物活性筛选数据（如细胞毒性）与化学网络整合（通过MolNetEnhancer等工具），将表型与化学型关联，从而基于功能性和新颖性对候选分子进行智能排序，聚焦资源于最有潜力的目标。
最后，将验证后的途径“遣返”至稳定的生产宿主。 发现一旦完成，生产挑战便与不稳定的植物底盘彻底解耦。经过严格验证（包括异源重建）的生物合成途径蓝图，被转移至专门设计、用于工业化生产的异源微生物宿主中。这涉及三个层次的工程化：1. 策略性底盘选择：根据目标产物特性选择“适合目的”的宿主，例如，利用解脂耶氏酵母（Yarrowia lipolytica）丰富的乙酰辅酶A库生产萜类，或利用链霉菌（Streptomyces）的天然聚酮/非核糖体肽合成机制生产复杂次级代谢产物。2. 最大化稳定性与产量：摒弃不稳定的质粒，利用CRISPR-Cas9等技术将途径稳定整合到基因组中。采用代謝物響應生物傳感器或光遺傳學開關等動態控制策略，將細胞生長與產物合成階段解耦，以馴化代謝負擔。3. 先進的細胞結構工程：這是最精細的優化層次。通過將途徑定位到特定的細胞器（如過氧化物酶體、脂滴），創造專用的“亞細胞生物反應器”。例如，在酵母中將甲羥戊酸（MVA）途徑靶向過氧化物酶體，可高效利用其內部的乙酰辅酶A並隔離途徑，顯著提高角鯊烯產量。對於植物來源的複雜氧化反應關鍵酶——細胞色素P450，則需要特殊的工程策略，如優化其與還原伴侶CPR的比例以防止活性氧（ROS）產生，或過表達內質網調控因子INO2以擴展內質網膜面積，增加膜蛋白折疊容量。
綜上，這一“發現-生產解耦”新範式，整合了高通量發現、AI引導的菌株設計、技術經濟分析和基於設計的質量（Quality-by-Design）監管原則，將植物生物技術從一場對抗生物複雜性的被動掙扎，轉變為一種主動的、數據驅動的設計哲學。它不僅有望釋放植物王國的全部治療潛力，更將天然藥物供應的經濟模式，從依賴提取的“低CAPEX/高OPEX”陷阱，轉向可規模化發酵的“高CAPEX/低OPEX”的可持續道路。
