生化计量学：病毒疫苗生产中精准调控的核心工具

▲2004页2025 WCLC摘要集免费领取！

摘要：本文聚焦《Bioreactor Design Concepts for Viral Vaccine Production》第二章 “生化计量学在生物技术中的应用”，系统解析生化计量学如何成为病毒疫苗生产的 “隐形调控师”。文中从微生物生长的元素需求切入，详解微生物生长与产物生成的计量关系、底物利用规律、生长动力学模型，以及能量代谢与微生物生长的关联，同时阐述生化计量学在疫苗生产流程优化、产物产量提升中的实际应用，为读者揭示 “如何通过精准计算，让疫苗生产从‘经验驱动’转向‘数据驱动’”。一、微生物生长的 “营养密码”：核心元素需求与培养基设计

在病毒疫苗生产中，无论是利用微生物（如酵母、细菌）表达病毒抗原，还是通过哺乳动物细胞（如 CHO 细胞、Vero 细胞）培养病毒，都需先满足微生物或细胞的生长需求 —— 而这一过程的核心，是精准供给关键元素，这也是生化计量学的基础。

微生物生长依赖四大核心元素：碳（C）、氮（N）、硫（S）、磷（P），不同元素的来源与功能存在明确分工：

碳源：为微生物提供能量和细胞结构合成的基础，常见来源包括 CO₂、糖类（如葡萄糖）、蛋白质、脂肪。在疫苗生产中，葡萄糖是最常用的碳源，例如在 Vero 细胞培养中，葡萄糖通过代谢为细胞增殖和病毒复制提供能量。

氮源：用于合成细胞内蛋白质、核酸等含氮化合物，主要来源有蛋白质（如血清中的白蛋白）、NH₃、NO₃⁻。在无血清培养基中，常添加氨基酸（如谷氨酰胺）作为氮源，确保细胞高效合成病毒抗原所需的蛋白质。

硫源：参与细胞内某些氨基酸（如半胱氨酸、蛋氨酸）、维生素的合成，来源多为蛋白质或 SO₄²⁻，例如培养基中的胱氨酸可满足细胞对硫元素的需求，保障病毒结构蛋白的正确折叠。

磷源：是核酸（DNA、RNA）、ATP（能量载体）的重要组成部分，主要来源为 PO₄³⁻，在疫苗生产中，磷酸二氢钾、磷酸氢二钠等磷酸盐不仅提供磷元素，还能调节培养基 pH 值。

这些元素需通过培养基（culture medium）精准供给，而培养基的设计需遵循 “按需匹配” 原则：若培养的是利用葡萄糖作为碳源的细胞，需确保葡萄糖浓度既满足生长需求，又不会因过量导致代谢废物（如乳酸）积累；若生产病毒样颗粒（VLPs），因需大量合成病毒结构蛋白，需适当提高氮源（如氨基酸）比例。生化计量学的核心作用，就是通过计算细胞或微生物对各元素的需求比例，设计出 “精准配方” 的培养基，避免营养过剩或不足导致的生产效率低下。

二、微生物生长与产物生成的 “计量关系”：从元素平衡到数学模型

微生物在生物反应器中的生长，本质是 “底物（营养）转化为细胞 biomass（biomass）和产物（如病毒、抗原）” 的过程，这一过程遵循质量守恒定律，而生化计量学通过建立数学模型，量化了这一转化关系。

2.1 核心质量平衡方程

微生物生长与产物生成的通用质量平衡方程为：Mass In = Mass Out + Mass Generated + Mass Consumed该方程意味着：进入生物反应器的底物质量，等于流出反应器的物质质量（如培养液、细胞）、新生成的物质质量（如细胞 biomass、产物）与被消耗的底物质量之和。这一方程是所有生化计量计算的基础，例如在疫苗生产中，可通过测量葡萄糖的 “输入量” 和 “剩余量”，计算出被细胞消耗的葡萄糖量，进而推测细胞生长量或病毒产量。

2.2 好氧与厌氧培养的计量模型

根据培养环境中是否有氧气，微生物培养分为好氧培养（需氧）和厌氧培养（不需氧），二者的生化计量模型存在差异：

（1）好氧培养模型

好氧培养中，微生物需消耗氧气进行代谢，其反应式可表示为：CₐHᵦONSₑPբ + rHբON + sO₂ → xCₚHOSPᵤ + yCO₂ + zH₂O其中：

左侧为 “底物”：CₐHᵦONSₑPբ代表碳源、氮源等营养物质（如葡萄糖 C₆H₁₂O₆，此时 a=6、b=12、c=6，d=e=f=0），r、s 为各底物的计量系数；

右侧为 “产物”：xCₚHOSPᵤ代表新生成的细胞 biomass，y、z 分别为 CO₂和 H₂O 的计量系数。

例如，在利用大肠杆菌生产病毒抗原的好氧培养中，可通过该模型计算 “消耗 1mol 葡萄糖能生成多少细胞 biomass 和 CO₂”，进而优化氧气供给量 —— 若氧气不足，会导致葡萄糖代谢转向无氧途径，产生乳酸等废物，降低抗原产量。

（2）厌氧培养模型

厌氧培养无需氧气，反应式简化为：CₐHᵦONSₑPբ + rHբON → xCₚHONSPᵤ + yCO₂ + zH₂O与好氧模型相比，厌氧模型无氧气消耗项，产物中可能出现乙醇、乳酸等发酵产物。不过，病毒疫苗生产中多采用好氧培养（如哺乳动物细胞、昆虫细胞培养均需氧气），厌氧模型主要用于某些微生物（如酵母）的前期种子培养。

这些模型的核心价值在于 “量化预测”—— 通过已知的底物组成和计量系数，可预测细胞生长量、产物产量，或反过来，根据目标产物产量，计算所需的底物投入量，避免资源浪费。

三、底物利用：从 “消耗” 到 “高效转化” 的关键逻辑

在病毒疫苗生产中，底物（substrate）是指细胞或微生物生长、产物生成所需的营养物质（如葡萄糖、氨基酸），其利用效率直接决定疫苗产量与成本。生化计量学通过解析底物的消耗去向，帮助优化生产工艺，实现 “底物高效转化为目标产物”。

3.1 底物的四大消耗去向

细胞消耗的底物主要用于四个方面，其关系可表示为：ΔS = ΔS₉ᵣₒwₜₕ + ΔSₑₗₗₛ + ΔSₘₐᵢₙₜₑₙₐₙₑ + ΔSₚᵣₒᵤₜₛ其中：

ΔS₉ᵣₒwₜₕ：用于细胞生长的底物，如合成新的细胞结构（细胞膜、核酸）；

ΔSₑₗₗₛ：用于细胞自身维持的底物，如修复受损蛋白质、维持细胞基本代谢；

ΔSₘₐᵢₙₜₑₙₐₙₑ：用于能量储存的底物，如合成糖原、脂肪等储能物质；

ΔSₚᵣₒᵤₜₛ：用于目标产物（如病毒抗原、病毒颗粒）合成的底物。

在疫苗生产中，我们的目标是最大化ΔSₚᵣₒᵤₜₛ，最小化其他消耗。例如，通过控制培养温度（如降低温度减少细胞过度增殖），可减少 ΔS₉ᵣₒwₜₕ的占比，让更多底物用于病毒合成；通过优化培养基配方（如添加适量谷氨酰胺），可减少 ΔSₘₐᵢₙₜₑₙₐₙₑ，提高底物利用率。

3.2 关键计量参数：yield 系数与比生长速率

为量化底物利用效率，生化计量学定义了两个核心参数：

（1）yield 系数（Yₓ/ₛ）

yield 系数（Yₓ/ₛ）表示 “消耗单位质量底物所生成的细胞 biomass 质量”，计算公式为：Yₓ/ₛ = ΔX / ΔS其中 ΔX 为细胞 biomass 增量，ΔS 为底物消耗量。

例如，若 Yₓ/ₛ=0.5 g/g，意味着消耗 1g 葡萄糖可生成 0.5g 细胞 biomass。在疫苗生产中，Yₓ/ₛ可用于预测底物需求 —— 若目标细胞密度为 1×10⁷ cells/mL，通过 Yₓ/ₛ可计算出所需葡萄糖总量，避免葡萄糖不足导致细胞生长停滞，或过量导致代谢废物积累。

（2）比生长速率（μ）

比生长速率（μ）表示 “单位质量细胞的生长速率”，反映细胞生长活跃程度，计算公式为：μ = (1/X) × (dX/dt) = μₘₐₓ - k其中 X 为细胞浓度，dX/dt 为细胞浓度变化率，μₘₐₓ为最大比生长速率，k为细胞死亡率。

比生长速率可帮助判断细胞生长阶段：对数生长期（μ 接近 μₘₐₓ）细胞生长活跃，适合大量合成病毒；稳定期（μ≈0）细胞生长停滞，需及时收获产物。例如在流感疫苗生产中，通常在细胞进入对数生长期后期接种病毒，此时 μ 较高，细胞代谢活跃，能高效支持病毒复制。

四、微生物生长动力学模型：从 “经验” 到 “精准调控”

微生物生长动力学模型是生化计量学的核心工具，用于描述细胞生长、底物消耗与产物生成的动态关系，其中最经典的是Monod 模型，此外还有结构化模型、带有记忆效应的改进模型等，这些模型为疫苗生产的精准调控提供了理论依据。

4.1 Monod 模型：最经典的非结构化模型

Monod 模型由雅克・莫诺（Jacques Monod）于 1949 年提出，是描述 “底物浓度对微生物比生长速率影响” 的非结构化模型（将细胞视为单一整体，不考虑细胞内部组分差异），其核心方程为：μ = μₘₐₓ × S / (Kₛ + S)其中：

μ：比生长速率；

μₘₐₓ：最大比生长速率（细胞在底物充足时的最高生长速率）；

S：底物浓度；

Kₛ：饱和常数（当 μ=μₘₐₓ/2 时的底物浓度，反映细胞对底物的亲和力，Kₛ越小，细胞对底物亲和力越强）。

Monod 模型的应用场景极为广泛：

底物浓度优化：通过测定特定细胞的 Kₛ，可确定 “既满足生长需求，又不浪费底物” 的最佳初始底物浓度。例如，Vero 细胞对葡萄糖的 Kₛ较低，意味着低浓度葡萄糖即可支持其生长，过高葡萄糖会导致乳酸积累，因此疫苗生产中常采用 “补料分批” 方式，阶段性补充葡萄糖，维持 S 在略高于 Kₛ的水平。

生长阶段判断：当 S 远大于 Kₛ时（S >> Kₛ），μ≈μₘₐₓ，细胞处于对数生长期；当 S 远小于 Kₛ时（S << Kₛ），μ 随 S 增加而线性上升，细胞处于底物限制阶段。在病毒疫苗生产中，需在对数生长期接种病毒，此时细胞代谢活跃，能高效支持病毒复制。

不过，Monod 模型存在局限性 —— 它仅考虑单一底物的影响，且假设细胞生长与产物生成同步。实际疫苗生产中，常需结合其他因素（如产物抑制、多种底物协同作用）对模型进行修正。

4.2 其他重要动力学模型（1）带有记忆效应的 Monod 改进模型

传统 Monod 模型假设细胞生长仅受当前底物浓度影响，而带有记忆效应的改进模型则考虑 “细胞对过去环境的适应”，例如在氮饥饿条件下，细胞会调整代谢模式，这种 “记忆” 会影响后续生长。该模型通过添加 “记忆参数”，更精准描述细胞在复杂环境（如疫苗生产中营养波动）下的生长规律，已在硅藻、绿藻等微生物培养中得到应用。

（2）结构化生长模型

结构化生长模型将细胞划分为多个组分（如合成组分：RNA、小分子代谢物；结构组分：DNA、蛋白质），认为细胞生长需各组分协调增加（如结构组分质量翻倍时，细胞才分裂）。这类模型更贴近细胞真实生长过程，可用于预测 “营养变化对细胞内代谢途径的影响”，例如在病毒疫苗生产中，可通过模型预测 “氨基酸浓度变化如何影响病毒结构蛋白合成”，进而优化培养基配方。

（3）基因组尺度代谢模型

随着基因组学、 proteomics（proteomics）的发展，基因组尺度代谢模型应运而生。该模型基于微生物或细胞的基因组序列，解析所有可能的代谢途径，可预测 “基因敲除或过表达对产物生成的影响”，例如通过敲除与产物合成竞争底物的代谢途径相关基因，提高病毒抗原的产量。这类模型为基因工程改造细胞株（如优化 CHO 细胞用于重组蛋白疫苗生产）提供了重要指导。

（图 2：微生物生长动力学模型对比示意图，来源：《Bioreactor Design Concepts for Viral Vaccine Production》第二章相关图表）

五、能量代谢与微生物生长：从 “能量供给” 到 “效率优化”

微生物生长与产物生成依赖能量代谢 —— 细胞通过分解底物（如葡萄糖）产生 ATP，为细胞分裂、蛋白质合成（包括病毒抗原合成）提供能量。生化计量学通过解析能量代谢规律，帮助优化 “能量供给效率”，确保更多能量用于目标产物生成。

5.1 微生物的能量代谢模式

根据能量来源，微生物分为三类，这直接影响疫苗生产中的培养基设计与反应器控制：

化能异养型（Chemoheterotrophs）：以有机化合物（如葡萄糖）为碳源和能量来源，包括大多数细菌、真菌、动物细胞（如 Vero 细胞、CHO 细胞），是病毒疫苗生产的主要细胞类型。这类细胞需在培养基中添加葡萄糖、氨基酸等有机营养，反应器需控制氧气供给，确保有氧呼吸高效产 ATP。

化能自养型（Chemoautotrophs）：以 CO₂为碳源，通过氧化无机化合物（如 NH₃）获取能量，这类微生物较少用于疫苗生产，主要用于环境治理（如废水处理）。

光能异养型（Photoheterotrophs）：以有机化合物为碳源，利用光能获取能量，如某些细菌、藻类，在新型疫苗（如植物源疫苗）生产中可能有潜在应用。

5.2 能量代谢与产物生成的关联

细胞产生的 ATP 主要用于三个方面：细胞生长（合成新 biomass）、产物生成（如病毒颗粒）、细胞维持（如修复受损结构）。在疫苗生产中，我们希望 “更多 ATP 用于产物生成”，这需要通过生化计量学优化能量供给：

碳源选择：不同碳源的能量产出效率不同，例如葡萄糖的 ATP 产率高于果糖，因此在疫苗生产中，优先选择葡萄糖作为碳源，若需减少代谢废物（如乳酸），可搭配其他碳源（如甘油），通过混合碳源调节能量代谢。

氧气供给控制：好氧呼吸的 ATP 产率远高于无氧呼吸（如葡萄糖有氧呼吸产 36-38 ATP，无氧呼吸仅产 2 ATP），因此反应器需精准控制溶解氧（DO），确保细胞以有氧呼吸为主。例如在流感疫苗生产中，DO 需维持在 30% 以上，避免无氧呼吸导致乳酸积累，影响细胞生长和病毒复制。

5.3 热力学电子当量模型（TEEM）

为量化能量代谢与产物生成的关系，科学家提出热力学电子当量模型（TEEM），该模型将生物反应分为 “能量生成阶段” 和 “合成阶段”：

能量生成阶段：底物氧化产生 “高能载体”（如 ATP、NADH）；

合成阶段：高能载体为细胞生长和产物生成提供能量。

TEEM 模型可计算 “单位底物氧化能生成多少高能载体”，进而预测产物最大理论产量，为疫苗生产的 “效率上限” 提供参考。例如，通过 TEEM 可计算出 “1mol 葡萄糖最多能生成多少流感病毒颗粒”，若实际产量低于理论值，可分析是否存在能量浪费（如过多 ATP 用于细胞维持），进而优化培养条件。

六、生化计量学在病毒疫苗生产中的实际应用价值

生化计量学并非抽象的数学工具，而是贯穿病毒疫苗生产全程的 “实用技术”，其核心价值体现在三个方面：

6.1 实验室研究到工业化生产的 “桥梁”

实验室小规模培养（如摇瓶培养）与工业化生物反应器生产的核心差异在于 “规模效应”—— 小规模培养中，营养分布均匀、参数易控制，而大规模生产中，易出现营养梯度、氧气传递不足等问题。生化计量学通过建立 “规模放大模型”，可将实验室优化的培养条件（如底物浓度、pH）转化为工业化生产参数，例如通过计算大规模反应器的 “体积 - 表面积比”，调整通气量和搅拌速度，确保氧气传递效率与小规模培养一致，避免因规模放大导致产量下降。

6.2 生产流程优化与成本降低

通过生化计量学分析，可精准识别生产中的 “浪费环节”：

底物浪费：若 Yₓ/ₛ低于理论值，可能是底物未被充分利用（如部分底物用于生成代谢废物），可通过优化培养基配方（如调整碳氮比）或培养条件（如控制 DO），提高底物转化效率。

能量浪费：若 ATP 大量用于细胞维持而非产物生成，可通过控制培养温度（如降低温度减少细胞过度代谢）或优化接种时间（如在对数生长期后期接种病毒，减少细胞生长消耗的能量），提高能量利用效率。

这些优化措施可显著降低疫苗生产成本，例如在新冠疫苗生产中，通过生化计量学优化补料策略，底物利用率提升 20% 以上，单批次疫苗产量增加 15%。

6.3 产物质量与安全性保障

生化计量学通过精准控制培养条件，可减少 “异常代谢产物” 的生成，保障疫苗质量：

代谢废物控制：通过计算底物消耗与废物生成的计量关系，可预测乳酸、氨等废物的生成量，进而通过 “补料分批” 或 “ perfusion（perfusion）” 方式（持续移除废物、补充新鲜培养基），维持废物浓度在安全范围内，避免废物对细胞或病毒的毒性影响。

产物一致性保障：通过稳定的底物供给和参数控制，可确保每一批次疫苗的抗原含量、纯度一致，符合质量标准。例如，利用 Monod 模型控制葡萄糖浓度，可避免因葡萄糖波动导致的病毒滴度差异。

七、总结

生化计量学是病毒疫苗生产从 “经验驱动” 走向 “数据驱动” 的核心工具 —— 它通过解析微生物生长的元素需求、建立底物 - 细胞 - 产物的计量关系、量化生长动力学规律，为培养基设计、反应器参数优化、生产流程放大提供了精准的数学依据。在疫苗需求日益增长、生产要求不断提高的背景下，生化计量学的应用不仅能提升疫苗产量与质量，还能降低生产成本、缩短生产周期，为全球传染病防控提供更强大的技术支撑。未来，随着人工智能、组学技术与生化计量学的深度融合，病毒疫苗生产将朝着更高效、更精准、更可持续的方向迈进。

识别微信二维码，添加生物制品圈小编，符合条件者即可加入

生物制品微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。