看见细胞
里的资源流

局部变强，
整体未必更好

把某个酶的性能提高，细胞的目标产物为什么没有随之增加？答案可能在整条网络，而不是那个酶本身。

代谢网络由反应及其共享的代谢物连接。每一步受底物、酶、辅因子、能量和其他条件影响；一个局部反应变快，可能遇到上游供给不足、下游容量限制，或与生长争夺资源。单点优化必须放回系统里理解。

代谢通量表示物质沿反应转化的速率。浓度表示某时刻物质有多少，两者不是同一个量：池子中的水量不变，也可能不断有水流入流出。这是理解稳态近似的关键。

化学计量描述反应物与产物的数量关系。把多个反应整理为化学计量矩阵 S，再用向量 v 表示通量，可写出内部代谢物的稳态平衡 S·v = 0。这个等式表示净积累近似为零，不表示每条反应都没有发生。

真实细胞还有辅因子再生和能量收支，不能只数目标产物的碳来源。首周先理解守恒与边界，不必立即记住复杂通路。任何模型删掉某种资源，都应该说明这种简化会限制什么结论。

先满足约束，
再寻找最优

通量平衡分析（FBA）在化学计量与上下界等约束下优化一个目标，例如某个生长或产物通量。求解得到的“最优”是相对于这些假设和目标函数而言的；模型并没有自动证明真实细胞恰好选择了这个状态。[1]

固定输入 10、最低生长 4，把产物支路容量从 8 提高到 12。最优产物仍为 6：限制来自可分配输入。然后降低生长需求，再观察变化。这就是一个可检查的例子：局部容量变强，并不保证整体目标增加。

若最低生长需求大于输入，约束无法同时满足，结果应该是“不可行”，而不是负的产物或强行给出一个最优值。求解状态也是模型输出的一部分。真实网络还可能有多组同样最优的通量，不宜把单个解当成唯一机制。

同一个项目，
不止一种“更好”

滴度通常指产物浓度，例如 g/L；产率把产物与所消耗底物等量关联，例如 g/g；体积生产率反映单位体积、单位时间的产出，例如 g/L/h。比较时必须写出分母、时间窗口和归一化方式。

一个过程可能积累了很高浓度，却需要很长时间；另一个过程转化效率高，但产量低。不能用其中一个指标替代所有目标。宿主的稳健性、原料成本、分离难度和重复性也会影响应用价值。

多目标优化不是简单把不同单位的指标直接相加。需要先明确约束、偏好与尺度。帕累托前沿上的方案意味着：在给定可行集合中，不能在不牺牲其他目标的情况下继续改善某个目标；它不替使用者选择偏好。

AI 与机制模型在哪里相遇

数据模型可以近似预测难以直接求解或测量的关系；机制模型可以提供守恒和可行性约束。代理模型并不会因为拟合准确就自动遵守物料平衡，机制模型也不会因为方程正确就拥有准确参数。两者结合前，仍需清楚标出已知、假设与待验证部分。

从小规模条件到新的过程环境，还可能出现分布变化。模型未见过的传质、环境波动或状态范围，可能使既有预测失效。今天保留的核心习惯是：先检查约束与指标，再解读最优值。

把理解，
留在一份记录里

记录初始网络解；仅提高产物支路容量，解释为什么可能无效；改变输入，构造一个可行和一个不可行场景。写出物料平衡，并用 g/L、g/g、g/L/h 区分三个实际生产指标。

带走三个判断