1 概述
我们的软件旨在为合成生物学研究团队提供一个低门槛、灵活、易使用和图形交互的代谢建模与分析平台。该平台基于 COBRApy实现FBA（Flux Balance Analysis）核心计算，并通过 Web UI界面提供可视化和带有专属FBA知识库的Agent实现用户自然语言操作软件。
主要功能包括：
- 模型选择：支持用户在不同代谢模型之间切换。
- 目标反应与权重设置：允许灵活指定目标反应及其优化权重，用于定义模拟的优化方向。
- 反应上下限调整：支持修改代谢反应的流量边界条件，便于探索不同环境或工程改造下的代谢行为。
- 基因敲除模拟：通过设置基因敲除实验，分析其对代谢网络和产物合成的影响。
- FBA 计算与可视化：提交操作后，系统调用 COBRApy 执行 FBA（Flux Balance Analysis），并借助 Escher 自动生成清晰的代谢通量图，直观展示结果。
- 智能Agent知识问答和操作辅助：此外，平台内置一个Agent（DeepSeek-R1:7B） ，能够将用户的自然语言指令自动转化为上述操作。例如，用户可以直接输入“请把Yeast9-GEM设为目标模型”，Agent 会解析并执行相应步骤，大幅降低了软件使用的门槛。
通过将代谢建模计算、可视化展示与自然语言交互三者结合，我们的软件既适合有一定建模经验的研究人员进行深度分析，也能让初学者更便捷地探索合成生物学中的代谢网络设计。
Tips:
如果您不了解FBA是什么，可以跳转至model部分了解其详细的原理和作用。
简而言之，FBA是一种基于约束的线性规划计算方法，用于预测代谢网络中代谢通量的分布。它通过利用基因组尺度代谢模型（GEM），并结合物理化学约束（如质量守恒、能量平衡和反应速率边界）进行数学优化，从而模拟生物体在特定环境下的代谢状态。FBA 不依赖于详细的动力学参数，广泛应用于预测基因敲除效应、发现生物标志物、优化生物合成途径及指导代谢工程改造等领域。
2 亮点
2.1 我们的项目具备泛用性与实用性
合成生物学研究的核心是从“设计-构建-测试-学习”（DBTL）循环中迭代。而优秀的模型可以为设计准确，指导性意义的建议，加速并准确实现DBTL迭代。我们的平台为底盘菌株设计提供了代谢网络模型进行分析，提供了不可或缺的实用性
我们的软件可以提供预测目标产物理论产量，识别关键基因靶点，代谢网络分析这些泛用性和实用性的功能
- 预测目标产物理论产量：团队需要知道，在理想情况下，他们的底盘细胞能生产多少目的产物（如番茄红素、紫杉醇），天花板在哪里？FBA可以快速计算最大理论产量，为项目可行性提供关键决策依据。
- 识别关键基因靶点：团队需要回答：我应该敲除或过表达哪些基因，才能最大限度地使代谢流向目的产物，同时抑制副产物？FBA的基因必需性分析和鲁棒性分析（ROOM）等功能能够系统地筛选出最优的基因编辑靶点清单。
- 理解代谢网络行为：团队需要理解在特定条件下（如厌氧），细胞的代谢通量如何重新分布？哪些途径被激活，哪些被抑制？FBA的通量变异性分析（FVA）等功能可以提供全局视角。
- 我们的平台底盘模型拓展性强：支持多种底盘细胞，如Yeast9-GEM，IJO1366，e_coli_core。还支持定制化模型，支持导入由其他软件（如CarveMe）生成的特定组织或条件的简化模型。同时，支持自由添加新反应，例如，引入一条从文献中发现的新的异源代谢途径，或假设一个全新的酶促反应。支持创建新的代谢物，为模型中加入尚未被标准数据库收录的假设性代谢中间体。
2.2 我们的软件充分考虑了与合成生物学常见标准的兼容性
- SBML 支持：平台基于 COBRApy 构建，天然支持 SBML 格式的代谢模型文件。这使得用户能够直接导入 BiGG Models 等数据库中的标准模型，并确保结果的可复现性和可共享性。点击此处了解导入操作
- COBRApy 集成：COBRApy 是一个基于 Python 的开源工具包，它主要用于基因组尺度的代谢网络重建与约束性建模分析。简单来说，它帮助研究人员用计算机模拟和预测细胞内部的代谢过程。我们软件的核心计算部分直接调用 COBRApy API，保证与代谢建模社区主流工具的兼容性
- Escher 可视化:Escher 是一个用于构建、可视化和分析基因组尺度代谢模型（Genome-scale metabolic models, GEMs） 的交互式、开源的Web应用程序。它的核心功能是将复杂的代谢网络和数据（如通量平衡分析FBA的结果）以直观、美观且可交互的图形方式呈现出来。我们的软件通过 Escher 的接口生成代谢通量图，结果与现有 Escher JSON 格式兼容，可在社区中共享和复用。
- DeepSeek LLM Agent：DeepSeek-R1-Distill-Qwen-7B是一款先进的大型语言模型，通过对海量文本数据的深度学习，掌握复杂的语言规律，能够生成流畅且贴合上下文的文本内容。我们设计了与LLM自然语言交互接口，用户输入的指令会被解析为结构化操作，再调用任务函数完成任务。同时我们为未来扩展提供了统一的 API 层，可加入更多任务。
2.3 可维护性、可扩展性好
我们在开发过程中注重了代码的可维护性和可扩展性：
- 代码注释与文档：核心模块均包含详细注释和函数说明，配备安装与使用指南（README、Wiki 教程），方便后续队伍快速上手。点击此处了解安装教程
- 架构清晰：软件采用前后端分离的架构（前端 Web 界面 – 后端 Flask – 底层 COBRApy/Escher/LLM API），模块职责明确，便于扩展
2.4 用户友好
我们的软件以用户友好为核心设计原则：
- 直观界面：目前，市面上较少FBA可视化和图形化交互的计算软件，大多是依赖于使用者进行编程计算。关于可视化的步骤也往往只针对结算结果，计算流程还是需要编程。在传统研究范式下，进行代谢网络分析通常意味着研究人员必须熟练使用MATLAB（配合COBRA Toolbox）或Python（配合COBRApy）。他们不仅要懂得生物学逻辑，还要掌握另一门编程语言的语法、库安装和调试技巧。而我们的软件实现了计算结果全程可视化和图形化交互，大大降低了使用门槛。部署我们的软件后，所有建模操作均通过 Web 界面完成，无需复杂命令行操作。利用 Escher 生成交互式代谢通量图可视化结果，使结果一目了然。
-
自然语言交互：我们集成大语言模型 Agent，用户只需输入自然语言即可完成复杂操作，大幅降低使用门槛。
具体辅助体现在两大方面：
- 知识问答与解释：
研究人员可以直接用自然语言提问，Agent能基于内置的代谢建模知识库和当前模型上下文给出即时、准确的回答。
- 操作辅助与自动化：这是最具革命性的功能。用户无需编写任何代码，也无需在菜单中寻找功能，只需用自然语言“告诉”Agent他们的分析意图，Agent会自动将其转化为后台操作。
- 知识问答与解释：
2.5 我们的软件通过实验工作进行了验证
为了计算红藻作为碳源的可行性，我们利用软件进行FBA计算。湿实验结果最终确定，红藻的确可以用来作为碳源底物，并取得了不错的产量。点击此处了解详情
3 流程图
Figure 1,2(left and middle) Laboratory firefighting facilities
以上是我们项目的流程图。用户访问网页后，可选择直接交互模式或者选择与Agent交流，完成选择模型、选择目标反应、调整反应上下限、基因敲除，最终完成FBA计算任务，实现结果的可视化。
4 架构图
Figure 1,2(left and middle) Laboratory firefighting facilities
上面是我们项目的架构图，前端部分可分为WebUI和LLM ChatBox，后端部分可分为Flask，COBRApy,Escher。
5 软件演示
5.1 网页界面与操作演示
在本教程中，我们将演示如何使用我们的软件来进行FBA分析。点击此处了解部署方式
第0步：访问FBA主页
访问我们部署的FBA平台，您将看到以下页面：
第一步：进行FBA计算的第一步是选择模型。
我们预先提供了一些常用的模型，如e_coli_core、Yeast-9。您也可以通过在BIGG下载模型或本地模型，通过import按钮导入我们的平台。
在页面中，您可以输入要检索的模型ID，然后执行查询。
在选择完模型后，可以点击下一步。在上方会显示你所选择的模型。
第二步：进行FBA计算的第二步是选择目标反应。
这一步涉及两个任务，即搜索目标反应和为其设置权值。因为目标反应可能为多个反应的线性组合。
如果没有选择反应，将默认最大生物量为目标反应。
在权值页面，要求反应的权重和必须为100%。
第三步：进行FBA计算的第三步是约束环境。
您可以在Reaction Constraints页面设置反应的上下限。
同样地，您可以在Gene Knockout页面敲除基因。
接着，您可以在确认页面，确定刚才所做的操作。
您可以随时回退到之前的页面，点击清空按钮，清空相应的设置。待检查无误后，可以点击提交按钮，软件的后台将会进行计算。
当结果理想时，会将计算出的代谢数据映射到代谢图中，从而可视化代谢通路。
同时，我们还提供了暗黑模式，让夜晚的使用者可以更舒适地使用。
5.2 Agent系统介绍
我们的Agent基于DeepSeek-R1:7B开发，并集成了一套专门针对 FBA 的专业知识库。该知识库的构建融合了五位合成生物学工作者的实际使用经验，涵盖了常见问题、高频操作及典型应用场景。基于他们的反馈，我们系统性地整理了用户常见疑问与操作需求，确保 Agent 能够更精准地理解并响应用户请求。
在部署 Agent 后，您可通过自然语言进行如下类型的提问或操作。
Agent智能问答：
- What is the principle of FBA?
- What files or data are needed to start FBA calculations?
- Where can I find and download reliable, validated metabolic models?
- What exactly do the "constraints" refer to? How should I understand and set these constraints (e.g., reaction rate upper and lower limits)?
Agent智能辅助操作：
- 将模型设置为 Yeast9-GEM
- 向指定模型中添加新的代谢物或反应
- 设置特定目标函数
- 修改某一反应的速率上下限
- 生成代谢通量分布图
6 专家意见
在Agent的相关实践中，我们询问了张通教授的意见。点击此处了解详情
比如，关于“模型的选择”，他建议我们尝试使用千问等开源模型（如32B版本）进行本地化部署，以缓解因调用DeepSeek等公共API导致的响应延迟问题，并提升系统稳定性。
关于“幻觉问题的缓解”，他指出幻觉问题目前难以彻底解决，但可通过构建事实库、反事实验证、特征对齐等方法在一定程度上予以缓解。建议建立专有歧义词库，并尝试使用注意力机制等技术手段识别和处理语义歧义。
关于“是否需要引入知识或者工具去做约束来避免错误解释？”，张通教授给出了肯定的答案。“这个是必要的。因为存在很多比较专一的，或者说属于你们自己的这个方向下的一些知识，大模型根本就没有学到。更何况要做的这个相对来讲是一个创新性的任务。那肯定是需要进行一个二次训练，或者是一定程度上采用外挂一个知识库，给它做一些知识的补全。”
关于“长文本与记忆机制设计”，他推荐“引入长文本记忆与自适应遗忘机制如LSTM（Long Short-Term Memory），以改善多轮对话中的信息连贯性，同时避免误差累积和语义干扰。还可结合强化学习思路优化记忆权重分配。”
最后，在项目的创新性和可行性方面，教授提供了高度肯定，鼓励发挥跨学科优势，将AI与领域知识深度融合，体现缩短研发周期、降低成本等实际价值。
7 部署方式
如果无python，先安装python，根据当前的OS选择合适的安装包。
- 安装python
访问 Python 官方网站下载页面,运行下载的安装程序
最重要的一步：勾选 "Add Python 3.x to PATH" 复选框
- 验证安装是否成功
无论哪种方法，安装完成后都应该验证:
打开命令行工具（Windows：CMD/PowerShell；Mac/Linux：终端），输入以下命令：
# Windows 通常使用 python --version # Mac/Linux 通常使用 python3 --version如果显示 Python 版本号（如 "Python 3.9.7"），说明安装成功。
- 进行配置并运行
- Recommended: Four-Step Setup
Follow these steps to set up the environment and run the software:
-
Create a virtual environment
python -m venv venv` -
Activate the virtual environment
source venv/bin/activate # Mac/Linux .\venv\Scripts\activate # Windows -
Install dependencies
pip install -r requirements.txt -
Run the software
python app.py
-
Create a virtual environment
-
Optional: One-Click Script
For convenience, we also provide setup scripts:
#Mac/Linux: bash setup.sh #Windows: setup.batThese scripts will automatically create/activate the virtual environment and install the required dependencies.
- After completing either method, you can start using the platform via the web interface.
- Recommended: Four-Step Setup
