企业官网建设流程全解析

简介：这份生化要点总结文档面向生物化学初学者、备考学生及需要快速梳理知识框架的读者，帮助解决生化内容庞杂、知识点零散、复习无从下手的问题。资源包内含1个doc文件，约426KB，以文字笔记形式系统整理生化核心内容，便于打印或电子阅读。文档从生物化学的概念与研究对象切入，梳理了静态生化与动态生化两大部分，并沿时间线回顾学科发展史，涵盖拉瓦锡的呼吸氧化研究、维勒人工合成尿素、施来登与施旺的细胞学说、李比西提出新陈代谢、巴斯德发酵研究，以及二十世纪维生素、激素、酶和DNA双螺旋等重要节点。同时涉及蛋白质、脂类、碳水化合物、核酸等研究对象，以及实验、分析、模型等研究方法，并延伸至医药、农业、环境保护等应用领域。目前已有730人学习，适合用于课程预习、期末复习和考研知识框架搭建。

1. 生化要点把一些生化要点都总结：为什么你背了三年代谢通路还是串不起来

如果你正在准备生化考试、做代谢工程课题，或者带学生做生化实验，大概率遇到过这个场景：糖酵解、三羧酸循环、氧化磷酸化、氨基酸代谢、核苷酸代谢，单独拎出来每个都能说两句，但一旦题目问“葡萄糖里的碳原子最终去了哪里”“为什么缺铁会让人乏力”“丙氨酸转氨酶升高到底意味着什么”，脑子里的通路图就碎成一地。问题不在记忆力，在于你手里那堆“生化要点”是散装的，没有按能量流、碳骨架流、氮流三条主线串起来。

这篇笔记要做的，就是把“生化要点总结”这件事从抄笔记升级成建索引。我会按代谢网络的实际连接逻辑，把糖代谢、脂代谢、氨基酸代谢、核苷酸代谢和氧化磷酸化之间的接口讲清楚，再给出一套可以自己动手跑的整理方法——用 Python 把通路数据做成可查询的本地知识库，而不是继续在笔记本上画箭头。适合三类人：备考生化需要抓主干的学生、做代谢工程需要快速查接口的工程师、以及带实验课需要给学生讲清楚“为什么这个酶突变会致死”的导师。下面从最容易被忽略的“能量货币换算”开始拆。

2. 代谢网络的三条主线：碳流、能量流、氮流怎么接

2.1 为什么按通路背没用，按接口背才有用

大多数教材按“糖代谢—脂代谢—氨基酸代谢”分章，这是教学方便，不是代谢本身的组织方式。细胞里真正在跑的是一个有向图：节点是代谢物，边是酶促反应。你背“糖酵解有十步”只是在背一条边的序列，但考试和科研问的是“这个节点被哪些边共享”。

举个具体例子：磷酸二羟丙酮（DHAP）是糖酵解中间产物，同时是甘油三酯合成的原料；草酰乙酸（OAA）是三羧酸循环中间产物，同时是转氨作用的碳骨架受体；α-酮戊二酸（α-KG）是三羧酸循环中间产物，同时是谷氨酸脱氨基的产物。这三个节点就是碳流和氮流的接口。你只要记住接口节点，就能把看似无关的通路串起来。

我一般会让学生先做一件事：把代谢图里度数最高的前 20 个节点列出来。这些节点就是“生化要点”的真正骨架。具体操作可以用 Python 读一个代谢反应表，统计每个代谢物出现在多少条反应里。下面是一个最小可跑的例子。

# 用反应表统计代谢物度数，找出接口节点 # 输入：reactions.csv，两列 substrate, product import pandas as pd from collections import Counter df = pd.read_csv("reactions.csv") # 统计每个代谢物作为底物和产物的总出现次数 counter = Counter() for _, row in df.iterrows(): counter[row["substrate"]] += 1 counter[row["product"]] += 1 # 输出度数最高的前20个节点 for metabolite, degree in counter.most_common(20): print(f"{metabolite}\t{degree}")

这段代码的逻辑很简单：度数越高，说明这个代谢物参与的反应越多，越可能是通路之间的接口。参数上，reactions.csv至少要有底物和产物两列，如果你从公开数据库导出，列名可能不同，改一下row["substrate"]里的键就行。跑完你会看到 ATP、NADH、NADPH、丙酮酸、乙酰辅酶A、α-酮戊二酸、谷氨酸、草酰乙酸这些名字排在前列。这就是你该优先背的“生化要点”。

提示：不要一上来就统计全部代谢物，先把辅因子（ATP、NADH、NADPH、FADH2、CoA）单独拎出来，它们度数最高但属于能量流主线，和碳骨架接口要分开看。

2.2 能量货币换算：ATP 到底怎么算才不会乱

生化要点里最容易出错的就是 ATP 产额。糖酵解净产 2 ATP 和 2 NADH，三羧酸循环每轮产 3 NADH、1 FADH2、1 GTP，氧化磷酸化里 NADH 按 2.5 ATP 算、FADH2 按 1.5 ATP 算。但很多人背了数字却不知道这些数字怎么来的，题目一变形就翻车。

关键在两点：第一，NADH 和 FADH2 的 ATP 换算系数不是整数，因为质子泵的化学计量比和 ATP 合酶的 c 环数目因物种而异；第二，糖酵解产生的 NADH 在细胞质，要进入线粒体氧化必须经过穿梭系统，不同穿梭系统给出的 ATP 数不同。常见做法是：苹果酸-天冬氨酸穿梭按 2.5 ATP 算，甘油-3-磷酸穿梭按 1.5 ATP 算。所以同样一分子葡萄糖，在不同组织里完全氧化产额可以差 2 个 ATP。

我一般会让学生自己算一遍，而不是背“30 或 32”。下面是一个计算脚本，把各阶段产额和穿梭系数作为参数，方便你改。

# 计算一分子葡萄糖完全氧化的ATP产额 # 参数：nadh_atp 和 fadh2_atp 按物种/组织调整 def atp_yield(nadh_atp=2.5, fadh2_atp=1.5, shuttle="malate_aspartate"): # 糖酵解：净2 ATP + 2 NADH（细胞质） atp = 2 # 细胞质NADH经穿梭进入线粒体 if shuttle == "malate_aspartate": atp += 2 * nadh_atp elif shuttle == "glycerol_phosphate": atp += 2 * fadh2_atp # 丙酮酸脱氢酶：2 NADH atp += 2 * nadh_atp # 三羧酸循环：每轮3 NADH + 1 FADH2 + 1 GTP，共2轮 atp += 2 * (3 * nadh_atp + 1 * fadh2_atp + 1) return atp print("苹果酸-天冬氨酸穿梭:", atp_yield()) print("甘油-3-磷酸穿梭:", atp_yield(shuttle="glycerol_phosphate"))

逻辑说明：函数把每个产 NADH/FADH2 的步骤单独列出，乘以对应换算系数，GTP 直接按 1 ATP 计。参数nadh_atp和fadh2_atp是你要根据题目或物种改的，shuttle控制细胞质 NADH 的路径。跑出来你会看到 30 和 28 两个数，这就是为什么不同教材数字不一样。把这个脚本留着，考试前改参数验证，比背数字靠谱。

2.3 氮流接口：转氨作用和尿素循环的衔接点

氮代谢的要点不是背尿素循环五步，而是搞清楚氨基从哪来、到哪去。氨基酸脱氨基把氨基交给 α-酮戊二酸生成谷氨酸，谷氨酸再交给草酰乙酸生成天冬氨酸，这两个转氨反应就是氮流和碳流的交叉点。天冬氨酸把氮送进尿素循环，草酰乙酸回到三羧酸循环，谷氨酸脱氢酶释放游离氨。

这里有个常见误解：以为尿素循环只在肝里跑。实际上天冬氨酸-精氨酸琥珀酸分流在多数组织里都有，只是肝里完整尿素循环才全。做代谢工程时如果要在微生物里提高氨基酸产量，改的就是这些转氨酶的表达量，而不是尿素循环本身。

我一般会用一个简单的表格来整理氮流接口，比画箭头清楚：

这张表的价值在于：你看到丙氨酸转氨酶升高，就知道是丙氨酸和丙酮酸之间的转氨接口在动，背后连着糖异生和尿素循环两条线。比单独背“ALT 催化丙氨酸和 α-酮戊二酸生成丙酮酸和谷氨酸”有用得多。

3. 用 Python 把散装生化要点做成可查询本地库

3.1 数据从哪来：自己整理还是用公开通路数据

做本地知识库第一步是数据。常见做法有三种：一是从公开代谢数据库导出反应表，二是从教材附录手动录入，三是用现成的通路文件解析。我一般推荐混合：核心通路（糖酵解、TCA、氧化磷酸化、尿素循环）手动录入，保证准确；外围通路用公开数据补充，保证覆盖。

手动录入的格式建议用 CSV，列包括：反应 ID、底物、产物、酶、EC 编号、通路归属、是否可逆。下面是一个最小示例，你可以直接存成core_pathways.csv。

reaction_id,substrate,product,enzyme,ec,pathway,reversible G1,glucose,glucose_6_phosphate,hexokinase,2.7.1.1,glycolysis,no G2,glucose_6_phosphate,fructose_6_phosphate,phosphoglucose_isomerase,5.3.1.9,glycolysis,yes G3,fructose_6_phosphate,fructose_1_6_bisphosphate,phosphofructokinase,2.7.1.11,glycolysis,no T1,oxaloacetate, citrate, citrate_synthase,2.3.3.1,tca,no T2,citrate,isocitrate,aconitase,4.2.1.3,tca,yes

逻辑说明：reaction_id是主键，substrate和product用统一命名（建议全小写、下划线分隔），reversible标记可逆性，后面做路径搜索时要用。参数上，EC 编号可以留空，但通路归属必须填，否则查询时没法按通路过滤。

注意：代谢物命名不统一是最大的坑。比如“α-酮戊二酸”有人写 alpha_ketoglutarate，有人写 2_oxoglutarate。建议一开始就定一个命名表，所有数据都按这个表来，不然后面合并数据会疯。

3.2 建库：用 SQLite 存反应表并建索引

数据整理好之后，用 SQLite 建一个本地库，好处是不用装服务器，一个文件带走，查询用 SQL 就行。下面是把 CSV 导入 SQLite 并建索引的脚本。

import sqlite3 import pandas as pd # 读入CSV df = pd.read_csv("core_pathways.csv") # 连接数据库（不存在会自动创建） conn = sqlite3.connect("biochem.db") cursor = conn.cursor() # 建表 cursor.execute(""" CREATE TABLE IF NOT EXISTS reactions ( reaction_id TEXT PRIMARY KEY, substrate TEXT, product TEXT, enzyme TEXT, ec TEXT, pathway TEXT, reversible TEXT ) """) # 写入数据 df.to_sql("reactions", conn, if_exists="replace", index=False) # 建索引：按底物、产物、通路分别建 cursor.execute("CREATE INDEX IF NOT EXISTS idx_substrate ON reactions(substrate)") cursor.execute("CREATE INDEX IF NOT EXISTS idx_product ON reactions(product)") cursor.execute("CREATE INDEX IF NOT EXISTS idx_pathway ON reactions(pathway)") conn.commit() conn.close() print("建库完成")

逻辑说明：to_sql的if_exists="replace"表示每次跑都重建表，适合数据还在调整的阶段；稳定后改成"append"并加去重逻辑。三个索引分别对应三种查询场景：查某个代谢物由什么生成、查某个代谢物被什么消耗、查某条通路的所有反应。参数上，biochem.db是数据库文件名，你可以改成自己的路径。

3.3 查询：找接口节点和最短路径

建完库之后，最有用的两个查询是：找某个代谢物的所有上下游反应，以及找两个代谢物之间的最短路径。前者用 SQL 就行，后者需要写个简单的广度优先搜索。

import sqlite3 from collections import deque def get_neighbors(metabolite): conn = sqlite3.connect("biochem.db") cursor = conn.cursor() # 作为底物的反应：下游 cursor.execute("SELECT product, enzyme, pathway FROM reactions WHERE substrate=?", (metabolite,)) downstream = cursor.fetchall() # 作为产物的反应：上游 cursor.execute("SELECT substrate, enzyme, pathway FROM reactions WHERE product=?", (metabolite,)) upstream = cursor.fetchall() conn.close() return upstream, downstream def shortest_path(start, end): conn = sqlite3.connect("biochem.db") cursor = conn.cursor() cursor.execute("SELECT substrate, product FROM reactions") edges = cursor.fetchall() conn.close() # 建邻接表 graph = {} for s, p in edges: graph.setdefault(s, []).append(p) # BFS queue = deque([(start, [start])]) visited = {start} while queue: node, path = queue.popleft() if node == end: return path for neighbor in graph.get(node, []): if neighbor not in visited: visited.add(neighbor) queue.append((neighbor, path + [neighbor])) return None # 示例：查丙酮酸的上游和下游 up, down = get_neighbors("pyruvate") print("丙酮酸上游:", up) print("丙酮酸下游:", down) # 示例：查葡萄糖到α-酮戊二酸的最短路径 print("路径:", shortest_path("glucose", "alpha_ketoglutarate"))

逻辑说明：get_neighbors直接查 SQL，返回上游和下游反应列表，适合快速看某个代谢物的接口。shortest_path用 BFS 在反应图上找最短路径，返回代谢物序列。参数上，代谢物名称必须和数据库里一致，否则查不到。跑出来你会看到葡萄糖到 α-酮戊二酸要经过糖酵解、丙酮酸脱氢、TCA 前几步，这条路径就是碳流主干。

提示：BFS 找的是最少步数路径，不是热力学可行路径。真实代谢里有些反应不可逆，路径搜索时要加reversible过滤，否则会找到理论上存在但细胞里跑不通的路线。

4. 避坑：整理生化要点时最容易翻车的五个地方

4.1 把辅因子当普通代谢物统计

现象：用度数统计接口节点时，ATP、NADH、NADPH、CoA 排在最前面，导致你误以为它们是核心碳骨架节点。原因：这些辅因子参与大量反应，但它们是能量流和电子流的载体，不是碳骨架。解决：统计前先把辅因子列表单独拎出来，或者按通路过滤，只看碳代谢相关反应。

4.2 忽略区室化导致路径算错

现象：脚本算出细胞质 NADH 直接进氧化磷酸化产 2.5 ATP，但实际要经穿梭系统。原因：数据库里没有区室信息，反应图是扁平的。解决：在反应表里加compartment列，路径搜索时限制在同一区室或已知穿梭反应内。真核细胞尤其要注意线粒体和细胞质的分隔。

4.3 代谢物命名不统一导致查不到

现象：查alpha_ketoglutarate返回空，但数据库里存的是2_oxoglutarate。原因：不同来源命名习惯不同。解决：建一个别名表，查询前先做名称归一化。常见做法是维护一个synonyms.csv，两列：标准名、别名，查询时先查别名表映射。

4.4 把可逆反应当单向导致路径断裂

现象：找糖异生路径时，BFS 找不到从丙酮酸到葡萄糖的路线。原因：糖酵解有三步不可逆，糖异生走的是旁路反应，数据库里如果只存糖酵解反应且标记不可逆，反向搜索就断了。解决：糖异生旁路反应要单独录入，比如丙酮酸羧化酶、PEP 羧激酶、果糖-1,6-二磷酸酶、葡萄糖-6-磷酸酶。

4.5 忘记调控点导致要点总结没有重点

现象：整理了几百条反应，但考试和科研问的都是调控点。原因：代谢要点不只是反应列表，还包括限速步骤和别构调控。解决：在反应表里加is_regulatory列，标记限速酶，查询时优先看这些。糖酵解的三个调控点、TCA 的柠檬酸合酶和异柠檬酸脱氢酶、氧化磷酸化的电子传递链复合体，都是必标。

5. 进阶：用通量平衡分析验证你的要点总结

5.1 从反应表到化学计量矩阵

整理完反应表之后，进阶做法是把它转成化学计量矩阵，用通量平衡分析（FBA）验证哪些通路在给定条件下是通的。这一步不需要复杂工具，用 Python 的numpy和scipy就能做最小版本。化学计量矩阵的行是代谢物，列是反应，元素是化学计量系数，底物为负、产物为正。

import numpy as np import pandas as pd # 从数据库读反应，构建化学计量矩阵 import sqlite3 conn = sqlite3.connect("biochem.db") df = pd.read_sql("SELECT * FROM reactions", conn) conn.close() # 收集所有代谢物 metabolites = sorted(set(df["substrate"]) | set(df["product"])) met_index = {m: i for i, m in enumerate(metabolites)} reactions = df["reaction_id"].tolist() reaction_index = {r: i for i, r in enumerate(reactions)} # 初始化矩阵 S = np.zeros((len(metabolites), len(reactions))) for _, row in df.iterrows(): j = reaction_index[row["reaction_id"]] S[met_index[row["substrate"]], j] -= 1 S[met_index[row["product"]], j] += 1 print("矩阵维度:", S.shape) print("代谢物数:", len(metabolites), "反应数:", len(reactions))

逻辑说明：S矩阵是 FBA 的核心输入，行对应代谢物，列对应反应。底物系数为负、产物为正，这是标准约定。参数上，如果反应有化学计量数不是 1，比如 2 分子底物，要在-= 1改成-= 2。跑完你会看到矩阵维度，比如 50 个代谢物、60 个反应，说明你的网络规模。

5.2 用简单线性规划找可行通量

有了S矩阵，假设稳态下S·v = 0，再给每个反应设上下界，就可以用线性规划找可行通量分布。下面是一个最小例子，目标设为最大化某个产物通量。

from scipy.optimize import linprog # 假设目标反应是最后一个，最大化其通量 n_reactions = S.shape[1] # 目标函数：最大化最后一个反应，linprog默认求最小，所以取负 c = np.zeros(n_reactions) c[-1] = -1 # 等式约束：S·v = 0 A_eq = S b_eq = np.zeros(S.shape[0]) # 边界：所有反应通量在0到1000之间 bounds = [(0, 1000) for _ in range(n_reactions)] # 求解 res = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method="highs") if res.success: print("最大目标通量:", -res.fun) print("通量分布:", res.x) else: print("无可行解，检查边界和计量矩阵")

逻辑说明：linprog求的是最小化，所以目标系数取负来最大化。A_eq和b_eq是稳态约束，bounds是每个反应的通量范围。参数上，bounds要根据实际酶活和热力学设，全设 0 到 1000 只是演示。如果无可行解，通常是计量矩阵有误或边界太紧。跑通之后，你可以改目标函数，看不同条件下哪些通路被激活，这就是用计算验证要点总结的方法。

5.3 一个我常犯的错误

我早期做代谢整理时，总想把所有反应都录进去，觉得越全越好。结果数据库几千条反应，查询慢，而且大部分反应在特定条件下根本不活跃。后来我改成一个习惯：先录核心通路（糖酵解、TCA、氧化磷酸化、尿素循环、脂肪酸氧化），跑通 FBA，再按需要逐步加外围通路。这样每次加新数据都能看到对通量的影响，而不是堆一堆用不上的反应。

另一个习惯是每次改完反应表，先跑一遍度数统计和最短路径，看接口节点有没有变。如果某个代谢物度数突然升高，说明新加的反应把它变成了新的接口，这时候要回头检查命名和计量有没有错。这个习惯帮我省了很多后悔药。

希望帮到你。

本文还有配套的精品资源，点击获取