PRX：一份能量预算，能让化学反应网络走多远？- 大数跨境

首页

PRX：一份能量预算，能让化学反应网络走多远？

集智俱乐部

2026-10-31

导读：知道网络结构、各分子的标准自由能和驱动力，就能圈出网络的“热力学空间”

导语

细胞时刻都在消耗 ATP，许多反应因此能停在平衡时不可能出现的状态。如果燃料提供的驱动力是给定的，一个化学反应网络的稳态最多能偏离平衡多远？最近发表在 Physical Review X 上的一项研究回答了这个问题，而且用不到任何速率常数：只要知道网络结构、各分子的标准自由能和驱动力，就能圈出所有可能的稳态浓度，即网络的“热力学空间”。据此，研究团队算出了手性选择、分子自组装等过程受到的热力学限制，还能检验网络里是否缺了一步反应。本文是论文第一作者梁师翎对该研究的解读。

关键词：非平衡热力学、化学反应网络、超图、对称性破缺、自组装

梁师翎丨作者

论文题目：Thermodynamic Space of Chemical Reaction Networks

论文链接：https://doi.org/10.1103/g875-ldn5

发表期刊：Physical Review X

发表时间：2026 年 10 月 26 日

从平衡态说起

把一锅分子密封起来放着，最后总会停在化学平衡：每种分子的浓度由自由能和守恒量唯一确定，与反应快慢无关。生命里的化学反应却一直在耗能。细胞不断消耗 ATP 这样的燃料、排出废料，反应网络因此处在远离平衡的稳态，平衡时极少的高能结构可以大量积累，能量相同的左手和右手分子也可以一多一少。

耗能到底能换来多大的偏离？非平衡稳态通常取决于全部动力学细节，而真实网络的速率常数大多未知。研究团队在 2024 年的 PRL 工作[2]中回答过这个问题的简化版本（详情请见集智俱乐部文章《PRL速递：生命系统中对称性破缺的热力学限制》，当时称之为“非平衡相空间”），但只适用于每个反应把一种分子变成另一种的线性和催化网络。真实的化学反应常常牵涉多个分子，比如两个单体结合成二聚体，网络因此成了“超图”，原来的方法不再适用。新工作[1]处理的就是这种一般情形。

热力学空间

研究的出发点是网络中的最小反应循环，即基元通量模式（elementary flux mode）。沿一个循环走一圈，网络内部的分子数目回到原样，净效果只是把燃料变成了废料，释放的自由能就是这个循环的“预算”。研究团队证明，只要网络能到达稳态，任何一个反应的驱动力都不会超过包含它的循环中最大的那份预算（按该反应在循环中出现的次数折算）。

浓度也受同样的约束。一组分子之间的转化往往有多条路径，途中消耗的燃料有多有少，每条路径对应一个有效平衡常数。不管速率常数怎么取，稳态时相应的浓度组合都夹在最小和最大的有效平衡常数之间，这些不等式合起来就是热力学空间（图1）。平衡时上下界重合，空间缩成一个点；驱动越强，空间越宽。当某条路径快到主导整个网络时，系统会贴到它决定的那条边界上，所以这个不等式也指明了，想把某个浓度推到极限，该加快哪条路径。

如果两组分子之间没有直接的反应，研究团队就在网络里虚设一条极慢的“探针反应”。它几乎没有通量，不改变稳态，却能读出两端的化学势差，就像内阻无穷大的电压表。这样，只要一个转化不违背守恒律，就能给相应的浓度写出上下界。

图1. 热力学空间示意。(a) 外部化学储库供应燃料、移走废料，网络中的分子经多条路径转化、组装；红、蓝线为自由能变化最大和最小的两条路径。(b) 所有稳态浓度都夹在这两条路径给出的边界之间（绿色区域），区域宽度正比于非平衡驱动力。

手性与自组装

手性是最直观的例子。一对互为镜像的分子能量相同，平衡时各占一半。研究团队分析了经典的 Frank 模型[3]：两种手性分子 R、S 由非手性前体自催化生成，又结合成二聚体相互消耗。结论是 |ln(r/s)| ≤ Δμ/RT，其中 Δμ 是两个前体变成一个二聚体时释放的自由能，也就是说手性偏离的程度被驱动力封顶（图2）。按这个模型粗算，室温下要让一种手性分子占到 99%，驱动力至少要约 11 kJ/mol，此后比例每多一个“9”，就要再加约 5.7 kJ/mol；百分之百的同手性需要无穷大的驱动力。

图2. 手性对称性破缺的热力学上限。(a) Frank 模型，A、C 的浓度由外界固定，红色虚线为比较 S 与 R 的探针反应。(b) 驱动超过临界值后，外消旋态（灰色虚线）分出两支手性解，所有解都在 ±Δμ/RT（红、蓝线）之间；二聚化越快（κ 越大），越贴近上限。

在一个燃料驱动的自组装模型里，单体、二聚体、三聚体的热力学空间与“单体单元总数守恒”的平面相交，交出所有可能的稳态（图3）；随机取大量速率常数做模拟，稳态无一越界。在这个模型里，二聚体和三聚体相对单体的丰度最多比平衡时高 exp(Δμ/RT) 倍。同样的方法还给出了化学双稳态（Schlögl 模型）和反应扩散斑图对比度的热力学限制。

图3. 自组装的热力学空间。三个坐标轴为单体、二聚体、三聚体的浓度；米黄色平面表示单体单元总数守恒，它与绿色的热力学空间相交出所有可能的稳态，圆点为随机速率常数下的稳态。右上角为反应网络。

反过来，检验模型

不管速率常数取什么值，稳态都跑不出热力学空间，所以实测浓度一旦越界，问题就出在模型本身。一个例子是二聚体组装（图4）：如果网络里有“两个活化单体直接结合”这一步，燃料驱动的活化反应能在一个循环里用两次，二聚体的放大上限是 exp(2Δμ/RT)；没有这一步，上限只有 exp(Δμ/RT)。测到的放大倍数一旦超过后者，就能排除缺这一步的网络，无需拟合任何速率常数。这种重复使用驱动的情形是超图特有的，线性网络里不会出现。

图4. 用热力学空间检验网络结构。(a) 候选网络 N1 含全部四个反应，N2 缺少反应 2（2B⇌C）。(b) 二聚体放大程度的上限：N2 为斜率 1 的橙线，N1 为斜率 2 的红线。圆点为随机速率常数下的稳态，测量值落在红色区域即可排除 N2。

展望

这项工作还留下不少可以接着做的事。最直接的是振荡：生物钟这类持续振荡不会停在任何稳态上，热力学空间能否推广到极限环，仍是开放问题。另一个方向是代谢网络。以往人们常把“哪些浓度可以实现”当作对大量速率常数的约束优化来求解，热力学空间则直接给出了这个可行范围的精确形式，并指出决定某个产物极限的是哪条路径；难点在于如何在大网络里高效地找到这些路径。设计人工化学体系时，也可以先拿它估一估：用某种燃料，一个组装或复制体系最多能做到哪一步。至于同手性的起源，它给出的是一个必要条件：要让某一种手性分子占到给定比例，驱动力至少要有多大。

文中图片均来自论文[1]，依 CC BY 4.0 许可使用；部分图片经裁剪并重新编号，图1 的标注译为中文。

参考文献

[1] S. Liang, P. De Los Rios, D. M. Busiello. Thermodynamic Space of Chemical Reaction Networks. Phys. Rev. X 16, 041026 (2026).

[2] S. Liang, P. De Los Rios, D. M. Busiello. Thermodynamic Bounds on Symmetry Breaking in Linear and Catalytic Biochemical Systems. Phys. Rev. Lett. 132, 228402 (2024).

[3] F. C. Frank. On spontaneous asymmetric synthesis. Biochim. Biophys. Acta 11, 459 (1953).

[4] P. Goloubinoff, A. S. Sassi, B. Fauvet, A. Barducci, P. De Los Rios. Chaperones convert the energy from ATP into the nonequilibrium stabilization of native proteins. Nat. Chem. Biol. 14, 388 (2018).

[5] C. Berton, D. M. Busiello, S. Zamuner, et al. Thermodynamics and kinetics of protonated merocyanine photoacids in water. Chem. Sci. 11, 8457 (2020).

作者简介：

梁师翎，德累斯顿系统生物学中心（CSBD）ELBE 博士后，2024 年在瑞士洛桑联邦理工学院获物理学博士学位，2027 年初将加入复旦大学物理学系任助理教授。研究方向是非平衡热力学与生命系统，关注远离平衡的系统受哪些普遍约束，以及这些约束如何影响生命过程。

招生信息

课题组将在复旦大学物理学系招收博士研究生和博士后，也欢迎本科生参与科研，研究围绕非平衡统计物理、随机热力学和化学反应网络展开。欢迎物理、化学、生物、数学或计算机背景的同学来信，写明自己的背景和感兴趣的问题。有意者请发邮件至 sl-liang@outlook.com，更多信息见个人主页：

https://shilingliang.com

非平衡统计物理读书会

2024年诺贝尔物理学奖授予人工神经网络，这是一场统计物理引发的机器学习革命。统计物理学不仅能解释热学现象，还能帮助我们理解从微观粒子到宏观宇宙的各个层级如何联系起来，复杂现象如何涌现。它通过研究大量粒子的集体行为，成功地将微观世界的随机性与宏观世界的确定性联系起来，为我们理解自然界提供了强大的工具，也为机器学习和人工智能领域的发展提供了重要推动力。

为了深入探索统计物理前沿进展，集智俱乐部联合西湖大学理学院及交叉科学中心讲席教授汤雷翰、纽约州立大学石溪分校化学和物理学系教授汪劲、德累斯顿系统生物学中心博士后研究员梁师翎、香港浸会大学物理系助理教授唐乾元，以及多位国内外知名学者共同发起「非平衡统计物理」读书会。读书会旨在探讨统计物理学的最新理论突破，统计物理在复杂系统和生命科学中的应用，以及与机器学习等前沿领域的交叉研究。读书会已完结，现在报名可加入社群并解锁回放视频权限。