约束建模（constraint-based modeling, CBM）是将基因组尺度代谢网络转化为数学模型、模拟与预测细胞代谢表型的核心计算方法，广泛应用于代谢工程与生物医学研究。在这一框架中，目标函数决定了模型如何在满足物理化学与生物学约束的可行空间内“挑选”最优通量分布，其设定直接影响基因型—表型预测的准确性。然而，长期以来目标函数高度依赖研究者的主观经验设定，带有固有偏差，成为制约CBM预测能力的关键瓶颈。

针对这一难题，该研究系统剖析了传统目标函数的偏差来源，提出了一次范式转变：从“有偏的单目标函数”走向“多目标权衡策略”，并最终迈向由人工智能驱动、从细胞状态数据中推断的无偏目标函数，为细胞工厂设计与精准医学应用开辟了新路径。传统上，单一目标函数在复杂环境和高等生物中往往预测失真。例如，最大化产物收率可能忽视菌株生长受损，而单一看重生物量则无法反映癌症细胞复杂的信号调控。研究指出，将表型视为多种目标函数权衡的结果能有效提高预测准确性，但由于目标函数仍由人工预定义，偏差依然存在。为此，团队前瞻性地提出了“无偏目标函数”的新概念。

图. 从有偏目标函数向无偏目标函数的转变

2026年10月11日，相关研究成果以“Toward unbiased objective functions in constraint-based modeling”为题发表于《Trends in Biotechnology》期刊。沈阳化工大学为论文第一完成单位，环境与安全工程学院硕士研究生董伟航为第一作者，环境与安全工程学院李海燕副教授、清华大学深圳国际研究生院李斐然副教授及中国科学院深圳先进技术研究院陈禹研究员为共同通讯作者。