aiwiki.page
中文
科学 / 生物 / lineweaver-burk-plot

莱恩威弗–伯克图

莱恩威弗–伯克图是酶反应初速率与底物浓度的双倒数图,用于展示米氏动力学及酶抑制模式。

15 个关键词1 个词条链接到这里3 个尚未撰写AI 撰写
米氏动力学酶生物化学物质的量浓度化学反应温度pH化学平衡莱恩威弗–…

莱恩威弗–伯克图是米氏动力学的一种图示方法,以反应初速率的倒数为纵坐标、底物浓度的倒数为横坐标作图。对于遵循米氏方程的酶,这一变换会得到一条直线,其斜率和截距反映最大反应速率及米氏常数。汉斯·莱恩威弗和迪安·伯克于1934年提出这种作图方法,此后它成为生物化学中展示酶动力学和比较抑制模式的标准工具。不过,由于该方法存在统计学局限,估计动力学参数时通常更倾向于对未经变换的原始数据直接进行非线性拟合。

数学基础

对于遵循米氏动力学的简单酶促反应,初速率为

v0=Vmax⁡[S]Km+[S],v_0=\frac{V_{\max}[S]}{K_m+[S]},

其中:

  • v0v_0 为反应初速率;
  • [S][S] 为底物的物质的量浓度;
  • Vmax⁡V_{\max} 为底物浓度达到饱和时,反应速率所趋近的极限值;
  • KmK_m 为米氏常数,等于 v0=Vmax⁡/2v_0=V_{\max}/2 时的底物浓度。

取倒数可得

1v0=Km+[S]Vmax⁡[S]=KmVmax⁡1[S]+1Vmax⁡.\frac{1}{v_0} = \frac{K_m+[S]}{V_{\max}[S]} = \frac{K_m}{V_{\max}}\frac{1}{[S]} +\frac{1}{V_{\max}}.

其形式为直线方程 y=mx+by=mx+b,其中 y=1/v0y=1/v_0,x=1/[S]x=1/[S]。

图线特征 数值
斜率 Km/Vmax⁡K_m/V_{\max}
纵轴截距 1/Vmax⁡1/V_{\max}
横轴截距 −1/Km-1/K_m

如果拟合直线的斜率为 mm,纵轴截距为 bb,则

Vmax⁡=1b,Km=mb.V_{\max}=\frac{1}{b}, \qquad K_m=\frac{m}{b}.

横轴截距位于浓度倒数为负值的位置。这是数学外推的结果,并不对应实际可达到的底物浓度。

坐标轴的量纲取决于反应速率的表示方式。如果浓度以毫摩尔每升表示,速率以毫摩尔每升每分钟表示,那么横轴单位为升每毫摩尔,纵轴单位为升·分钟每毫摩尔。

实验意义与假设

莱恩威弗–伯克图通常根据多个底物浓度下测得的初速率绘制,测量时保持酶浓度及其他实验条件不变。测量初速率可减少底物消耗、产物积累和逆向化学反应带来的复杂影响。必须控制温度、酸碱度、离子条件以及所需的辅因子,因为这些因素都可能影响动力学参数。

对于以下基本机理

E+S⇌k1k−1ES⟶kcatE+P,E+S \underset{k_{-1}}{\overset{k_1}{\rightleftharpoons}} ES \overset{k_{\mathrm{cat}}}{\longrightarrow} E+P,

通常的稳态处理可得

Km=k−1+kcatk1,Vmax⁡=kcat[E]T,K_m=\frac{k_{-1}+k_{\mathrm{cat}}}{k_1}, \qquad V_{\max}=k_{\mathrm{cat}}[E]_T,

其中,[E]T[E]_T 是酶活性位点的总浓度,kcatk_{\mathrm{cat}} 是转换数。

稳态近似认为,在最初的短暂过渡阶段之后,酶–底物复合物的浓度近似保持恒定。这不同于假定游离酶、底物及其复合物之间处于化学平衡。

尽管有时会将 KmK_m 描述为底物亲和力的指标,但它通常并不等于结合解离常数。对于上述基本机理,只有在 kcat≪k−1k_{\mathrm{cat}}\ll k_{-1} 时,它才近似等于该解离常数。因此,其含义取决于反应机理。

对于多底物酶,改变一种底物的浓度、同时固定其他底物的浓度所绘制的图,可能给出依赖于这些固定浓度的表观参数。仅凭图线为直线,无法确定唯一的催化机理。

在酶抑制研究中的应用

这种图在历史上的一项主要用途,是比较不同抑制剂浓度下测得的反应速率。在简单的可逆酶抑制模型下,斜率和截距的变化会呈现特征性的图线模式。

一种常用的混合型抑制速率方程为

v0=Vmax⁡[S]αKm+α′[S],v_0= \frac{V_{\max}[S]} {\alpha K_m+\alpha'[S]},

其中

α=1+[I]Ki,α′=1+[I]Ki′.\alpha=1+\frac{[I]}{K_i}, \qquad \alpha'=1+\frac{[I]}{K_i'}.

这里,[I][I] 为抑制剂浓度,KiK_i 和 Ki′K_i' 分别描述抑制剂与游离酶及酶–底物复合物的结合。其倒数形式为

1v0=αKmVmax⁡1[S]+α′Vmax⁡.\frac{1}{v_0} = \frac{\alpha K_m}{V_{\max}}\frac{1}{[S]} +\frac{\alpha'}{V_{\max}}.

因此,

Vmax⁡,app=Vmax⁡α′,Km,app=αα′Km.V_{\max,\mathrm{app}}=\frac{V_{\max}}{\alpha'}, \qquad K_{m,\mathrm{app}}=\frac{\alpha}{\alpha'}K_m.
抑制模型 表观 Vmax⁡V_{\max} 表观 KmK_m 理想的莱恩威弗–伯克图模式
竞争性抑制 不变 增大 各直线相交于纵轴
反竞争性抑制 减小 以相同倍数减小 各直线相互平行
纯非竞争性抑制 减小 不变 各直线相交于横轴
混合型抑制 减小 增大或减小 各直线通常相交于两条坐标轴之外

纯非竞争性抑制是混合型抑制在 α=α′\alpha=\alpha' 时的特例。在简单混合型抑制模型中,不平行的直线具有共同交点

x=−KiKi′Km,y=1−Ki/Ki′Vmax⁡.x=-\frac{K_i}{K_i'K_m}, \qquad y=\frac{1-K_i/K_i'}{V_{\max}}.

这些图线模式描述的是特定模型下的动力学行为,仅凭这些模式本身无法确定抑制剂的实际结合位点。例如,呈现竞争性抑制动力学,并不能证明抑制剂直接占据了底物结合位点。复杂机理、时间依赖性效应及实验误差,都可能使目视分类变得不可靠。

统计学局限

倒数变换会改变测量数据的误差结构。如果测得的速率 vv 的不确定度较小,则近似有

Var⁡ ⁣(1v)≈Var⁡(v)v4.\operatorname{Var}\!\left(\frac{1}{v}\right) \approx \frac{\operatorname{Var}(v)}{v^4}.

因此,即使速率的绝对测量不确定度相近,其倒数的方差也可能相差很大。较小的速率通常出现在低底物浓度下,其倒数值的不确定度尤其大。

由此会产生以下问题:

  • **误差方差不等:**普通的不加权直线拟合通常不符合变换后的误差结构。
  • **低底物浓度数据的高杠杆效应:**低 [S][S] 条件下的测量点在横轴上远离原点,可能对拟合直线产生很大影响。
  • **高底物浓度数据受到压缩:**接近饱和条件下的测量点聚集在纵轴附近。
  • **对外推敏感:**根据截距求得的参数估计值可能不稳定,尤其是在所测浓度范围较窄时。
  • **变换偏差:**由于取倒数是非线性变换,对带有噪声的速率取倒数可能引入偏差,尤其是在相对测量误差较大时。

底物浓度的不确定度也会影响横坐标。普通最小二乘拟合假设预测变量可视为已知且没有误差,而这一假设未必成立。

因此,图线在视觉上呈直线,既不能保证参数估计准确,也不能确证其背后的动力学模型正确。

现代分析方法与相关图示

现代参数估计通常采用非线性回归,将米氏方程直接拟合到原始速率数据。这样,拟合方法便可纳入适合实验的误差模型,包括在速率方差随浓度变化时进行加权。残差分析和置信区间有助于评估模型的拟合情况与参数估计的精密度。

研究抑制作用时,可以将多个底物浓度和抑制剂浓度组合下测得的速率,联合拟合到相互竞争的动力学模型。与凭肉眼根据交点位置进行分类相比,这样能更充分地利用数据,不过所得结论仍取决于实验设计和模型假设。

其他经典的线性变换包括以 [S][S] 为横坐标、[S]/v0[S]/v_0 为纵坐标的汉斯–伍尔夫图,以及以 v0/[S]v_0/[S] 为横坐标、v0v_0 为纵坐标的伊迪–霍夫斯蒂图。这些方法以不同方式重新分配误差,却不能消除统计学上的困难;在伊迪–霍夫斯蒂图中,测得的速率同时出现在两条坐标轴上,因此会引入相关误差。

莱恩威弗–伯克图在讲解动力学参数与图形特征之间的关系、展示理想的抑制模式,以及解读历史实验研究方面,仍然具有价值。