English version: How a bacterium counts molecules

想象你是一个大肠杆菌。

你大约两微米长,靠身后的几根鞭毛推着走,每秒能游 30 微米,相当于每秒十几个身长。你饿了。附近某处有糖,可你不知道它在哪边。

你没有眼睛,也没有鼻子。你有的,是分布在细胞表面的几千个受体。每个受体一次只能抓住一个糖分子,抓一会儿又放掉。你唯一能做的,就是数:这一刻有多少受体被占着,过一会儿又有多少。数字在变大,说明你正游向糖多的地方,那就接着游;数字在变小,就停下来翻个跟头,换个方向再试。

听起来不难。可是算一算就会发现,这件事难得惊人。

设糖的浓度是 1 µM(每升一微摩尔,细胞里很常见的浓度)。一个和你差不多大、半径 1 微米的小水球里,平均只有大约 2500 个糖分子。想分辨出浓度高了 1%,就得在 2500 个分子里看出 25 个分子的差别。可这些分子一刻不停地乱跑、进进出出,光是随机涨落就有 2500=50\sqrt{2500} = 50 个左右,比你要找的信号还大一倍。

平均后的涨落
–
50/√n
猜对哪个浓度更高的概率
–
理想仪器需要的时间
–
每次独立计数约 1 ms

图 1 一个半径 1 微米的小球里,浓度为 1 µM 时平均有 2500 个分子(蓝色实线),浓度高 1% 时平均有 2525 个(赭黄虚线)。曲线是数 nn 次取平均得到的数的分布,灰色是两者重叠、会被弄混的部分。只数一次,你只有六成把握说对哪个浓度更高,比瞎猜好不了多少。拖动滑动条,看要数多少次两条曲线才分得开。时间按每 1 毫秒能做一次独立计数估算,第 4 节会解释这个数是怎么来的。

所以只数一次是不够的,你必须反复数、取平均。问题来了:

  • 要数多久,才能把 1% 的差别数清楚?
  • 要多少个受体?几千个够吗?该怎么排?
  • 如果游得快一点,像拿网兜捞鱼一样,能不能多“捞”到一些分子?

1977 年,Howard Berg 和 Edward Purcell 合写了一篇论文,把这些问题一个一个算清楚了。Berg 是第一个用三维跟踪显微镜看清大肠杆菌怎么游泳的人;Purcell 是物理学家,因为核磁共振拿过诺贝尔奖。他们得到的答案出人意料地漂亮:

  1. 受体只要覆盖细胞表面的千分之一,就能抓到最多可能抓到的分子的一半。
  2. 游泳和搅动周围的水,几乎帮不上忙。
  3. 测量的精度只取决于一个数:抓到过多少个新分子。
  4. 真实的大肠杆菌,已经接近物理定律允许的极限。

下面我们一步步把这四个结论推出来。你只需要知道“扩散”就是分子在随机乱走,其余用到的数学都会在用到的地方讲清楚。文中的图都可以拖动、调参数,它们是按公式在你的浏览器里实时算出来的。

精读:H. C. Berg & E. M. Purcell, Physics of chemoreception, Biophys. J. 20, 193–219 (1977)。公式编号与原文一致。

1一个细胞每秒能吞下多少分子

先把问题简化到极致:忘掉受体,假设细胞是一个半径为 aa 的“黑洞”,任何碰到它表面的分子都会被吞掉。远处的浓度保持为 c∞c_\infty。它每秒能吞下多少个分子?

先来猜一猜:把细胞的半径加倍,表面积变成 4 倍,吞下的分子是不是也变成 4 倍?

答案是:只变成 2 倍。

原因在于细胞周围的“耗尽区”。细胞不停地吞分子,紧贴表面的地方分子被吃光了,浓度接近零;离得越远,浓度越接近 c∞c_\infty。稳定下来以后,浓度随到细胞中心的距离 rr 这样分布:

c(r)=c∞(1−ar).c(r) = c_\infty\left(1 - \frac{a}{r}\right).

注意它只依赖于比值 r/ar/a。细胞大一倍,耗尽区也跟着大一倍,形状一模一样(在下面图 2 里拖动细胞半径,看比例尺怎么变)。

分子顺着浓度梯度扩散过来,流量正比于浓度变化有多陡。耗尽区被拉宽,同样的浓度落差就摊在更长的距离上,表面处的梯度变缓,正比于 c∞/ac_\infty/a。乘上扩散系数 DD 和表面积 4πa24\pi a^2:

J=D⋅c∞a⋅4πa2=4πaDc∞.(2)J = D\cdot\frac{c_\infty}{a}\cdot 4\pi a^2 = 4\pi a D c_\infty. \tag{2}

表面积 ∝a2\propto a^2,梯度 ∝1/a\propto 1/a,乘起来,分子流只 ∝a\propto a。

代入数字:a=1 μma = 1\ \mu\text{m},D=10−5 cm2/sD = 10^{-5}\ \text{cm}^2/\text{s}(小分子在水里的典型值),c∞=1 μMc_\infty = 1\ \mu\text{M},得到每秒约 7×1067\times10^{6} 个分子。这是一个细胞靠扩散能拿到的上限:不管表面装了什么,都不可能比这更多。

换个角度:一个分子被吞掉的概率

在离细胞中心 rr 处放一个分子,任它乱走。它最终撞上细胞的概率是多少?

答案简单得惊人:

Pc=ar.(4)P_c = \frac{a}{r}. \tag{4}

而且它不是另一个需要单独推导的结果。回头看浓度:c(r)/c∞=1−a/rc(r)/c_\infty = 1 - a/r,正好是 1−Pc1 - P_c,也就是从 rr 出发逃得掉的概率。

这不是巧合。“rr 处的浓度”和“从 rr 出发最终逃走的概率”满足同一个方程(稳态扩散方程),边界条件也一样:贴着细胞表面都是 0(表面上的分子必然被吞),到无穷远都是 1。同一个方程、同样的边界条件,解只能是同一个函数。浓度分布,其实就是一张“从这里出发能逃走的概率”的地图。

每秒吞下的分子(1 µM)
–
表面积,相对 1 µm
–
∝ a²
表面处的浓度梯度
–
∝ 1/a
分子流
–
∝ a
被捕获的概率 a/r
–
放出的分子里:–

图 2 上:细胞的截面和它周围的耗尽区,蓝色越深浓度越高,虚线是浓度降到远处 50% 和 75% 的位置(r=2ar = 2a 和 4a4a)。图中的长度以 aa 为单位,改变细胞半径时只有比例尺在变:耗尽区和细胞一起缩放。下:浓度 c/c∞=1−a/rc/c_\infty = 1 - a/r 与被捕获的概率 a/ra/r,两条曲线相加处处为 1。点“放出分子”,看从 rr 出发的分子有多大比例最终撞上细胞(蓝点是撞上的位置);结果作为方块记在下图里。分子在三维空间里一步步模拟,走到 9a9a 以外时按精确的概率决定它是一去不回,还是终将回来被吞掉。

a/ra/r 有个反直觉的地方:它衰减得很慢。离细胞 10 个半径远的分子,仍然有 10% 的机会回来撞上它。再看一个刚刚碰过细胞、被弹开一点点的分子:它离表面只有 ss,而 ss 远小于 aa,它再撞回来的概率是 a/(a+s)a/(a+s),几乎就是 1。

碰过细胞一次的分子,会一次又一次地回来。这句话是下一节的钥匙。

2千分之一的表面就够了

真实的细胞不是黑洞。它只能靠受体抓分子,受体之间的表面只会把分子弹开。把每个受体想成一个半径为 ss 的小圆斑,碰到就被抓走;细胞上一共有 NN 个这样的斑。

要多少个斑,才能接近黑洞的速度?

直觉会说:只有斑能抓分子,那斑占多大比例的表面,就该抓到多大比例的分子。要抓到一半,就得盖住一半的表面。

实际上,取 a=1 μma = 1\ \mu\text{m}、s=1 nms = 1\ \text{nm}(结合位点的典型大小),只要大约 3000 个斑,覆盖不到千分之一的表面,就能抓到黑洞上限的一半。

为什么这么少就够

钥匙就是上一节最后那句话:碰过细胞的分子会反复回来。

把分子被弹开、离开表面超过 ss、再落回表面,算作一次“尝试”。两次接触如果离得比 ss 还近,只算一次,因为它们几乎落在同一个地方,要么都在斑上,要么都不在。每次离开到 ss 远,分子回来的概率是 a/(a+s)a/(a+s),彻底逃走的概率是 s/(a+s)s/(a+s)。这就像反复抛一枚极不公平的硬币,每次只有 s/(a+s)s/(a+s) 的机会“出局”,平均能抛

nˉ=as(10)\bar n = \frac{a}{s} \tag{10}

次。对 a=1 μma = 1\ \mu\text{m}、s=1 nms = 1\ \text{nm},这是大约一千次尝试。而且每次落回来的位置都不一样,会散布在细胞表面很大的一片区域上。

现在算账:每次尝试落在斑上的概率,约等于斑的覆盖率 Ns2/4a2Ns^2/4a^2。一千次尝试、每次千分之一的机会,被抓住的可能性就已经很大了。把账算清楚,被抓住的分子比例是

JJmax⁡=NsNs+4a,(13)\frac{J}{J_{\max}} = \frac{Ns}{Ns + 4a}, \tag{13}

其中 Jmax⁡=4πaDc∞J_{\max} = 4\pi a D c_\infty 就是黑洞的上限。N=4a/sN = 4a/s 时比例正好一半,这时覆盖率只有 s/as/a,也就是千分之一。

图 3 把这个过程直接演给你看。b 栏是整个细胞:分子一次次落到表面上,直到撞上某个受体,或者彻底逃走。拖动可以转动细胞,“缩放”可以一直放大到单个受体的尺度。

a 什么算一次尝试

b 整个细胞上,一个接一个的分子

c 被捕获的分子比例

覆盖率 Ns²/4a²
–
当前设置下的分子数
0
每个分子的平均尝试次数
–
被捕获比例(模拟)
–
公式 8(精确)
–
公式 13

图 3 a 什么算一次尝试(不按比例)。分子在 A 处碰到表面,走到距离 ss 之外,再在 B 处落回来,这是两次独立的尝试;C、D 相距不到 ss,属于同一次。每次走到 ss 远,分子都有 s/(a+s)s/(a+s) 的概率一去不回。b 分子一个接一个地来到一个带有 NN 个受体的细胞。灰点是每次尝试的落点,按先后连成线;赭黄圆圈标出最终抓住它的受体。整个细胞的视图里受体比一个像素还小,只能画成小点;放大以后才按真实比例显示。c 到目前为止所有模拟分子中被抓住的比例,横轴是受体数相对 πa/s\pi a/s 的倍数;实线是精确的公式 8,点线是计数估计公式 13。不同 a/sa/s 的点都落在同一条曲线上。模拟只在离表面 ss 以内一步步走(步长 0.2 s0.2\,s);走出这个范围后,分子按精确的概率逃走,或按球外布朗运动的精确分布落回表面。

精确的答案:借电学来算

上面的计数是近似的。要得到精确答案,物理学家有一个偷懒的好办法。

稳态扩散方程是 ∇2c=0\nabla^2 c = 0,和静电学里电势满足的方程一模一样。于是每个扩散问题都有一个电学上的“双胞胎”:浓度对应电势,分子流对应电流,吞分子的表面对应一个接地的导体。在这个对应下,“一个东西每秒吞多少分子”就变成了“同样形状的导体电容有多大”:

J=4πCDc∞,(3)J = 4\pi C D c_\infty, \tag{3}

CC 是这个形状的导体在 cgs 单位下的电容,它的量纲是长度。球的电容就是它的半径 aa,代进去正是公式 2。各种形状的电容早就有人算好了,很多扩散问题因此可以直接查表。比如一个只有一面能吸收、半径为 ss 的小圆盘,吞分子的速度是 J1=4Dsc∞J_1 = 4Dsc_\infty,这就是单个受体斑的速度。

那么 NN 个斑散布在细胞上呢?答案可以这样理解:一个分子要被抓住,得先找到细胞,再在细胞表面上找到一个斑。这两步就像两个串联的电阻:

1C=1a⏟找到细胞+πNs⏟找到斑⟹JJmax⁡=NsNs+πa.(8)\frac{1}{C} = \underbrace{\frac{1}{a}}_{\text{找到细胞}} + \underbrace{\frac{\pi}{Ns}}_{\text{找到斑}} \quad\Longrightarrow\quad \frac{J}{J_{\max}} = \frac{Ns}{Ns + \pi a}. \tag{8}

和计数估计比,只是把 4 换成了 π\pi。斑少的时候,“找到斑”这个电阻占主导,多加斑就多吞分子;斑多到 N≫πa/sN \gg \pi a/s 时,瓶颈变成了“找到细胞”,再加斑也没用。两个电阻相等的地方 N=πa/sN = \pi a/s,就是吞吃速度达到一半的点。

覆盖率
–
受体间距
–
J/Jmax,分散
–
J/Jmax,合成一片
–

图 4 带 NN 个受体斑的细胞,相对于黑洞的吞吃速度。实线是公式 8,点线是计数估计公式 13,虚线是把同样总面积的受体并成一个大斑的情形。分散远比总面积重要:N=πa/sN = \pi a/s 时,分散的斑能拿到一半,并成一片却只能拿到 1/N1/\sqrt{N}。

图 4 里的虚线说明了一件容易忽略的事:斑必须分散。把 3000 个斑的总面积并成一个大斑,吞吃速度只剩上限的 2% 左右。

由此还能推出几件有意思的事:

  • 一个细胞能有效利用的受体数,大约就是 a/sa/s 这个量级,再多也没什么用。
  • 每种受体只占表面极小的一部分,所以同一个细胞上可以同时容纳几百种不同的受体,每一种都几乎像整个表面专门为它服务一样有效。
  • 最好的排布是尽量分散、不同种类彼此穿插。随便撒上去也差不多:只要 NN 超过 50 左右,随机排布和均匀排布的差别只有几个百分点。

现实中的验证:噬菌体

噬菌体是专门感染细菌的病毒。它们吸附到细菌上的速度,接近黑洞的扩散上限,可它们的受体只占细菌表面很小一部分。这曾经让人费解,公式 8 正好解开了这个谜。Schwartz 在 1976 年培养出受体数不同的大肠杆菌,测量 λ 噬菌体的吸附速度,得到的正是公式 8 的形状。拟合出 πa/s≈483\pi a/s \approx 483:不到 500 个受体、只占 0.5% 的表面,吸附速度就达到上限的一半(图 4 的第二个预设)。

顺带一提另一种策略:分子先松松地粘在细胞表面的任何地方,再沿着表面滑行,直到碰上受体。这叫“降维”,人们常说二维搜索比三维搜索容易。但 Berg 和 Purcell 指出,这个说法有点误导:分子能到达表面,三维搜索就已经完成了;而它一次次弹回表面,本身就是在用近乎二维的方式扫描表面。只有粘得足够牢(结合能大于约 3 kcal/mol),先粘再滑才真正划算。

3游得快,能多吃吗?

细菌会游泳。一个自然的想法是:游起来以后,迎面撞上的分子会更多,就像在雨里跑步,身上淋到的雨会更多。或者,细菌可以用鞭毛搅动周围的水,把远处浓度高的水搬过来。

这两个主意在细菌的世界里都行不通。因为细菌生活在一个和我们截然不同的流体世界里。

衡量这种差别的是雷诺数 R=Lv/νR = Lv/\nu,它比较的是惯性和黏性哪个更重要(LL、vv 是物体的大小和速度,ν\nu 是液体的运动黏度)。人在水里游泳,RR 大约是 10410^4 到 10610^6;大肠杆菌只有 10−510^{-5} 左右。在这样的世界里惯性几乎不存在:如果大肠杆菌突然停下鞭毛,它会在不到 10−910^{-9} cm 的距离内停住,比一个原子还小。

游泳。“雨中跑步”的类比错在哪里?雨滴不会给你让路,但分子会。细胞往前游时要推开前方的水,分子就跟着水一起被推开了。而且细胞身边总裹着一层相对它几乎不动的水,每个分子最后都得靠扩散穿过这一层。

游泳有没有用,取决于一个无量纲数 av0/Dav_0/D:在分子扩散过一个细胞大小所需的时间里,细胞能游过几个身长。对追逐小分子营养物的细菌,这个数只有 0.03 左右,游泳让吞吃速度提高约 2.5%。要翻倍,得游到每秒约 3 毫米,是它实际速度的一百倍。

情况在两头不太一样。速度很低时,球的前半部分多收约 1.5 av0/D1.5\,av_0/D,后半部分少收同样多,总量只按速度的平方增长:增量不能依赖运动方向,所以只能是 v0v_0 的偶函数。速度很高时,吞吃速度按 (av0/D)1/3(av_0/D)^{1/3} 慢慢增长。前后不对称这一点,到第 5 节还会派上用场。

av₀/D
–
吞吃速度的增量
–
翻倍所需速度
–
约 2.5 D/a
雷诺数 av₀/ν
–
单位体积游泳功率
–
9ηv₀²/2a²
搅动所需功率下限
–
r₂ = 6a

图 5 以速度 v0v_0 游动的吸收球,吞吃速度相对静止时增加了多少。实线从原论文的数值解数字化而来(0.02≤av0/D≤100.02 \le av_0/D \le 10),点线按两头的极限延长:低速时增量 ∝v02\propto v_0^2,高速时 J/J0∝v01/3J/J_0 \propto v_0^{1/3}。标记点是滑动条设定的细胞。功率估计取水的黏度。

反过来,对扩散很慢的大颗粒,游泳就有用了。以 15 µm/s 游动的细菌,可以把扩散系数为 5×10−8 cm2/s5\times10^{-8}\ \text{cm}^2/\text{s} 的东西吞得快一倍,这差不多就是 λ 噬菌体的扩散系数(图 5 的第二个预设)。

搅动。用鞭毛搅水,要想比扩散更快地把分子搬过距离 LL,搅动速度得超过 D/LD/L。对 1 微米的距离,这是每秒约 1 毫米,比任何细菌的动作都快。更要命的是能量。搅动的水会因黏性耗散能量;Berg 和 Purcell 估算,要让吞吃速度翻倍,每单位细胞体积至少要消耗

S(4π/3)a3 ≥ 12 ηD2a4(r2+2ar2−2a)3,(26)\frac{S}{(4\pi/3)a^3} \ \ge\ \frac{12\,\eta D^2}{a^4}\left(\frac{r_2+2a}{r_2-2a}\right)^3, \tag{26}

r2r_2 是被搅动区域的外沿。取 r2=6ar_2 = 6a,对 1 微米的细胞约为 0.1 W/cm³,比游泳本身耗的能量大一万倍以上。这个下限按 a−4a^{-4} 急剧下降,所以只有大到几微米到几十微米的细胞,搅水才可能划算。

1 µm 的细胞搅动至少需要
–
是游泳功率的
–
两者一样贵的细胞半径
–

图 6 搅动和游泳的代价,按单位细胞体积计。虚线是让吞吃速度翻倍所需的搅动功率下限(公式 26,取 r2=6ar_2 = 6a),按 a−4a^{-4} 下降;实线是以 30 µm/s 游泳所需的功率,按 a−2a^{-2} 下降。对细菌大小的细胞,搅动要贵上万倍。把扩散系数调小(大分子、颗粒),搅动的代价会急剧下降。

结论是:在浓度均匀的环境里,运动几乎不能让细菌多吃一点。运动真正的价值在于浓度不均匀的时候:细菌可以朝更好的地方游。而要知道哪边更好,就得比较不同地方、不同时刻的浓度,也就是说,得会测量浓度。

4数分子:测量能有多准

现在回到开头的问题:细菌到底能把浓度测得多准?

一台理想仪器

先想象一台理想仪器:它能看见一个半径为 aa 的小球里的每一个分子,随时报出里面有多少个。

数一次,误差是泊松涨落 m\sqrt{m}。开头算过,1 µM 时一个 1 微米的小球里约有 2500 个分子,单次误差约 2%。想更准,就得多数几次取平均。但是马上再数一次没有用,里面还是原来那批分子。要等它们走掉、换进一批新的,才算一次独立的计数。换一批大约需要 a2/Da^2/D 的时间,对 1 微米大约是 1 毫秒。所以在时间 TT 里,大约能做 TD/a2TD/a^2 次独立计数,相对误差约为 (TDcˉa)−1/2(TD\bar c a)^{-1/2}。精确计算给出

Δcrmscˉ=(5π3 TDcˉa)−1/2.(41)\frac{\Delta c_{\text{rms}}}{\bar c} = \left(\frac{5\pi}{3}\,T D \bar c a\right)^{-1/2}. \tag{41}

注意精度取决于小球的半径 aa,而不是体积。体积越大,里面的分子越多,但换一批也越慢,两个效应相抵,只剩下 DacˉDa\bar c,和决定扩散流 JJ 的是同一个组合。对 1 微米、1 µM,这台理想仪器测到 1% 只需几毫秒。

一个受体

可细菌没有这样的仪器。它能“看到”的,只有受体是空着还是被占着。

一个受体的结合位点一次最多容纳一个分子。它的状态 p(t)p(t) 在 0(空)和 1(被占)之间来回跳,像一个随机的电报信号(图 7)。被占时,分子以速率 1/τb1/\tau_b 离开;空着时,以速率 4Dsc4Dsc 被新分子填上,这正是一个半径为 ss 的小吸收体吞分子的速度。浓度越高,受体被占的时间比例越大:

pˉ=cc+c1/2,\bar p = \frac{c}{c + c_{1/2}},

c1/2c_{1/2} 是让受体一半时间被占的浓度。细胞要做的,就是在时间 TT 内对 p(t)p(t) 取平均,得到 pˉ\bar p,再反推出 cc。结合时间 τb\tau_b 通常很短:c1/2=1 μMc_{1/2} = 1\ \mu\text{M} 时不到一毫秒。所以在 TT 时间内,受体会被占上、放开很多次,每一次都是一个样本。计算给出

Δcrmscˉ=(2τbTpˉ)1/2.(51)\frac{\Delta c_{\text{rms}}}{\bar c} = \left(\frac{2\tau_b}{T\bar p}\right)^{1/2}. \tag{51}
灰线是占据状态 p(t),蓝线是累积平均,点线是真实的平均占据率。
结合过的新分子数 ν
–
时间平均占据率
–
估计出的 c/c1/2
–
预期误差 (ν/2)−1/2
–

图 7 一个受体被观察了时间 TT。每一次向上的跳变,是一个新分子结合上来。数到的分子越多,累积平均收敛得越紧。多点几次“重新测一次”,看估计值怎么围着真实值跳动。

公式 51 看上去平平无奇,但把 τb\tau_b 和 pˉ\bar p 的关系代进去,它会变成一个出奇简单的形式:

Δcrmscˉ=(ν2)−1/2,ν=4Dscˉ (1−pˉ) T.(52, 53)\frac{\Delta c_{\text{rms}}}{\bar c} = \left(\frac{\nu}{2}\right)^{-1/2}, \qquad \nu = 4Ds\bar c\,(1-\bar p)\,T. \tag{52, 53}

ν\nu 是什么?4Dscˉ4Ds\bar c 是新分子到来的速率,(1−pˉ)(1-\bar p) 是受体空着、能接住它们的时间比例,再乘上 TT:ν\nu 就是在这段时间里,先后结合过这个受体的不同分子的个数。

只有新分子才算数

测量精度只取决于数到过多少个不同的分子,与别的一切无关。一个分子刚离开受体又回来结合,不提供任何新信息:分子的扩散没有记忆,它下一步去哪儿只取决于它现在在哪儿,回来的分子告诉你的,你早就知道了。真正关于外面浓度的消息,只能由从外面新来的分子带来。

使用图 7 中设定的浓度。

图 8 把图 7 的测量重复很多次,统计估计值的相对误差,并对数到的新分子数作图,平均时间从 10 到 3000 τb\tau_b。所有点都落在点线 (ν/2)−1/2(\nu/2)^{-1/2} 上。

一个受体有多好?换算一下,它相当于一台只能看见受体本身那么大一点地方的理想仪器。取 c1/2=cˉ=1 μMc_{1/2} = \bar c = 1\ \mu\text{M}、s=1 nms = 1\ \text{nm},单个受体要把浓度测到 1%,大约需要 17 秒。太慢了。

几千个受体一起数

细胞有几千个受体,它们一起数,会快多少?

麻烦在于受体之间并不独立:一个受体刚放掉的分子,很容易游荡到旁边的受体上,所以相邻受体的状态是相关的,这种相关几乎没法直接算。

“只有新分子才算数”在这里帮了大忙。我们不必追踪每个受体,只需要问:从外面新来的、从没被这个细胞上任何受体抓过的分子,到来的速率是多少?这正是第 2 节算过的 JJ,再乘上受体空着的比例 (1−pˉ)(1-\bar p)。不同新分子的到来彼此独立,所以 NN 个受体看 TT 秒,相当于一个受体看 NTNT 秒:

Δcrmscˉ=[12TJ(1−pˉ)]−1/2=[2πTDcˉ Nsa(1−pˉ)Ns+πa]−1/2.(55)\frac{\Delta c_{\text{rms}}}{\bar c} = \left[\tfrac12 TJ(1-\bar p)\right]^{-1/2} = \left[\frac{2\pi TD\bar c\,Nsa(1-\bar p)}{Ns+\pi a}\right]^{-1/2}. \tag{55}

细胞并不需要分辨哪些分子是新的。上面只是说,它从受体状态里能得到的统计精度,和只记录新分子时一样。

当受体数 N=πa/sN = \pi a/s,也就是第 2 节里吞吃速度达到一半的那个数时,整个细胞相当于一台半径约为 35(1−pˉ)a\tfrac35(1-\bar p)a 的理想仪器,几乎和细胞一样大。几千个只覆盖千分之一表面的受体,测量能力差不多抵得上一台能看见细胞周围每一个分子的理想仪器。

斑块半径 s = 1 nm,D = 10⁻⁵ cm² s⁻¹,1 M = 6 × 10²⁰ cm⁻³。平均占据率 。

图 9 把浓度测到 1% 需要多久:单个受体(公式 52)、带 NN 个受体的细胞(公式 55)、和细胞一样大的理想仪器(公式 41)。默认参数下,单个受体要 17 秒,3000 个受体的细胞只要约 0.01 秒,快了一千多倍。

5回到大肠杆菌

现在可以回答开头的问题了。

大肠杆菌找食物的方式很特别:它先沿直线平稳地游一段(“直游”),然后原地乱转一下(“翻滚”),朝一个随机的新方向再游。如果它感到浓度在变高,就把这一段直游拉长;感到在变低,就早点翻滚。直游通常只持续一秒左右。而且即使不翻滚,水分子的热运动也会在几秒内把它的方向撞乱。所以它必须在一秒左右的时间里完成一次判断,否则测到的信息就过时了。

它判断的方式是时间比较:先测一段 TT,再测一段 TT,看两次的差别是不是大过误差。用公式 55 的误差,能看出差别的最短时间是

T>[πaD(NsNs+πa)(cˉ c1/2cˉ+c1/2)(1cˉ∂cˉ∂t)2]−1/3.(58)T > \left[\pi a D\left(\frac{Ns}{Ns+\pi a}\right)\left(\frac{\bar c\, c_{1/2}}{\bar c + c_{1/2}}\right)\left(\frac{1}{\bar c}\frac{\partial \bar c}{\partial t}\right)^2\right]^{-1/3}. \tag{58}

细菌游过一个空间梯度时,看到的就是一个时间梯度:(1/cˉ) ∂cˉ/∂t=(v/cˉ) ∂cˉ/∂x(1/\bar c)\,\partial\bar c/\partial t = (v/\bar c)\,\partial\bar c/\partial x。完成一次比较要两段,共 2T2T。

把几个经典趋化实验的条件代进去(图 11 的预设),得到的 2T2T 分别是:谷氨酸 0.09 秒,丝氨酸 0.27 秒,α-甲基天冬氨酸和半乳糖的阈值实验 0.6 秒和 1.4 秒。都在一秒上下,正好是大肠杆菌能用的时间。

图 10 用一个简化的模型把这个“时间窗口”画了出来。测量太慢,等结果出来细菌早已换了方向,信息就过时了;测量太快,数到的分子太少,又会被涨落淹没。

沿梯度的平均漂移
–
噪声允许的最短 2T(公式 58)
–
可用的时间窗口
–

图 10 一个玩具模型。细菌以 20 µm/s 游动,平均每秒翻滚一次,翻滚后方向完全随机,游的时候方向也会被热运动慢慢扰乱。它不停地比较最近一段 TT 和再往前一段 TT 里的平均浓度:变高了就少翻滚(约每秒 0.5 次),变低了就多翻滚(约每秒 2 次)。上:24 个细菌 60 秒内的轨迹,引诱剂越往右越多,蓝线是它们的平均终点。下:比较一次所用的时间 2T2T 越长,信息越过时,向右的漂移越弱(每个点是 160 个细菌的平均)。灰色区域里 2T2T 太短,按公式 58,一个大肠杆菌大小的细胞在 1 mM 的浓度下还分辨不出梯度。梯度越平缓,灰色区域越宽,留给细菌的窗口越窄。模型里的比较本身不含噪声,噪声的代价只体现在灰色区域里。

也就是说,在细菌恰好能感觉到的梯度下,它的测量时间几乎就是物理允许的最短时间。如果需要的时间再长几倍,它就根本没法趋化了。Berg 和 Purcell 由此推断:大肠杆菌的趋化系统接近最优。这意味着它的受体必然分散在整个表面,而不是聚在鞭毛根部;而且几乎每一个被抓住的分子,都对控制鞭毛的信号有贡献。

为什么不比较前后两端?

细菌也可以不比较先后,而比较身体的前半部分和后半部分,就像我们用两只耳朵判断声音的方向。这叫空间比较,所需时间是

T>[12πa3D(NsNs+πa)(cˉ c1/2cˉ+c1/2)(1cˉ∂cˉ∂x)2]−1.(60)T > \left[\tfrac12\pi a^3 D\left(\frac{Ns}{Ns+\pi a}\right)\left(\frac{\bar c\, c_{1/2}}{\bar c + c_{1/2}}\right)\left(\frac{1}{\bar c}\frac{\partial \bar c}{\partial x}\right)^2\right]^{-1}. \tag{60}

它按 a−3a^{-3} 随细胞变大而急剧缩短。对大肠杆菌的丝氨酸实验,它给出约 1.7 秒,单看时间并非不可行。

真正的障碍是第 3 节留下的伏笔:游动的细胞,前端本来就比后端收到更多分子。这种前后差别看起来就像一个梯度,相当于衰减长度为 D/3vD/3v 的浓度梯度。在丝氨酸实验里,这个“假梯度”比真梯度陡 600 倍左右。细菌要从中分辨出真正的梯度,就像在一阵大风里听一声耳语。所以小小的细菌只能做时间比较。

时间比较,2T(公式 58)
–
空间比较,T(公式 60)
–
“假梯度”的长度 D/3v
–
原论文的结果
–

图 11 几个经典趋化实验所需的最短测量时间,以及其他条件不变时它们怎样随细胞大小变化。时间比较(实线)只按 a−1/3a^{-1/3} 缓慢下降,空间比较(虚线)按 a−3a^{-3} 急剧下降,所以大细胞更适合空间比较。可以直接修改参数,或者切换到“时间”直接给定时间梯度。丝氨酸实验没有给出平均浓度,这里取 cˉ=c1/2\bar c = c_{1/2},它能重现原论文的 0.27 秒。

对大得多的细胞,局面就反过来了。黏菌盘基网柄菌半径约 5 微米,爬得很慢(每秒约 0.2 微米),它在环腺苷酸梯度里做空间比较只需约 16 秒,做时间比较也差不多是 17 秒。光凭这个分析,没法判断它用的是哪一种。(这个例子里,原论文把两个梯度长度写成了 0.8 cm 和 1.2 cm;按它自己给的参数算,其实是 0.8 mm 和 1.2 mm。两者之比不变,结论也不受影响。)

但有一点对所有例子都成立,也是整篇论文最朴素、最深刻的结论:不论用什么办法,测量浓度都需要时间。这不是生物化学不够好,而是扩散和统计涨落本身设下的极限。

回顾

  • 一个半径为 aa 的细胞靠扩散每秒最多吞下 4πaDc∞4\pi a D c_\infty 个分子,正比于半径而不是表面积,因为耗尽区和细胞一起变大。
  • 碰过细胞的分子会回来约 a/sa/s 次,所以只覆盖千分之一表面的几千个受体,就能抓到一半的分子。前提是受体要分散。
  • 对细菌这么小的东西,游泳和搅水都不能让它多吃。
  • 测量精度只取决于数到过多少个新分子;几千个受体加在一起,几乎抵得上一台能看见细胞周围每个分子的理想仪器。
  • 大肠杆菌在一秒左右完成一次浓度比较,几乎贴着物理极限。

后来的故事

“Berg–Purcell 极限”后来成了生物物理里最常被引用的结果之一。人们把它推广到考虑化学反应细节的受体,也发现了更聪明的读法:只统计受体空着的时间长短,可以把误差的平方再减小一半。从细菌趋化,到胚胎发育中细胞读取形态发生素的浓度梯度,人们一次次发现,生物系统的灵敏度离这个极限并不远。

参考文献

Berg, H. C. & Purcell, E. M. (1977). Physics of chemoreception. Biophysical Journal 20, 193–219. doi:10.1016/S0006-3495(77)85544-6

Purcell, E. M. (1977). Life at low Reynolds number. American Journal of Physics 45, 3–11.

Bialek, W. & Setayeshgar, S. (2005). Physical limits to biochemical signaling. PNAS 102, 10040–10045.

Endres, R. G. & Wingreen, N. S. (2009). Maximum likelihood and the single receptor. Physical Review Letters 103, 158101.

文中用到的实验:Schwartz (1976), J. Mol. Biol. 103, 521–536(λ 噬菌体吸附);Brown & Berg (1974), PNAS 71, 1388–1392(谷氨酸);Dahlquist, Elwell & Lovely (1976), J. Supramol. Struct. 4, 329–342(丝氨酸);Mesibov, Ordal & Adler (1973), J. Gen. Physiol. 62, 203–223(α-甲基天冬氨酸、半乳糖);Mato et al. (1975), PNAS 72, 4991–4993(环腺苷酸)。

图 5 的曲线从原论文图 4 数字化而来,其余各图都是在浏览器中按公式实时计算的。