李斐然

李斐然，清华大学深圳国际研究生院，助理教授，博士生导师。长期致力于通过开发新方法和新技术分析生物大数据和研究生物系统，构建以代谢建模为核心的数字孪生生命模型，促进合成生物学和生物医药研究。研究涉及计算生物学、系统生物学、机器学习、化学、药物代谢等多个领域。近年来，共发表同行评议SCI论文多篇，其中第一/通讯作者文章发表在Nature Catalysis，Nature Communications，Molecular Systems Biology，PNAS，Nucleic Acids Research等国际高水平期刊。担任Advanced Biotechnology、BioDesign Research期刊青年编辑以及Nature Communications，PNAS，Genome Biology等期刊审稿人。

课题组招收博士后、科研助理、博士研究生、以及硕士研究生，诚邀具有合成生物学、计算生物学、机器学习、化学、生物化工、生物工程、制药工程、药物代谢、生物信息学等背景并有志从事生物系统模型相关研究的同学加盟。

2017年-2021年，查尔姆斯理工大学，系统生物学专业，博士（导师：Jens Nielsen院士）

2014年-2017年，天津大学，生物化工专业，硕士（导师：赵学明教授）

2010年-2014年，天津师范大学，化学生物学专业，学士

2023年-至今，清华大学深圳国际研究生院，助理教授，博士生导师

2021年-2023年，查尔姆斯理工大学，博士后（合作导师：Jens Nielsen院士）

BioDesign Research、Advanced Biotechnology期刊青年编委

Frontiers in Bioengineering and Biotechnology期刊客座编辑（Review Editor）

Nature Communications, PNAS, iScience, Advanced Genetics, and Genome Biology,等期刊审稿人

人工智能酶设计（国际院）、合成生物学前沿研讨（国际院）、计算系统生物学实验（国际院）

致力于通过开发新方法和新技术分析生物大数据和研究生物系统，揭示内在机理，促进合成生物学和生物医药研究。研究涉及计算生物学、系统生物学、机器学习、化学、药物代谢等多个领域。

主要有以下三个研究方向：

1面向医药健康，开发及分析哺乳动物细胞、器官及人体的数字孪生代谢模型（数字孪生人类）。

2探索细胞代谢暗物质，促进新途径及新酶挖掘，加速生物合成途径设计以及生物合成潜力挖掘（数字细胞）。

3开发深度学习模型，助力理解蛋白序列-功能-参数关系。

[1] 国家自然科学基金优秀青年科学基金项目（海外），2023-09 至 2026-08，在研，主持；

[2] 国家重点研发计划“合成生物学”重点专项（青年），2024-12至2027-11，在研，任务负责人；

[3] 国家自然科学基金面上项目，2025-01至2028-12，在研，主持；

[4] 广东省重点领域研发计划“绿色生物制造”重点专项，2025-01至2027-12，在研，任务负责人；

[5] 深圳市医学研究专项资金项目，2025-01至2027-12，在研，主持；

[6] 清华大学深圳国际研究生院交叉创新基金，2024-09至2027-09，在研，主持

[7] 人工智能酶设计技术委托开发横向项目，2024-07至2026-06，在研，主持；

1. Chen Y^*, Li F. Metabolomes evolve faster than metabolic network structures. Proceedings of the National Academy of Sciences 2024, 121, e2400519121.

2. Li F^{#, *}, Chen Y, Gustafsson J, Wang H, Wang Y, Zhang C, Xing X. Genome-scale metabolic models applied for human health and biopharmaceutical engineering. Quantitative Biology. 2023, 11, 363-75.

3. Li F^{#, *}, Chen Y^#, Anton M^#, et al. GotEnzymes: an extensive database of enzyme parameter predictions. Nucleic Acids Research 2023, D1, D583-D586.

4. Li F^#, Yuan L^#, Lu H, et al. Deep learning based kcat prediction enables improved enzyme constrained model reconstruction. Nature Catalysis 2022, 5, 662-672.

5. Li F, Chen Y, Qi Q, et al. Improving recombinant protein production by yeast through genome-scale modeling using proteome constraints. Nature Communications 2022, 13, 2969.

6. Li F^*. Filling gaps in metabolism using hypothetical reactions. Proceedings of the National Academy of Sciences 2022, 119, e2217400119.

7. Lu H^#, Li F^#, Yuan L^#, et al. Yeast metabolic innovations emerged via expanded metabolic network and gene positive selection. Molecular Systems Biology 2021, 17, e10427.

8. Domenzain I^#, Li F^#, Kerkhoven EJ, et al. Evaluating accessibility, usability and interoperability of genome-scale metabolic models for diverse yeasts species. FEMS Yeast Research 2021, 21, foab002

9. Lu H^#, Li F^#, Sánchez BJ, et al. A consensus S. cerevisiae metabolic model Yeast8 and its ecosystem for comprehensively probing cellular metabolism. Nature Communications 2019, 10, 3586

10. Li F^#, Xie W^#, Yuan Q, Luo H, Li P, et al. Genome-scale metabolic model analysis indicates low energy production efficiency in marine ammonia-oxidizing archaea. AMB Express 2018, 8, 106.

# Co-first author, * Corresponding author

1.《麻省理工科技评论》“35岁以下科技创新35人”中国区 (2023)

2.国家海外高层次人才（青年）项目 (2023)

3.“鹏城孔雀计划”特聘岗位B类人才 (2023)

4.国家优秀自费博士奖学金-博士后（2022）