4D-质谱平台助力蛋白组学精准医疗

4D质谱平台助力蛋白组学精准医疗

2016年，“临床蛋白质组学精准医疗”计划被正式提出。作为精准医疗研究承前启后的关键内容，蛋白质组学为疾病的精准分型、早期诊断、治疗靶点、致病机理及治疗预后等方向的研究都提供了精确、全面的数据基础。SBC 4D-质谱平台致力于帮助该领域的专家学者开展蛋白质组学应用研究，对此我们是认真的。

血液样本由于蛋白分布动态范围广、蛋白含量分布不均的原因，使得高通量质谱检测面临极大的挑战。为解决血样本蛋白质谱检测需求，去血清/血浆高峰度蛋白，基于timsTOF Pro 质谱检测平台，采用4D-DDA /4D-Direct DIA蛋白组检测方法，可实现血液中低丰度蛋白的超高深度鉴定。SBC通过实验优化与测试，目前可实现血浆样本2000+蛋白检出，为血样本的大规模研究提供坚实基础。

人血浆样本在timsTOF Pro 用DDA和DIA扫描模式鉴定Protein Groups结果

不同疾病具有其相应的特异性，其他体液类样本或许也是biomarker研究的理想材料。比如，在神经类研究中脑脊液可能更具有代表性和特异性，来看看我们在人类脑脊液样本中的鉴定结果吧。

人脑脊液样本在timsTOF Pro 用DDA和DIA扫描模式鉴定Protein Groups结果

看了结果很心动？我们还准备了研究案例供大家参考哦！

研究案例

蛋白质组学助力发现酒精相关肝病新生物标志物

编者按    酒精相关肝病（ALD）具有三个关键病理特征——纤维化、炎症和脂肪变性，但至今对于其病理机制仍不清楚。本研究开发了一种配对的肝-血浆蛋白质组学方法来推断分子病理生理学，并探索该血浆蛋白质组学在596名参与者（137名对照个体和459名ALD患者）的诊断和预后判断方面的潜能，其中360名患者同时进行了基于活检的组织学评估。研究者通过使用基于质谱（MS）的蛋白质组学工作流程，分析了所有血浆样本和79例肝脏活检。在血浆和肝活检组织中，代谢功能下调，而纤维化相关的信号传导和免疫反应增强。通过机器学习模型识别出蛋白质组学生物标志物（检测到显著的纤维化和轻度炎症），其准确性比现有的临床分析更准确。一个独立的验证队列验证了诊断模型的性能，为常规的基于MS的肝病检测奠定了基础。

一. 文章详情

文章题目：Noninvasive proteomic biomarkers for alcohol-related liver disease

中文题目：蛋白质组学助力发现酒精相关肝病新生物标志物

发表时间：2022.06

期刊名称：nature medicine

影响因子：87.241

实验平台：LC–MS/MS质谱检测

DOI: 10.1038/s41591-022-01850-y

二. 研究内容

患者、数据收集和研究设计

研究样本包括三个队列：（1）ALD患者队列（GALA–ALD；n=459，其中79例为组织-血浆配对患者）；（2）健康对照队列（GALA–HP，n=137）；（3）ALD验证队列（GALA–ALD，n=63）。技术路线：通过使用数据独立采集（DIA）和液相色谱系统获得了所有参与者（n=659）的蛋白质组谱图，包括对GALA-ALD队列中459例ALD患者的血浆样本和79份肝组织的蛋白质组学分析。然后将血浆蛋白质组学数据和机器学习相结合，构建了用于检测早期纤维化（F2）、炎症（I2）和脂肪变性（S0）的预测模型。最后在ALD验证队列进行验证。

Fig.1 肝脏疾病相关生物标志物框架图

肝脏病变对肝脏和血浆蛋白质组的影响

肝脏蛋白质组共鉴定出717个与脂肪变性、纤维化、脂肪肝炎相关的差异蛋白，其中与纤维化相关的蛋白有658个，与炎症活动相关的蛋白有135个，与脂肪变性相关的蛋白有68个。其中纤维化对肝脏蛋白质组的影响最大，其次是炎症，同时炎症中84%的失调蛋白也在纤维化过程中被发现。随着纤维化的发展，肝组织中注释为“肝特异性”的蛋白表达下调；80%的”分泌“蛋白表达上调。相关性分析发现，在与脂肪变性、纤维化和脂肪肝炎相关的排名前20 的差异蛋白中，与纤维化阶段最相关的是肝脏的分泌蛋白；与炎症相关的蛋白中有50%是细胞骨架蛋白（说明肝脏炎症会导致细胞结构发生变化）；与脂肪变性相关的蛋白中，发现了PLIN2和FABP4蛋白。综合以上结果，有225个蛋白显著差异丰富，包括206个纤维化的相关蛋白、163个炎症活性相关蛋白和48个脂肪变性相关蛋白，构成了肝脏血浆蛋白质组重构。随着纤维化的发展，134个蛋白表达上调，91个蛋白表达下调。在这些注释为肝脏特异性或分泌的异常蛋白中，分别有83%和64%下调。

Fig.2 由肝脏损伤引起的肝脏蛋白质组重构

肝组织和血浆蛋白质组学的整合

研究中对肝脏和血浆中的420种蛋白质进行了定量，结果显示，这些蛋白质在二维空间中的水平分化为两簇。“对角线簇”表示这些蛋白质的相对丰度等级在很大程度上与在肝脏和血浆中具有相关性，而“垂直簇”则相关性较弱。在这些常见检测到的蛋白中，有112个蛋白在配对的肝脏和血浆样本之间存在显著相关性。共有46个蛋白在肝脏和血浆蛋白组中均存在显著差异（统称为失调蛋白），并且这些失调蛋白主要参与免疫和炎症反应、ECM组织、蛋白酶抑制剂和细胞粘附等。从纤维化期F0到F4，大多数协同调节蛋白大量增加，少数蛋白在组织和血浆中表达不一致，研究者推测这可能是由于血浆水平是反映组织渗漏和肝脏合成受损的综合结果。

Fig.3 肝组织-血浆蛋白质组整合

ALD 早期病理学的生物标志物

研究人员比较了22种最先进的机器学习分类器，确定了逻辑回归模型作为最终分类器，使用“最小冗余-最大相关性”（mRMR）特征选择算法，选定了选择蛋白标记物（共22种蛋白质）来识别显著肝纤维化（9种）、轻度炎症活动（6种）和肝脂肪变性（12种）。基于Logistic回归模型的平均交叉验证来预测显著纤维化、轻度炎症活动和脂肪变性，结果显示，三组蛋白标志物组合模型的平均ROC-AUC 分别为0.90 、0.85和0.91，具有良好的诊断效能。与15种最先进的临床测试模型相比，蛋白质组学模型具有最高的F1分数和准确性。

Fig.4 基于血浆蛋白质组的活检证实的纤维化、炎症和脂肪变性预测模型

在验证队列中进行模型性能的验证

蛋白质组学模型正确排除健康、匹配的对照组(n=136)队列中的显著纤维化、晚期纤维化和轻度炎症的准确率分别为99%、100%和98%；对于有酒精滥用史和低肝硬化而未进行活检的患者(n=97)，其准确率分别为93%和100%。在ALD验证队列（n=63）中，F2和I2蛋白质组学模型产生的ROC-AUC值分别为0.87和0.81，明显高于队列中其他10种同类模型。将蛋白质组学模型与其他商业生物标志物和肝纤维化的组织学分期进行比较，结果显示，F2蛋白质组学模型显示最高的鉴别精度的预测显著高于F3和I2蛋白质组学模型。综上所述，这项研究构建的蛋白质组学模型是准确的预后指标。

Fig.5 模型性能验证和预测能力评估

三. 主要结论

本研究通过ALD患者、健康对照和ALD验证队列的肝脏和血浆DIA蛋白组学研究，发现肝脏和血浆均发生显著的蛋白质组重构。通过基于质谱的蛋白组学和机器学习模型相结合，确定了准确检测ALD中的纤维化、炎症和脂肪变性三种相关病理状态的蛋白生物标志物组合，同时也在验证队列中得到了验证。通过深入的肝脏图谱，可以对血浆和组织变化进行更详细的功能比较。总之，本研究不仅证实了先前的研究结果，同时也提供了具有诊断、预后和治疗价值的潜在蛋白靶点，对潜在的ALD治疗方案的发展有重要意义。

四. 参考文献

Niu L, Thiele M, Geyer PE, et al. Noninvasive proteomic biomarkers for alcohol-related liver disease. Nat Med. 2022;28(6):1277-1287. doi:10.1038/s41591-022-01850-y