一、蛋白质组学的最新进展

1. 单细胞蛋白质组学
技术挑战：
- 单个哺乳动物细胞仅含约100-200 pg蛋白质
- 质谱检测需要约0.1-1 ng蛋白质（比单细胞高3个数量级）
- 需要极低体积的样本处理（微升级）和超灵敏的质谱检测
技术突破：
- SCoPE-MS（2018）：
- 使用TMT标记的载体通道（carrier channel，约200个细胞）提供足够的离子信号
- 单个细胞通过独立的通道标记，与载体通道混合后进入质谱
- 实现单个细胞的蛋白质定量（~1,000-3,000个蛋白质）
- SCoPE2（2021）：
- 改进样本处理和色谱分离
- 提高定量准确性（比率压缩校正）
- 检测深度提升至~5,000个蛋白质/单细胞
- DIA单细胞蛋白质组学：
- 使用timsTOF Pro（离子淌度分离）和DIA模式
- 无需TMT标记，减少比率压缩
- 检测深度~2,000-4,000个蛋白质/单细胞
应用：
- 肿瘤异质性：鉴定稀有耐药细胞亚群
- 免疫细胞图谱：揭示不同免疫细胞亚型的蛋白质特征
- 发育生物学：追踪细胞分化过程中的蛋白质动态变化
2. 空间蛋白质组学
技术方法：
- LCM-MS（激光显微切割-质谱）：
- 使用激光切取特定组织区域（20-100 μm，约5-10个细胞）
- 超微量蛋白质提取和酶解
- 高灵敏质谱分析
- 应用：肿瘤微环境区域分析、组织异质性研究
- 深度视觉蛋白质组学（DVP, 2022）：
- 免疫荧光成像识别目标细胞类型
- LCM精确切割目标细胞
- 超灵敏质谱分析（>5,000个蛋白质）
- 在FFPE样本中实现单细胞分辨率的蛋白质组分析
- MALDI-MSI（基质辅助激光解吸电离质谱成像）：
- 在组织切片上直接进行质谱分析
- 空间分辨率：10-50 μm
- 可以同时获得数千个蛋白质和代谢物的空间分布
- 应用：肿瘤边界分析、药物分布研究
3. 人工智能驱动的蛋白质组学
蛋白质语言模型：
- ESM-2（Meta AI, 2022）：
- 基于15亿参数Transformer，在UniRef数据库上预训练
- 从单序列提取进化信息（无需MSA搜索）
- ESMFold结构预测速度比AlphaFold2快60倍
- 应用：宏基因组蛋白质结构预测、蛋白质表示学习
- ProtTrans（2021）：
- 在3930亿氨基酸上训练的Transformer模型
- 学习蛋白质的语义表示
- 用于蛋白质分类、定位预测和功能注释
AI在质谱数据分析中的应用：
- 肽段从头测序（De novo sequencing）：
- 传统方法：基于图的动态规划（如PEAKS、Novor）
- AI方法：使用深度学习（CNN、LSTM、Transformer）直接预测序列
- 优势：可以鉴定数据库中不存在的肽段（如未知剪接变体、新抗原）
- DIA谱图解析：
- 传统方法：依赖谱图库匹配
- AI方法：使用深度学习预测肽段的MS/MS谱图，构建"预测谱图库"
- 提高DIA数据分析的覆盖度和灵敏度
- 蛋白质定量优化：
- 使用深度学习模型校正批次效应和技术噪声
- 提高低丰度蛋白质的定量准确性