Proteomics- 蛋白质组的研究是一个不断发展的领域。它对基于细胞，组织和整个生物体生物态的分子过程提供了全球理解。科学研究的各个领域，包括人，动物和植物生物学，个性化医学和取证，都受益于快速进步，这主要归因于蛋白质组学技术，数据处理能力和数据共享的进步。在本文中，我们将探讨蛋白质组学及其潜在更广泛影响的最新进展。

关键的技术发展

Mass spectrometry proteomics

A各种分析技术在蛋白质组学研究中采用，可以广泛归类为低通量和高通量。几十年来，质谱法（MS）仍然是用于高通量分析的最广泛使用的“黄金标准”技术。现在已经存在无数基于MS的蛋白质组学工作流，具有样本制备技术，大众分析仪和数据软件管道的独特组合。从历史上看，基于MS的蛋白质组学面临的关键问题一直是sensitivity and specificity of instrumentation。

The landscape of MS has changed, quite dramatically, over recent years; vendors have introduced MS instrumentation with speed, sensitivity and specificity capabilities that were previously unheard of. “We have seen a huge jump in the sensitivity of MS instrumentation and advances in the coupling of liquid chromatography with MS (LC-MS). Not long ago, proteomics studies could only characterize a few hundred of the most abundant proteins, today we can now see many thousands of proteins in relatively quick experiments,” says哈维·约翰斯顿博士，位于英国剑桥Babraham Institute的Rahul Samant小组的博士后研究科学家。最终，科学家现在可以比以往任何时候都更深入地研究蛋白质组。

马蒂亚斯·曼恩教授是Novo Novo Nordisk Foundation Protein Research中心的蛋白质组学计划的研究总监和小组负责人，慕尼黑的Max-Planck生物化学​​研究所主任，以及世界上引用最高的科学家之一。当被要求查明MS蛋白质组学的特定突破时，曼恩说“绝对走向数据独立获取（DIA）由Aebersold实验室。”约翰斯顿（Johnston）对他的想法进行了回应。

与姐妹技术不同 -数据依赖分析（DDA）- 直径碎片全部在第二个周期（MS2）的第一个串联MS（MS1）中生成的前体离子，提供无偏分析，蛋白质组和较大的覆盖范围更高的可重复性。近年来，基于DIA的MS在蛋白质组学研究中，尤其是在肿瘤学领域中的使用一直在增长。2019年，有42项专注于几种不同癌症类型的研究（并利用各种生物材料）采用了DIAMS蛋白质组学分析。DIA还在神经科学蛋白质组学中引起波浪受到赞誉用于发现与阿尔茨海默氏病有关的新信息。

通过一项最新的研究确认了43，并鉴定出11个指示的新型血浆蛋白质组生物标志物，持续探索加速基于DIA的MS的方法（称为“超快速”蛋白质组学）。COVID-19严重程度。根据约翰斯顿（Johnston）的说法，DIA-MS正在帮助蛋白质组学寻求达到严格的标准化状态：“将相同的样本发送到多个蛋白质组学实验室，您有时会因多种工作流，仪器，分析工具和设置而获得相当不同的结果等等。但是，这正在通过现代方法改善，特别是直径。”

翻译后修饰现场定位和异构体分化的磷酸化肽

翻译后修改（PTM）通过碰撞诱导的分离MS/MS对磷酸肽进行的位置定位和定量可能具有挑战性，并且磷酸肽可以表现出磷酸组的部分中性损失。下载此应用说明以了解电子激活的分离碎片如何显示出可靠和准确量化不稳定PTM的有希望的表演。

查看应用程序注释

赞助内容

基于适体的蛋白质组学及其他

尽管MS多年来一直在蛋白质组学研究空间中占据主导地位，但最近出现了“第二代”蛋白质组学平台利用基于适体的技术，而不是抗体。讨论此类技术，本杰明·奥尔斯伯恩博士，，，，researcher at Johns Hopkins University School of Medicine写信，“尽管LC-MS几十年来一直对蛋白质组学进行了垄断，但显然不再是这种情况。”

适体是短而单一的（SS）DNA分子，能够形成独特的确认，使它们可以选择性地与生物学靶标（例如蛋白质）结合。该技术具有在诸如领域的特殊性和选择性生物标志物发现，where MS proteomics is limited by its dynamic range. “This is classically the biggest challenge to the MS biomarker discovery field, where many potential biomarkers in the blood can be far less than one trillionth the concentration of albumin,” says Johnston. “The MS will try and analyze every bit of hay to see if there is a needle, the use of antibodies or aptamers, on the other hand, can act like a magnet,” Without effective methods, albumin and other highly abundant proteins overwhelm the MS analysis.

使用基于适体的蛋白质组学的最新研究实例包括鉴定非酒精性脂肪肝病（NAFLD）的基于蛋白质的纤维化特征（肝脏的疤痕），这是全球肝病最大的原因之一。科里等。在减肥和NAFLD队列上进行了多重分析，以识别一个八蛋白蛋白，该面板区分了彼此的各个阶段。

基于适体的蛋白质组学用于学习of 1895 female participants from the renowned Framingham Heart Study to identify biomarkers of cardiac remodeling and incident heart failure. Seventeen proteins were found to be associated with echocardiographic traits, and six proteins were associated with incident heart failure. Further analysis utilizing genetic variant data further supported these findings.

“适体技术的使用似乎比LC-MS技术的绝对蛋白质拷贝数偏见，”写信奥斯伯恩。但是，在使用的面板能够识别较高百分比的蛋白质组之前，MS蛋白质组学可能仍然是一种首选方法，并且基于适体的技术用作补充方法。A最近提出的抱负蛋白测序平台采用条形码的DNA适体以识别附着在下一代测序芯片上的肽的末端氨基酸可能会带来折衷。约翰斯顿说：“这充分的潜力将需要时间才能实现。”

人工智能“增强”蛋白质组学

可以说，近年来蛋白质组学的最大进步之一是基于人工智能（AI）的方法提供的“提升”。机器学习，深度学习和其他AI方法正在蛋白质组学分析的各个阶段应用管道。

人工智能和药物发现蛋白质组学比利时罗马尼亚比分直播

The application of artificial intelligence (AI) to proteomics is already reshaping the比利时罗马尼亚比分直播景观。知道特定蛋白质如何以及为什么相互作用对于推进细胞生物学，开发新药物并确定药物如何引起治疗和不良反应至关重要。但是，这绝非易事。“要了解相互作用的蛋白质如何相互附着，人类或计算机必须尝试所有可能的附件组合，以便找到最合理的一个[…]这是一个非常耗时的过程。”Octavian-Eugen Ganea，马萨诸塞州理工学院（MIT）计算机科学与人工智能实验室（CSAIL）的博士后研究员。

Further complexity arises when researchers want to capture previously unidentified interactions that可以存在于大量蛋白质中 - 如人类蛋白质组。Ganea将其比作将大型3D拼图拼凑在一起。基于AI的方法（尤其是深度学习）提供了解决方案。他们可以加速将3D拼图拼凑在一起的过程，这是Ganea研究的重点。

存在几种商业化的蛋白质对接方法，但它们依赖于预计网格的候选抽样，模板和特定于任务的特征 - 所有这些都会增加计算时间。MIT的Ganea及其同事publisheda new deep learning model – EquiDock – that takes the 3D structure of two proteins and directly identifies which areas are likely to interact. EquiDock learns to capture complex docking patterns from a large set of ~41,000 protein structures, using a geometrically constrained model with thousands of parameters that are dynamically and automatically adjusted until they solve the task. Once trained, the model was compared to four other existing docking softwares. It was capable of predicting the final protein complex in one to five seconds; a speed 80–500 times faster than the existing softwares.

Ganea说：“药物副作用的快速计算扫描是一个示例应用。”“这是为了显着降低我们当前所有实验能力（甚至全球范围的汇总），这是必不可少的。”他强调，将均衡器与其他蛋白质结构预测模型相结合，将进一步帮助药物设计，蛋白质工程，抗体产生和作用研究机理以及其他应用。Ganea说，这是一个令人兴奋的前景，并且在寻找更好的疾病治疗方面的“迫切需要”。

优化基于MS的蛋白质组学

基于AI的方法还可以帮助研究人员从数据中获得更多见解：“ AI正在彻底改变我们可以从数据中获得的东西，” Mann说。

MS实验需要数据库搜索或光谱库匹配才能识别蛋白质。这为某些蛋白质被错误地识别或错过而腾出了耗时，这为某些蛋白质提供了机会。它一直是DIA MS的特殊障碍，它依赖于通过DDA分析来生成光谱库。各种深度学习方法have now been established that are capable of predicting spectra and peptide properties. Examples include – but are not limited to –pros，，，，深色最近Deepdia。预计预测的光谱库（能够优化DIA方法）将在此方向转移蛋白质组学领域方法。

AI在非MS蛋白质组学中的应用

除了基于MS的方法之外，AI正在分析蛋白质运动编排时进行运动，这是理解以缠结，结合蛋白质（如蛋白质）为特征的病理的研究空间，例如阿尔茨海默氏病。显微镜和Förster共振能量传递（FRET） - 该空间中采用的关键方法 - 生成大量数据集，需要时间和专业知识来分析。为了克服这个数据障碍，由教授领导的Novo Nordisk蛋白质研究中心的研究人员Nikos Hatzakis，最近创建Deepfret。DeepFret是一种机器学习算法，它识别蛋白质运动模式，在几秒钟内对数据集进行分类，与通常需要的几天工作相比。

蛋白质组学中AI的未来将需要在AI平台必须遵守的标准，数据报告和共享的标准方面进行同步性。官方建议，例如最近发布的Data, Optimization, Model, Evaluation (DOME)关于蛋白质组学和代谢组学中机器学习的进行和报告的建议，可能有助于塑造该领域的发展。

更广泛的应用

蛋白质组学的更广泛应用也受益于前面讨论的技术进步，例如法医科学。二十世纪后期发生的“ DNA革命”急剧改变了这一领域。现在，蛋白质组学看起来有能力产生类似的影响。格伦登·帕克博士，，，，adjunct associate professor in the Department of Environmental Toxicology at UC Davis, and the inventor of Protein-Based Human Identification says that, overall, the current impact of proteomics on forensic science is limited, attributed to technical, legal, financial and cultural factors. However, “There is a fundamental drive to adopting and incorporating new methods in criminal investigation and prosecution. Proteomics has intrinsic advantages: proteins are more stable than DNA, and like DNA, can contain identifying information,” he adds.

如果核酸已降解，则可以利用蛋白质组学来鉴定体液，性别，种族群体，并使用肌肉，骨骼和分解来估计死亡时间流体样品。

帕克强调，尽管实施一直是一个挑战，但“未来的蛋白质组学有可能显着改变证据处理和分析的方式。然而，在短期内，以DNA为中心的方面可确保将蛋白质组学用于DNA努力提供清晰，易于防御的答案的领域。”

挑战和未来观点

民主化蛋白质组学

可以说，蛋白质组学领域面临的最大限制是它的复杂性。Proteomics workflows comprise complex technologies and softwares that require skilled personnel to operate. While incredible gains in sensitivity and speed have progressed research, they come at a cost. “Rigorously executed, deep-coverage MS experiments, especially on complex biological samples require significant MS time,” says Johnston. “So, there are constantly trade-offs between cost, coverage and sample numbers.”

这是一个限制蛋白质组学更广泛应用的问题。帕克特别讨论法医科学时说：“最终，这些因素共同限制了创新，并且有希望的新兴技术（包括蛋白质组学）被详尽地被利用。”

在过去的十年中，蛋白质组学实现“民主化”的呼吁有所增加。已经出现了许多计划，以提高可及性和可持续性。一个例子是欧洲蛋白质组学基础设施联盟提供访问（EPIC-XS）财团。该计划将一些欧洲领先的实验室和科学家团结在一起，将各种技术，专业知识和数据共享汇总在一起。

资源不仅限于基于MS的蛋白质组学。专业知识也由KTH访问网站的细胞分析设施在基于抗体的成像中。“这种技术的武器库可确保Epic-XS平台能够很好地考虑各种蛋白质组学领域的用户的应用。”乌得勒支大学项目经理Martina O’Flaherty说。

通往诊所的道路

在将蛋白质组学作为诊所中的主要阶段建立之前，克服的挑战是有几个挑战，取决于临床蛋白质组学的特定亚施加正在讨论。

曼恩说：“基于MS的蛋白质组学需要变得更加强大和更容易获得，尤其是在大规模诊所使用的情况下。”“许多组已转向高流色谱系统来实现这一目标，但这不是理想的，因为敏感性受到了影响。”虽然分析技术提高了深入研究蛋白质组的能力，但生成的数据量也增加了，以数据处理和制定了来自如此大数据集的生物学和临床假设的形式引入了临床蛋白质组学的额外瓶颈。

此外，为了对人类健康和疾病的整体理解，蛋白质组学数据通常必须与其他“ OMICS”对应物集成，例如代谢组学，基因组学和转录组学。

道德考虑还必须将其视为向诊所的蛋白质组学边缘。蛋白质组学分析可以在启动测试的原始诊断查询之外提供信息。临床医生如何处理此类数据？虽然可以从实施临床基因组学中吸取教训，但这些领域是不同的，必须在监管框架和准则的制定中承认这一点，即专家强调。

尽管目前存在局限性，但曼恩认为该领域的未来看起来很光明：“我预见到MS检测固有特异性是无价的临床应用，”他总结说。