单细胞水平蛋白质周转动态的全局分析

      用于组织特异性血浆蛋白质组动态研究的人类蛋白质组分布图谱

      精准蛋白质基因组学揭示种系变异在泛癌种中的广泛影响

      无功能性胰腺神经内分泌肿瘤的蛋白质基因组学特征分析

      AI对比学习助力生物标志物发现、改善临床试验效果

      UK Biobank血浆蛋白质组与基因组研究揭示哮喘风险及异质性

      深度视觉蛋白质组学绘制遗传性肝病的蛋白毒性图谱

      脑脊液突触蛋白生物标志物预测阿尔茨海默病认知功能

      微生物组-代谢组动态变化与血糖控制受损及生活方式改变的关联

        基于纳米组学技术的血浆-肿瘤组织整合蛋白质组学在胶质母细胞瘤生物标志物发现中的应用

        DIA-BERT：用于增强DIA蛋白质组学数据分析的预训练端到端Transformer模型

单细胞蛋白质组学（SCP）虽已取得显著进展，但目前仍主要局限于蛋白质丰度这一单一维度的研究。哥本哈根大学Jesper V. Olsen团队与中国医学科学院系统医学研究院/苏州系统医学研究所叶子璐团队等研究人员采用脉冲稳定同位素氨基酸标记技术（pSILAC），首次在单细胞水平实现蛋白质丰度与周转动态的同步检测（SC-pSILAC）。通过优化单细胞蛋白质组工作流程，在单个HeLa细胞中成功检测到约 4000 种蛋白质的双重SILAC标记，重现了已知生物学过程。研究人员对人诱导多能干细胞（iPSC）自发分化过程进行了大规模SC-pSILAC时序分析，涵盖 2 个月内 6 个时间点、超过 1000 个单细胞。蛋白质周转动力学特征表明，分化过程中蛋白质复合物与核心组蛋白周转存在协同调控，可明确区分增殖与非增殖细胞群。同时，细胞直径与特定蛋白质丰度的相关性分析揭示，组蛋白及部分细胞周期蛋白的表达不受细胞体积调控。SC-pSILAC技术为单细胞生物学研究提供了蛋白质动态的多维解析视角。

▼

用于组织特异性血浆蛋白质组动态研究的人类蛋白质组分布图谱

血浆蛋白质组通过周围器官和细胞的蛋白质双向渗透维持动态平衡。为量化不同器官和细胞在健康与疾病状态下对血浆蛋白质组的影响程度，瑞典隆德大学的Johan Malmström研究团队开发了一种基于质谱的蛋白质组学策略，用于追溯人血浆中检测到蛋白质的组织来源。研究首先构建了涵盖 18 个血管化器官和 8 种血液高丰度细胞类型的大规模人类蛋白质组图谱，并与已有RNA和蛋白质图谱数据库进行整合，从而在全蛋白质组范围内客观界定蛋白质与器官关联性，实现血浆中器官特异性蛋白质的可追溯来源与可重复定量。研究通过脓毒症、胰腺炎、心肌损伤等 6 个独立患者队列验证，结果表明该资源可有效测定疾病特异性器官富集蛋白质组群的定量变化。该策略可推广应用于其他疾病研究，为解析血浆蛋白质组动态变化机制提供了新的研究路径。

▼

大量研究已证实，种系基因组学在癌症风险评估和个性化治疗方案制定中的关键作用。然而，种系变异对癌症蛋白质组及翻译后修饰（PTM）景观的影响，尤其在调控致癌信号通路及其在癌症发生和演化中的作用方面，仍知之甚少。华盛顿大学圣路易斯分校的Li Ding团队联合多个研究机构，通过分析 1064 例涵盖 10 种癌症类型的患者样本，系统解析了种系变异对癌症蛋白质组的影响。研究团队开发了"精准肽组学"新方法，将 337,469 个编码区种系变异映射至患者质谱数据中的多肽序列，并结合蛋白质数据库资源，揭示了这些变异对翻译后修饰、蛋白稳定性、等位基因特异性表达及蛋白结构的潜在影响。研究发现，癌症基因中的罕见致病性变异和常见种系变异可能改变蛋白质组特征，包括影响蛋白丰度与结构的变异，以及激酶（ERBB2和MAP2K2）中调控磷酸化的变异。精准肽组分析预测到信号调节蛋白α（SIRPA）和胶质纤维酸性蛋白（GFAP）的蛋白稳定性破坏事件，分别与免疫调节及胶质母细胞瘤诊断相关；全基因组关联研究还鉴定出数百万个SNP与数千种蛋白质表达或水平相关的数量性状位点；多基因风险评分与风险变异远端效应显著相关。该研究通过高通量精准肽组学技术，阐明了种系遗传变异对癌症异质性的重要贡献。

▼

胰腺神经内分泌肿瘤（PanNEN）是胰腺中第二常见的上皮性肿瘤，过去 40 年间，其发病率和患病率显著上升。其中，以无功能性胰腺神经内分泌肿瘤（NF-PanNETs）最为常见，这类肿瘤远端转移率高且治疗选择有限。来自复旦大学附属肿瘤医院、北京大学肿瘤医院、中国科学院上海药物研究所、上海长海医院、中国科学院分子细胞科学卓越创新中心等多个科学家团队针对NF-PanNETs开展深度合作研究，通过对 108 例NF-PanNETs进行基因组、转录组、蛋白质组及磷酸化蛋白质组整合分析，实现了全面的分子特征解析。研究不仅阐明了NF-PanNETs基因组驱动变异的功能机制，还通过Men1条件性基因敲除小鼠实验揭示了MEN1变异的作用媒介。基于机器学习模型构建的蛋白质标志物被证实为独立预后因子，并在外部独立队列中得到验证。通过蛋白质组与磷酸化蛋白质组分层分析，鉴定出四种具有独特分子特征、免疫微环境及临床病理特征的亚型。通过患者来源的肿瘤类器官进行药物筛选，研究发现细胞周期依赖性激酶 5（CDK5）与钙电压门控通道α1D亚基（CACNA1D）分别可作为广谱靶点与亚型特异性靶点，该结果已在异种移植模型中获得体内验证。本研究通过多组学整合描绘了NF-PanNETs的完整分子图谱，为进一步揭示其生物学机制和开发潜在治疗靶点提供了新见解。

▼

AI对比学习助力生物标志物发现、改善临床试验效果

现代临床试验可对每位受试者捕获数万项临床基因组学指标。与预后标志物相比，预测性生物标志物的发现仍具有挑战性。为此，阿斯利康的研究团队提出一种基于对比学习的神经网络框架——预测性生物标志物建模框架（PBMF），以自动化、系统化且无偏倚的方式探索潜在预测标志物。通过回顾性分析真实临床基因组数据集（尤其是免疫肿瘤学试验数据），PBMF成功识别出一类能够预测患者从免疫治疗中显著获益的生物标志物。结果证明，该框架能够依托早期临床数据发现具有预测力和生物学可解释性的标志物，为 III 期临床试验提供回顾性指导。携带该预测标志物的患者，其生存率相比原始试验结果提升高达 15% 。PBMF提供了一种通用、高效且稳健的预测性标志物发现策略，为个体化治疗和临床决策带来可操作的洞见。

▼

UK Biobank血浆蛋白质组与基因组研究揭示哮喘风险及异质性

尽管已有数百个哮喘相关遗传位点被发现，但其向机制层面的转化仍面临诸多挑战。通过对数千名UK Biobank参与者的生殖系遗传变异、血浆蛋白质组学特征和表型数据进行分析，Genentech研究团队成功解析了哮喘相关的基因调控和蛋白质丰度变化，并确定了潜在的药物靶点和血液生物标志物。通过遗传因果推断方法，研究人员鉴定出与哮喘风险及异质性相关的生物标志物和效应蛋白。共发现 609 个与哮喘状态相关的蛋白质，在校正体重指数和吸烟因素后，保留了 269 个。通过分析遗传预测的蛋白质水平，确定了 70 个可能具有哮喘风险因果作用的蛋白质，包括已知药物靶点和既往无哮喘遗传证据的蛋白（如GCHFR、TDRKH和CLEC7A）。这些因果相关蛋白的遗传结构为Toll样受体（TLR1）-白细胞介素（IL-27）相关的哮喘通路提供了支持性证据。最后，该研究发现蛋白质与哮喘生物学异质性特征（如TSPAN8与中性粒细胞计数）之间存在因果关系。这些结果表明，整合生物银行规模的遗传学与血浆蛋白质组学数据，可为识别疾病风险及异质性的治疗靶点和机制提供新框架。

▼

蛋白质错误折叠相关疾病（如α1-抗胰蛋白酶缺乏症，AATD）对人类健康构成严重威胁，但其细胞层面的发病机制仍不清晰。为深入解析这一过程，马克斯普朗克生物化学研究所的 Matthias Mann团队与亚琛工业大学医院的Pavel Strnad 团队合作，采用质谱空间蛋白质组学与机器学习技术，共同绘制AATD患者肝组织的分子图谱。研究人员将深度视觉蛋白质组学（DVP）与单细胞分析相结合，在完整患者活检组织中解析了肝细胞应激跨越纤维化阶段的伪时序分子事件。仅使用来自福尔马林固定石蜡包埋（FFPE）组织中单个细胞三分之一的样本量，即实现了高达 4300 种蛋白质的检测深度。该数据集揭示了在典型未折叠蛋白反应出现之前，存在可能具有临床干预价值的过氧化物酶体上调现象。单细胞蛋白质组数据显示，α1-抗胰蛋白酶的积累主要呈现细胞自主性，肝细胞间应激信号传递极少。将蛋白质组数据与 AI 引导的多疾病阶段图像表型分析相结合，研究人员发现了一种特征为球状蛋白聚集体、伴随TNFSF10/TRAIL水平升高的独特蛋白质组标记的晚期肝细胞表型。这一表型可能代表疾病进展的关键阶段。本研究不仅为AATD发病机制提供了新见解，更建立了一种对复杂组织进行高分辨率原位蛋白质组分析的强大方法学框架，为在单细胞水平揭示人类组织中多种蛋白质错误折叠疾病的分子机制设立了新标准。

▼

阿尔茨海默病（AD）患者的认知衰退速度存在显著的个体差异。尽管β淀粉样蛋白（Aβ）和tau蛋白等标志性病理生物标志物已显著提升了基于病理的诊断能力，但它们仅能解释 20-40% 的AD相关认知障碍（CI）变异。为识别新的认知障碍标志物，斯坦福大学Tony Wyss-Coray团队等研究人员对来自 6 个主要前瞻性AD病例对照队列的 3397 名受试者进行了脑脊液（CSF）蛋白质组学分析。研究发现，突触相关蛋白与认知障碍呈现最强相关性，且独立于Aβ和tau蛋白。通过机器学习，得出CSF YWHAG：NPTX2突触蛋白比值。在Aβ阳性和磷酸化tau阳性（A+T1+）个体中，该比值与CSF pTau181：Aβ42、tau PETCSF神经丝蛋白、生长相关蛋白 43 和神经颗粒蛋白等指标相比对认知变异具有更高的解释能力。CSF YWHAG：NPTX2 在正常衰老过程中升高，在常染色体显性AD突变携带者中，于预估症状出现前 20 年就已发生变化。在认知预后方面，经过 15 年随访并校正多种因素后，CSF YWHAG：NPTX2可预测A+T1+认知正常向轻度认知障碍的转化（每标准差增加的风险比=3.0，P=7.0×10-4）及A+T1+轻度认知障碍向痴呆的转化（每标准差增加的风险比=2.2，P=8.2×10-16）。研究人员还开发了认知障碍的血浆蛋白质组特征，在 13401 份样本中部分重现了CSF YWHAG：NPTX2的结果。该研究确认CSF YWHAG：NPTX2是预测认知代偿能力及AD发生发展的强效预后生物标志物，突显血浆蛋白质组学作为CSF检测替代方案的潜力，并进一步验证突触功能障碍是AD痴呆的核心驱动因素。

▼

II 型糖尿病（T2D）是一种由遗传与环境因素（包括肠道微生物组）共同作用的复杂疾病。最新研究揭示，T2D及糖尿病前期在病理生理机制和亚型方面存在显著异质性。因此，研究者越来越关注采用多组学方法来识别T2D及及其相关并发症（如肥胖、急性冠脉综合征、缺血性心脏病和心力衰竭）的个体化风险因素。为探究与糖尿病前期和T2D表型异质性相关的微生物代谢物，复旦大学与瑞典哥德堡大学研究团队合作，通过对两个瑞典人群队列（n=1167）进行代谢组学分析，识别出 500 多种与糖耐量受损相关的血液代谢物，其中约三分之一与肠道菌群改变有关。结果显示，微生物组-代谢组动态变化中的代谢紊乱可能是葡萄糖稳态受损的潜在中介因素，例如肠道菌群Hominifimenecus microfluidus和Blautia wexlerae通过马尿酸产生的潜在相互作用。短期生活方式干预（如饮食和运动）可特异性调节微生物组相关代谢物。该研究指出，微生物组–代谢组轴是T2D管理中的一个可调控靶点，通过整合式生活方式干预有望实现更优的健康干预效果。

▼

胶质母细胞瘤（GB）是最致命的脑癌之一，过去 20 年来患者生存率基本未有改善。尽管多癌种早筛技术已取得一定进展，但液体活检在脑肿瘤中的应用仍处于初步阶段，目前尚无获得临床批准的生物标志物可用于早期检测或病情监测。纳米颗粒蛋白冠在疾病监测与生物标志物发现中具有重要潜力。本研究利用纳米组学技术，系统解析了胶质母细胞瘤相关血浆与肿瘤组织蛋白质变化，并通过小鼠模型和患者队列中验证了生物标志物的发现价值。研究开发的纳米组学整合工作流程，首次系统性地关联了GB进展过程中的系统性（血浆）与局部性（肿瘤组织）蛋白质变化。通过对 GL261 荷瘤小鼠在不同GB进展阶段的纳米颗粒生物分子冠质谱分析发现：即便在肿瘤负荷较低时，血浆蛋白质组已发生改变，且GB特异性血浆与肿瘤组织蛋白质组重叠率超过 30% 。对高级别胶质瘤患者配对血浆与手术切除肿瘤样本的分析验证了该纳米组学流程的临床适用性。跨物种相关性分析鉴定出 48 个潜在GB生物标志物候选，涉及肌动蛋白细胞骨架组织、黏着斑、血小板活化、白细胞迁移、氨基酸生物合成、碳代谢及吞噬体等通路。本研究提出的纳米组学方法，为中枢神经系统疾病的早期检测和病程监测生物标志物发现提供了新思路，为后续临床验证奠定了基础。

▼

数据非依赖性采集质谱（DIA-MS）在定量蛋白质组学中的重要性日益凸显。本研究开发的DIA-BERT软件工具，首次将基于Transformer架构的预训练人工智能（AI）模型应用于DIA蛋白质组数据分析中。该模型采用端到端训练方式，无需传统方法中繁琐的特征提取和表征学习步骤，对于每个前体离子，直接提取碎片离子峰群信息，并与碎片离子强度等谱库信息进行整合，将这些原始数据直接输入模型。通过卷积神经网络和Transformer网络的强大建模能力，模型自主学习评估峰群内部峰形的一致性，以及峰强度与谱库强度的相关性。这种一体化训练流程使模型能够同步优化表征学习和评分模型学习，从而显著提升鉴定灵敏度。DIA-BERT的鉴定模型基于从现有DIA-MS文件中提取的 2.76 亿个高质量肽段前体进行训练，定量模型则基于合成DIA-MS文件中的 3400 万肽段前体训练完成。在五组人类癌症样本（宫颈癌、胰腺癌、肌肉肉瘤、胆囊癌和胃癌）中的测试结果显示，与当前主流工具DIA-NN相比，平均蛋白质鉴定数量提升 51% ，肽段前体鉴定数量增加 22% ，同时保持高定量准确性。这项研究证实了预训练模型与合成数据集在提升DIA蛋白质组分析效能方面的巨大潜力。

▼