背景介紹

血液樣本是重要的生物信息來源，血液中的蛋白質(zhì)則是最關(guān)鍵的信息大分子，直接反映機(jī)體的病理、生理狀態(tài)，大部分疾病相關(guān)的標(biāo)志物都與血液中的蛋白相關(guān)。蛋白質(zhì)組是指細(xì)胞或組織中由整個(gè)基因組表達(dá)的全部蛋白質(zhì)。血漿蛋白質(zhì)組一直是研究的熱點(diǎn)，被國際人類蛋白質(zhì)組組織(Human Proteome Organization, HUPO) 列為首批實(shí)施的重大國際合作項(xiàng)目，在2002年正式啟動(dòng)了人類血漿蛋白質(zhì)組計(jì)劃（Plasma Proteome Project，PPP）。近年來，針對(duì)血液樣本蛋白組學(xué)的研究發(fā)表文章數(shù)量逐年上升，在蛋白組學(xué)文章總發(fā)表文章數(shù)中占非常大的比例。

Mol Syst Biol. 2017 Sep 26;13(9):942.

但是，由于血液樣本存在高豐度蛋白含量占比高、動(dòng)態(tài)范圍大，至少為10個(gè)數(shù)量級(jí)以及蛋白種類復(fù)雜等問題，導(dǎo)致血液蛋白質(zhì)組的研究存在巨大的挑戰(zhàn)。2020年12月，Nature Methods上發(fā)表了《Parallel accumulation-serial fragmentation combined with data-independent acquisition》文章中提到的timsTOF Pro 4D質(zhì)譜技術(shù)通過分析分子量和離子淌度的相關(guān)性，搭配最新的DIA數(shù)據(jù)采集模式，不僅覆蓋了選擇窗口中整個(gè)質(zhì)荷比范圍，還提高了識(shí)別入射離子的分辨率，從而鑒定到更多的蛋白質(zhì)種類。timsTOF Pro作為蛋白組學(xué)研究的理想高通量篩選工具，為血液蛋白質(zhì)組學(xué)的研究提供了完美的解決方案。

技術(shù)原理

利用質(zhì)譜儀開展的蛋白組學(xué)研究中，質(zhì)譜的掃描速度會(huì)影響蛋白的鑒定深度。傳統(tǒng)的3D分離技術(shù)包括保留時(shí)間（retention time）、質(zhì)荷比（m/z）、離子強(qiáng)度（intensity）。timsTOF Pro4D引入雙TIMS/PASEF (Parallel Accumulation - SErial Fragmentation平行累積串行碎裂)分離技術(shù)，增加了第四個(gè)維度—離子淌度（mobility），進(jìn)而大幅度的提高了掃描速度和檢測(cè)靈敏度，大幅提升蛋白鑒定的數(shù)量和覆蓋率，使得蛋白質(zhì)組學(xué)進(jìn)入了4D蛋白質(zhì)組學(xué)新時(shí)代。

timsTOF Pro創(chuàng)新性地使用了雙TIMS分離/富集裝置，離子在第一個(gè)TIMS部分中進(jìn)行累積，在第二個(gè)TIMS中根據(jù)淌度進(jìn)行分離，經(jīng)過分離后的離子繼續(xù)用于MS/MS碎裂。往復(fù)進(jìn)行此過程，當(dāng)?shù)诙€(gè)TIMS進(jìn)行分離時(shí)，第一個(gè)TIMS也同時(shí)在平行地累積離子，這樣可以實(shí)現(xiàn)近乎100％的離子利用率。

產(chǎn)品介紹

4D Super Blood dDIA

實(shí)驗(yàn)流程

內(nèi)測(cè)結(jié)果

4D Super Blood dDIA

技術(shù)特點(diǎn)

功能性生物磁珠對(duì)生物樣本中低豐度蛋白進(jìn)行富集，突破物種和蛋白種類的限制；

增加了第四個(gè)維度--離子淌度，引入TIMS/PASEF分離技術(shù)，大幅度地提高了掃描速度和檢測(cè)靈敏度，大幅提升蛋白鑒定的數(shù)量和覆蓋率；

樣本起始量要求低、數(shù)據(jù)可靠性高；

采用DIA數(shù)據(jù)采集模式；

機(jī)器學(xué)習(xí)算法助力生物標(biāo)志物研究

生物信息分析

多組學(xué)聯(lián)合分析，系統(tǒng)生物學(xué)涵蓋包括基因組、轉(zhuǎn)錄組、蛋白組、代謝組等多個(gè)層面，多個(gè)組學(xué)數(shù)據(jù)聯(lián)合分析有助于更加深入理解生物過程和分子機(jī)制。

大隊(duì)列分析，Machine learning算法評(píng)估隊(duì)列規(guī)模，集成Machine learning算法對(duì)單組學(xué)及多組學(xué)進(jìn)行訓(xùn)練和建模，并評(píng)估性能，以此來篩選診斷或預(yù)后的Biomarker。

算法性能評(píng)估

研究思路

應(yīng)用案例

發(fā)表雜志：Nature medicine

影響因子：87.241

發(fā)表時(shí)間：2022.4

該研究通過DIA-MS蛋白組學(xué)技術(shù)，對(duì)配對(duì)的肝臟-血漿進(jìn)行蛋白質(zhì)組分析以推斷分子病理特征。結(jié)果顯示，在血漿和肝活檢組織中，代謝功能被下調(diào)，而與纖維化相關(guān)的信號(hào)傳導(dǎo)和免疫反應(yīng)被上調(diào)。通過機(jī)器學(xué)習(xí)建模篩選到的蛋白標(biāo)志物panel比現(xiàn)有的臨床方法能更準(zhǔn)確地檢測(cè)到顯著纖維化和輕度炎癥。這些生物標(biāo)志物panel可準(zhǔn)確預(yù)測(cè)未來肝臟相關(guān)事件和全因死亡率。此外，研究者利用一個(gè)獨(dú)立的驗(yàn)證隊(duì)列驗(yàn)證了診斷模型的性能，為基于質(zhì)譜的常規(guī)肝臟疾病檢測(cè)奠定了基礎(chǔ)。

發(fā)表雜志：Talanta

影響因子：6.556

發(fā)表時(shí)間：2022.2

本研究通過LC-MS/MS，對(duì)胰腺癌血清樣本進(jìn)行分析，以發(fā)現(xiàn)胰腺癌候選生物標(biāo)志物。結(jié)果共檢測(cè)到576個(gè)血清蛋白，其中41個(gè)蛋白發(fā)生了顯著變化，可作為胰腺癌的潛在生物標(biāo)志物。

審核編輯 ：李倩