蛋白质组学是对生物系统中的蛋白质进行系统性、大规模研究的学科。其研究对象是蛋白质组,即在特定条件下,生物体、组织、细胞、亚细胞区室或样本中存在的全部蛋白质。与基因组序列不同,蛋白质组会随发育、环境、生理状态及疾病而发生显著变化。因此,蛋白质组学不仅研究存在哪些蛋白质,还研究它们的含量、分子修饰、定位、相互作用,以及生成和清除的速率。
蛋白质承担着生命活动中大量的分子层面工作,发挥酶、受体、转运体、结构组分和调节因子等作用。仅凭脱氧核糖核酸或 RNA 的测量结果,无法完全推知蛋白质的性质。蛋白质组学将遗传信息与细胞机制及可观测的生物学状态联系起来,与基因组学、转录组学及其他大规模研究方法互为补充。其主要技术包括质谱法、分离方法、基于亲和作用的检测方法以及计算分析。
作为动态生物系统的蛋白质组
蛋白质组的定义取决于其生物学范围和采样条件。培养的细菌群体的蛋白质组,与人血浆、分离出的细胞器或发育中组织的蛋白质组,在概念上有所不同。即使遗传背景相近的细胞,也可能因所处的发育状态不同,或对周围环境的反应不同,而含有不同的蛋白质集合。研究报告中的蛋白质组也是实验观测的结果:它涵盖的是某种方法能够检测到的蛋白质,而不一定是样本中实际存在的全部蛋白质。
基因组与蛋白质组之间并非一一对应。人类细胞约有20,000个蛋白质编码基因,但单个基因可以通过可变剪接产生多种RNA转录本,而这些转录本可能产生不同的蛋白质序列。序列变异、不同的翻译起始位点、切割和化学修饰,又进一步增加了产物的多样性。蛋白质形态是指由特定序列及修饰组合形成的某一种蛋白质分子形式。仅仅鉴定出某个基因的产物,并不能确定存在哪些蛋白质形态,也不能确定它们发挥什么功能。
蛋白质丰度取决于合成、转运、细胞分裂造成的稀释以及降解。信使RNA的丰度影响蛋白质合成,却不能唯一决定蛋白质浓度,因为翻译效率和蛋白质寿命存在很大差异。在一个简单模型中,蛋白质丰度 按下式变化:
在稳态下,可得 。这个模型说明了为何转录本水平相同,蛋白质丰度却可能不同;不过,要描述真实细胞,往往还需要加入反映细胞区室间转运、生长和受调控降解的项。在应激或分化过程中进行的测量,也可能反映出远离稳态的系统状态。
蛋白质组学区分蛋白质的丰度与活性。一种参与信号传导的酶可能通过蛋白质磷酸化而被激活,其总量却没有明显变化。受体可能从细胞内部区室转移到细胞膜,在总体丰度不变的情况下改变细胞的响应能力。一种酶可能含量丰富,却因缺少必需的辅因子而没有活性。因此,表达蛋白质组学、修饰分析、定位研究和活性测量所回答的问题彼此相关,却各有不同。要完整阐明蛋白质的功能,往往需要结合其中多种研究方法,并配合对代谢物和生理行为的测量。
历史发展与大规模分析的兴起
蛋白质组学源于蛋白质化学、生化分离技术和分析仪器的发展,而非某一项单独的发明。早期的蛋白质研究通常先分离出一种或一小组蛋白质,再测定其组成、催化活性或结构。这类研究奠定了理解蛋白质功能的化学基础,却难以系统地推广至数以千计的基因产物。色谱法和凝胶电泳的进步,逐渐使复杂混合物的比较分析成为可能。
高分辨率双向凝胶电泳的出现是一项重要进展。1975 年,帕特里克·奥法雷尔和约阿希姆·克洛泽各自独立发表了影响深远的方法,将蛋白质分两步分离:先按等电点分离,再主要按分子大小分离。一块凝胶便可分辨出数百乃至数千个斑点,从而实现不同生物样本之间的比较。不过,一个斑点未必只包含一种分子,检测到斑点也不意味着能够直接确定其序列。此外,疏水性很强、丰度很低,或分子特别大或特别小的蛋白质,也难以得到全面呈现。
软电离方法的引入变革了蛋白质的质谱分析。约翰·芬恩及其同事等人的工作推动了电喷雾电离在生物分子分析中的应用;这种方法可将溶液中的分子转化为气相离子,所形成的离子往往带有多个电荷。20 世纪 80 年代发展起来的基质辅助激光解吸电离,则利用吸光基质促进离子的形成。这些方法显著降低了大型生物分子和复杂肽混合物的分析难度。芬恩和田中耕一因用于生物大分子分析的软解吸电离方法,共同获得了 2002 年诺贝尔化学奖的部分奖项。
“蛋白质组”一词通常被认为由马克·威尔金斯于 1994 年提出,表达了以类似于基因组研究的规模来研究蛋白质的愿景。不断扩充的序列数据库发挥了关键作用:研究人员越来越多地通过与预测序列比对来解读肽的质量和碎裂模式,而不必进行费时费力的人工测序。20 世纪 90 年代末至 21 世纪初,液相色谱与串联质谱联用,使肽混合物分析成为大规模鉴定蛋白质的主要途径。
此后的进展既涉及仪器,也涉及实验设计。稳定同位素标记、等重化学标签、分辨率更高的分析器、更快的碎裂循环,以及改进的统计方法,使可重复的定量比较成为可能。包括 2001 年成立的人类蛋白质组组织在内的国际合作倡议,推动了协同研究和报告规范的建立。2010 年启动的人类蛋白质组计划进一步拓展了这些工作,致力于记录人类蛋白质的存在及其生物学作用,同时区分有力的实验证据与尚不确定的鉴定结果。
样品制备与分子分离
蛋白质组测量首先需要确定采集什么材料,以及样品能够回答什么生物学问题。组织组成、采集时间、保存方式、提取所用的化学条件以及处理延迟,都可能改变最终得到的蛋白质谱。例如,肿瘤活检样品不仅含有恶性细胞,还包含免疫细胞、血管、结缔组织及其他成分。因此,两个整体样品之间的差异,可能反映的是细胞比例的变化,而非某一种细胞内部调控的改变。
提取过程必须在释放蛋白质的同时,尽量减少不希望发生的化学变化和酶促变化。去污剂和离液试剂可破坏膜和蛋白质结构;抑制剂则可减少处理过程中的蛋白质水解或磷酸化丢失。通常先对蛋白质进行还原处理,以断开二硫键,再进行烷基化处理,抑制二硫键重新形成。这些步骤有助于使蛋白质更易于后续处理,并提高分析的一致性,但制备过程本身也可能引入人为效应,包括氧化或长时间接触特定试剂所引起的修饰。膜蛋白和不溶性结构蛋白的提取尤其需要谨慎,因为适用于可溶性蛋白质的条件可能无法有效回收这些蛋白质。
在自下而上蛋白质组学中,蛋白质在测量前会被酶解为肽段。胰蛋白酶应用广泛,因为除某些特定序列环境外,它通常在赖氨酸或精氨酸之后切割,产生适合多种质谱分析流程的肽段。其他蛋白酶可以提供互补的序列覆盖。从某种意义上说,酶解降低了分子的复杂性,使大分子蛋白质转变为便于分析的肽段,但同时也增加了不同待测物的数量。切割不完全、回收率不一致以及肽段不稳定,都可能引入与原始生物学丰度无关的差异。
分离可以减少同时进入仪器的分子种类。反相液相色谱主要利用肽段与固定相之间的疏水相互作用进行分离,在高灵敏度分析中通常采用低流速运行。进一步按电荷、大小进行分级,或采用高 pH 反相色谱分级,可以提高覆盖度,但也会增加仪器使用时间及样品损失的机会。双向凝胶电泳仍可用于直观呈现某些蛋白质分布模式,以及表观大小或电荷的变化,但已不再主导大规模发现型分析流程。
对于低丰度蛋白质或修饰,往往需要采用专门的富集方法。磷酸化肽段可通过固定化金属亲和材料或金属氧化物富集;糖肽则需要其他化学方法或亲和策略。去除血浆中的高丰度蛋白质,有助于检测丰度较低的组分,但也可能同时去除与这些高丰度载体结合的蛋白质。因此,样品制备决定了蛋白质组中哪些部分更容易被检测到。回收率对照、参考材料、随机化的处理顺序以及反复检测的质量控制样品,有助于区分生物学变异与测量前引入的技术效应。
质谱鉴定与采集策略
质谱法根据质荷比测量气相离子,质荷比通常记为 。在典型的自下而上实验中,色谱将肽段输送至离子源,首先采集的质谱记录肽离子信号,随后选定的离子发生碎裂。串联质谱法测量所产生的碎片,其质量差可提供肽段序列信息。要实现准确鉴定,需要综合解读前体离子质量、碎片模式、电荷态和化学修饰。
许多仪器将功能不同的部件组合在一起。四极杆可以分离出指定 范围内的离子;飞行时间质量分析器根据离子的飞行行为推算质荷比;Orbitrap 质量分析器则测量与被俘获离子运动相关的频率。仪器的分辨率、质量准确度、灵敏度和采集速度,会影响哪些肽段能够被区分,以及在一个色谱峰的持续时间内能够分析多少肽段。仪器性能的提高并不能消除信号重叠问题,在含有大量组分且各组分浓度相差悬殊的样品中尤其如此。
在数据依赖采集中,仪器反复扫描混合物,并选择特定前体离子进行碎裂,通常优先选择信号强度最高的离子。这种方式可提供易于解析的谱图,并具有较强的鉴定能力,但可能遗漏低丰度肽段,也可能在重复分析中选中不同的前体离子。相比之下,数据非依赖采集按照预先设定或自适应调整的质量窗口,系统地对离子进行碎裂。由于每张碎片谱图可能包含多个前体离子产生的信号,因此必须借助计算方法,结合色谱行为以及预测或实验测得的碎片模式,分离相互重叠的信号。
靶向蛋白质组学将测量重点集中于预先确定的肽段。选择反应监测通常使用三重四极杆仪器,监测指定的前体离子到碎片离子的跃迁。平行反应监测则使用高分辨率质量分析器,记录选定前体离子产生的多个碎片。这些方法有助于在大量样品中对一组有限的目标进行一致的测量,但检测的特异性仍取决于肽段选择、干扰评估以及适当的标准品。适合用于鉴定的肽段,并不一定适合在复杂、难分析的生物基质中进行稳健定量。
自下而上分析通常通过肽段间接鉴定蛋白质。自上而下蛋白质组学则测量完整蛋白质及其碎片,保留序列变异与修饰之间的关联,而酶解可能使这些关联难以辨明。这种方法对于区分蛋白质型尤其有价值,但随着分子大小和混合物复杂程度的增加,完整蛋白质的分离、碎裂及谱图解析也会变得更加困难。中段分析方法所分析的片段大于常规自下而上工作流程中的片段。在这些方法之间进行选择,体现的是覆盖广度、分子细节、灵敏度和分析可行性之间的权衡,而非存在一种在所有情况下都更优的方法。
定量、实验设计与测量可信度
定量蛋白质组学用于估计样本间蛋白质或肽段丰度的差异,或以经校准的标准品为参照确定其含量。非标记定量流程通常对各次分析中色谱分离所得的肽段离子强度进行积分。这些测量受肽段回收率、电离效率、仪器响应和干扰等因素影响。因此,通常不能将不同肽段的强度直接进行比较,认为相同的信号就代表相同的物质的量。与直接比较不同肽段的信号相比,在控制良好的样本间比较同一肽段通常更为可靠。
稳定同位素方法可产生化学性质相近、但能通过质量加以区分的分析物。在细胞培养氨基酸稳定同位素标记法中,细胞将带标记的氨基酸掺入蛋白质,使不同标记的细胞群体能够在大部分分析处理步骤之前混合。化学标记则可在提取或酶解后进行。包括串联质量标签在内的等重标签,可使多个样本混合,并通过碎裂过程中产生的报告离子加以区分。然而,共分离的肽段可能干扰报告离子的测量,使测得的丰度比值趋近于一;缩小分离窗口、增加碎裂级数或采用计算方法,可以减少某些类型的干扰。
绝对定量需要在信号与含量之间建立明确的对应关系。含有稳定同位素的合成肽段可作为内标,用于比较内源性肽段与标记肽段的信号。标准品加入流程的时间点很重要:酶解后加入的肽段不能直接用于校正提取损失或酶解不完全造成的偏差。全长标记蛋白质标准品能够涵盖更多处理步骤的影响,但其制备和表征也更为困难。即使仪器输出的数值具有很高的精密度,校准、线性、定量限、基质效应以及测量不确定度仍然至关重要。
生物学重复与技术重复回答的是不同的问题。对同一份酶解产物重复进样,可表征分析重复性的某些方面;独立采集的生物样本则能揭示不同生物个体、培养物或组织之间的变异。随机化与均衡安排处理批次,有助于减少实验条件与分析批次之间的混杂。归一化可以校正样本上样量或响应的系统性差异,但当某种处理引起蛋白质组广泛重塑时,“大多数蛋白质保持不变”等假设可能不再成立。
缺失值是另一个核心问题。某个肽段可能在生物学上确实不存在,也可能低于检测限、在前体离子选择时未被选中,或在处理过程中丢失。将所有缺失测量值都替换为任意设定的低值,可能产生误导性的差异。统计模型必须考虑数据采集策略及合理的缺失机制。与仅凭任意设定的倍数变化阈值筛选出一份结果清单相比,同时报告效应量、不确定度、重复情况及多重检验方法,能使结果提供更充分的信息。
功能、空间与相互作用蛋白质组学
蛋白质丰度图谱描述了蛋白质的组成,但生物学功能还取决于化学状态、相互作用的分子伙伴以及所在位置。翻译后修饰包括磷酸化、乙酰化、甲基化、泛素化和糖基化。这些变化能够调节催化活性、稳定性、转运或分子识别。针对修饰的实验通常会在分析前富集经过修饰的肽段,否则其信号可能被未修饰分子的信号淹没。鉴定出经过修饰的肽段,与准确确定修饰发生在哪个残基上,也是不同的任务。
修饰丰度的变化需要谨慎解读。磷酸化肽段信号增强,可能是由于蛋白质总量增加,也可能是由于该位点发生磷酸化的分子比例升高,或两者兼有。位点占有率,即相关蛋白质分子中携带某种修饰的比例,并不等同于修饰肽段的信号强度。估算占有率可能需要测量修饰形式和未修饰形式的含量、蛋白质丰度,并结合额外的实验约束条件。多种修饰还可以组合出现,形成不同的调控状态,而常规的短肽段测量并不总能重建这些状态。
蛋白质相互作用的研究方法包括亲和纯化后进行质谱分析等。研究人员利用带标签的蛋白质或抗体分离分子复合体,再鉴定与之关联的蛋白质。这类实验需要设置适当的对照,因为高丰度蛋白质以及非特异性结合微珠或标签的蛋白质,都可能被误认为相互作用伙伴。此外,共纯化只能证明蛋白质在实验条件下存在关联,并不一定意味着所获得的蛋白质中任意两个之间都有直接的物理接触。
邻近标记回答的是一个相关但不同的问题。定位在某种蛋白质附近或某个区室内的酶,会对附近的分子进行化学标记,随后这些分子被富集并加以鉴定。这类方法可以捕捉短暂存在或局限于特定空间的分子邻域,但空间邻近并不等同于结合。交联质谱则提供另一类证据:化学交联剂将有限空间范围内的反应基团连接起来,通过鉴定相互交联的肽段,可以约束可能的分子排列方式。在结构研究中,这些约束信息可与冷冻电子显微术和X射线晶体学形成互补。
空间蛋白质组学将蛋白质定位到细胞器、亚细胞组分或组织区域。分级分离图谱可以区分与线粒体、内质网或其他区室相关的蛋白质,而成像和显微切割则能保留部分解剖学背景信息。基于活性的蛋白质谱分析利用反应性探针对特定酶家族中可接近的功能位点进行标记。热蛋白质组分析测量加热后蛋白质溶解度的变化,可以揭示与配体结合或分子相互作用改变相一致的反应。每种方法探测的功能特性各不相同;没有任何一种方法能够完整解释蛋白质的行为,也不能仅凭其结果就确立因果关系。
计算推断、数据库与可重复性
生物信息学将仪器信号与生物学解读联系起来。在常规的数据库检索流程中,软件根据参考蛋白质序列生成理论肽段,预测其可能的碎片质量,并与实测质谱图进行比对。检索参数规定了酶切规则、允许的修饰、前体离子和碎片离子的质量容差,以及其他假设。将检索范围扩展至大量变异或修饰,可以揭示更多生物学信息,但也会扩大候选解释的范围,使统计判别面临更高要求。
鉴定结果的置信度通常通过目标–诱饵策略评估。将质谱图同时与真实序列及旨在代表错误匹配的人工替代序列进行检索比对。观察到的诱饵匹配有助于估计已接受结果中的错误发现率。常用的阈值为 1%,但其含义取决于分析层级:谱图匹配、不同肽段、蛋白质组群和修饰位点均需分别考量。估计错误发现率为 1%,并不意味着每个被接受的鉴定结果都有 99% 的概率是正确的。
蛋白质推断之所以困难,是因为不同蛋白质可能含有相同的肽段。因此,除非检测到能够提供特异性信息的肽段,否则可能无法区分亲缘关系密切的基因产物和剪接异构体。软件可能报告一个蛋白质组群,而不是一条得到明确区分的序列。对于此前未被检测到的蛋白质、序列变异或非典型翻译产物,若要作出有力断言,就必须格外仔细地审查其特异性、其他可能解释以及质谱图质量。参考数据库的选择本身也是一项科学决策:数据库可能缺少样本特有的变异或微生物序列,而规模过大的数据库又可能引入更多歧义。
现代工作流程越来越多地使用机器学习来预测肽段碎裂、色谱保留和离子淌度,或改进匹配评分。这些预测可为数据非依赖采集分析提供支持,并减少对实验采集的谱图库的依赖。不过,仍须在模型实际应用的条件下评估其性能。主要以常见、未修饰的胰蛋白酶酶切肽段训练的模型,在处理非典型修饰、其他蛋白酶的酶切产物或不熟悉的仪器时,表现可能有所不同。在不同采集批次之间转移信号鉴定信息时,同样需要进行错误控制,而不能假定保留时间相近就足以证明身份相同。
可重复性有赖于能够获取原始数据、元数据、处理设置,以及代码或足够详细的软件配置。PRIDE 和 MassIVE 等公共存储库参与了 ProteomeXchange 框架,该框架便于蛋白质组学数据集的提交与查找。领域内的报告规范将原始观测结果、经过处理的丰度表和生物学解读区分开来。否则,批次效应、样本身份误认、污染物和不一致的注释,可能会一直混入看似完善的结果中。通路富集和网络分析有助于梳理研究发现,但它们依赖数据库的覆盖范围,不能独立确立机制或因果关系。
生物学应用、临床转化与新兴研究尺度
蛋白质组学广泛用于研究细胞应答、发育过程中的转变、宿主与病原体的相互作用以及疾病机制。在癌症研究中,将蛋白质测量结果与基因组和 RNA 数据相结合,可以揭示遗传改变是否伴随蛋白质丰度、信号传导或分子复合物的变化。这类蛋白质基因组学分析具有重要价值,因为序列变化并不会在各个分子层面上产生一致的影响。这种分析还可以揭示,不同的遗传改变可能汇聚于相似的蛋白质层面过程。
临床应用涵盖已确立的蛋白质分析物测量、候选生物标志物发现,以及疾病相关分子模式的表征。通过蛋白质谱型对微生物分离株进行质谱鉴定,是基质辅助激光解吸/电离技术的一项成熟诊断应用。在专门的诊断流程中,质谱还可辅助对淀粉样蛋白沉积物进行分型。这些应用应与探索性研究区分开来:后者中的蛋白质特征虽然能够区分规模较小的研究组别,却尚未证明具有可推广的临床性能。
基于血液样本的发现性研究面临特殊挑战。少数高丰度蛋白质占据了血浆蛋白质总质量的大部分,而许多组织来源的蛋白质浓度则低得多。年龄、用药、肾功能、炎症、采样操作及储存条件都可能影响测得的蛋白质谱型。使用抗体或适配体的亲和检测平台能够以相对较高的通量测量大量蛋白质,但其信号依赖于试剂的结合,并可能受到交叉反应或结合位点序列变异的影响。因此,与质谱或其他独立方法的结果相一致,是分析结果获得佐证的重要方式。临床转化还要求明确预期用途、开展独立验证,并提供与所声称的诊断用途相匹配的证据。
环境和微生物群落研究利用宏蛋白质组学鉴定混合群体所表达的蛋白质。将其与宏基因组学结合,可以把群落组成与营养物质获取或碳转化等功能联系起来。相关生物之间共有的肽序列以及参考数据库的不完整性,使结果解读更加复杂。在农业和工业生物技术领域,蛋白质组学有助于研究作物的胁迫响应、微生物生产体系,以及参与代谢的酶所发生的变化。在药物研究中,化学蛋白质组学能够鉴定候选结合伙伴、非预期靶点及下游响应,而不必预先假定预期靶点能够解释所有观察到的效应。
单细胞蛋白质组学和低起始量组织分析方法,将研究拓展到被群体平均结果掩盖的生物学差异。微型化样品制备、低流速分离、离子操控及多重分析技术的进步,使测量单个细胞中的多种蛋白质成为可能,但覆盖范围在很大程度上取决于细胞大小、所用仪器和分析流程。蛋白质测量无法利用类似聚合酶链式反应的通用扩增过程,因此样品损失和检测灵敏度尤为关键。空间分辨取样进一步将蛋白质组成与组织结构联系起来。分析由此产生的数据集时,需要仔细区分真正的细胞异质性与回收率差异、测量缺失及分析灵敏度差异所造成的影响。