蛋白质编码器

引言准确预测蛋白质-配体(在本文的语境中，配体意指小分子有机化合物)的结合构象是计算生物学中的一项重要任务。一方面，它有助于人们理解蛋白质与内源小分子或药物分子的互作机制。另一方面，在药物设计或药物筛选(无论是单个蛋白-多个配体的正向筛选，还是单个配体-多个蛋白的逆向筛选)的过程中，也离不开对复合物构象的准确预测：这是准确计算蛋白质-配体结合稳定性(亲和力)的必要条件。对于给定蛋白和给定配体分子，依据是否已知结合口袋(也称配体结合位点)可以将复合物构象预测任务分为两类：口袋未知的盲对接(blind docking)任务和口袋已知的局部对接(local docking)任务。其中，盲对接任务是更普遍的、更富有挑战性的任务。在传统的对接流程中，这一任务又被划分为几个子任务：先借助口袋搜索算法确定可能的结合位点(即，转化为局部对接任务) 再利用构象生成(采样)方法生成大量可能的复合物构象，并依据打分函数评价各个构象(即，进一步确定配体的位置、朝向，以及各个键对应的扭转角) 挑选出打分值最优者作为最终结果。但是，对接过程面临着打分函数不够准确、构象搜索空间巨大导致计算耗时过长等挑战。比如，对于后者，文献[1]计算结果表明：对于单个配体复合物的盲对接任务而言，借助GNINA和Glide这两款传统的对接软件，生成百万量级的复合物构象并从中挑选最优者，平均耗时分别约为150 s和1500 s。在巨型分子库的(如ZINC 15数据库，含有约数十亿个化合物分子[2])虚拟筛选过程中，使用传统方法逐一对接每个分子在计算速度上是不可接受的。而数据驱动的机器学习方法为优化各个子任务的准确性和计算效率带来希望。此外，同样基于机器学习方法，部分研究者发展出“端到端”的、更为直接的对接流程：训练一个拟合自由能面(free energy landscape)的模型，无需将原有的对接任务划分为多个子任务，以蛋白质与配体的三维结构为输入，输出即为可能的复合物构象。参照Anfinsen提出的蛋白质折叠热力学假说，可以设想：如果存在一个能量函数，能够将复合物在三维空间下的所有状态映射到它对应的自由能，那么可以将复合物构象预测问题转化为该能量函数的最优化问题[3]。这是机器学习拟合自由能面的出发点。与传统的对接方法相比，这样的方法也同样可能在准确性和计算效率等指标上得到提升。本文将针对口袋搜索、构象生成、打分函数、自由能面建模这四个方向：整理相应的评价体系，包括常用的评价指标或测试集 挑选并简要介绍部分具有代表性的机器学习模型 结合模型评估实验讨论当前模型或评价体系存在的不足以及未来可能的发展方向。1.机器学习口袋搜索 1.1 评价体系目前存在两种描述蛋白质-配体结合口袋的方式。其中一种方法借助蛋白质表面的点云(surface points)来描述。这种方法被称作以配体为中心(ligand-centric)的方法。另一种方法则借助蛋白质上的原子来描述，那些蛋白质上的、与配体重原子距离小于一定阈值的重原子被定义为配体结合原子。这种方法被称作以蛋白质为中心(protein-centric)的方法。这两种描述方法相应地衍生出两类评价指标。对于前者，通常以配体原子中心距(预测的口袋中心与配体任意原子的距离，distance between the center of the predicted site to any atom of the ligand，DCA)、配体中心距(预测的口袋中心与配体中心的距离，distance between the center of the predicted site to the center of the ligand，DCC)、体素交并比(预测的口袋体积与配体所占据的空间体积的交并比，discretized volume overlap，DVO)等指标来衡量[4][5]。直观上，在这三个指标中：DCA最为宽松(只需大致判断配体位置)，DCC更为严格(额外考察了配体大小)，DVO最为严格(额外考察了配体构象)。但在多数文献中，常使用DCA和DCC这两个指标，并以4 Å作为预测成功与否的阈值[4]。对于后者，Yan等人以原子水平的交并比(Intersection over Union)来衡量[6]。具体地，计算预测的配体结合原子与标注的配体结合原子的交集与并集的比值。这也是机器学习目标检测任务中的常用指标。1.2 模型方法目前发展的大多数口袋搜索算法，都是以搜索蛋白质表面点云为目标。例如Krivák等人于2015年提出的P2Rank[7]：刻画蛋白质Connolly点云中各个点的物化特征，并使用随机森林模型对每个点进行可靶性预测，最后对点聚类得到口袋预测结果。以DCA为评价标准，P2Rank在多个数据集上表现优于传统方法Fpocket。Krivák等人后续还提供了P2Rank的网络服务[8]，并对多种方法口袋搜索方法进行了更加全面的总结和比较，其中包括Jiménez等人于2017年开发的、使用3D网格(体素)刻画结合位点的DeepSite[9]。值得一提的是，在Krivák等人的结果中(测试数据集为COACH420、HOLO4K，评价指标DCC)，DeepSite表现不及Fpocket 而在Jiménez等人的结果中(测试数据集CHEN251，评价指标DCC、DVO)，DeepSite表现显著优于Fpocket。最近，Yan等人另辟蹊径，以鉴定蛋白质上的配体结合原子为目标，发表了PointSite方法[6]，并声称其在多个数据集上(包括COACH420、HOLO4K、CHEN251等等，以原子水平的交并比为评价指标)取得了SOTA。Yan等人将口袋搜索问题转化为计算机视觉领域的点云分割问题 此处的点以蛋白质上的原子表示，以充分挖掘原子之间的键连特征。此外，作者还指出：将PointSite方法引入到其它口袋搜索方法如FPocket、P2Rank中(具体而言，使用点云分割的结果对后者的预测结果进行过滤)，可以进一步提升配体结合位点的鉴定效果。1.3 讨论从以上几种方法的评估实验中可看出，模型在不同测试数据集上的相对表现可能存在差异，因此需要建立一套统一的、合适的数据集进行测试。另外，在训练数据集的准备过程中，将未鉴定到配体结合的位点直接划分为负样本也值得考量。2.2在具体使用建议上，最近有研究将口袋搜索方法引入到完整的对接流程中[10][11]，相较于FPocket、P2Rank等方法，PointSite表现最优。　　2. 机器学习构象生成 2.1 评价指标对于构象生成模型而言，需要考察所生成构象的多样性和准确性，由此分别衍生出两类指标：覆盖率(COV，coverage)和匹配程度(MAT，matching metrics)。针对测试集中的每一个构象：查看是否能够在生成的构象集合里找到RMSD值小于给定阈值的构象(如果能，则表示该模型能够覆盖当前测试构象)，可以计算得到覆盖率 计算生成的构象集合与当前测试构象的最小RMSD值，取平均可以得到匹配程度的值。以上是从测试集的角度衡量模型表现(召回率) 相应地，将测试集构象与生成集构象在计算中对调，则可判断模型的准确率。目前常见的测试数据集包括GEOM-QM9和GEOM-Drugs[12]。2.2 模型方法构象生成模型沿着两个思路发展：直接生成各个原子的3D坐标 先生成原子对距离、二面角等中间参数，再将分子3D坐标还原。对于前者，技术难点在于保证模型对于输入分子的旋转-平移不变性(整体改变分子坐标，得到的构象是相同的，也即对齐过程)。对于后者，则可能生成不合法的中间参数(比如违反三角几何关系)，或者中间参数的误差在训练过程中不断累积，影响分子3D坐标重构，需要进行后续的力场优化 但这是目前大多数方法所选取的道路。此处简要介绍最近发展的GeoDiff模型[13]和DMCG模型(Direct Molecular Conformation Generation)[14]。Xu等人于2022年提出GeoDiff，使用扩散模型直接生成原子坐标。GeoDiff在GEOM-Drugs数据集上测试集覆盖率可达约89%、匹配程度约0.86 Å，并且经过力场优化之后可以进一步提升模型表现。作者指出：在逆向扩散过程中(生成过程)，如果某一时刻T的密度函数具有旋转-平移不变性，且逆向生成的条件概率函数具有旋转-平移不变性，则T时刻以前任意时刻的密度函数也具有旋转-平移不变性。同年， Zhu等人提出基于变分自编码器的DMCG模型，在GEOM-QM9和GEOM-Drugs数据集上均取得最优(对于后者，覆盖率约96%，匹配程度约0.70 Å)。作者指出：模型除了满足旋转-平移不变性外，对于对称结构还应当满足置换不变性(交换对称原子的坐标，得到的构象是相同的)。为此，计算任意旋转-平移操作以及对称原子置换操作下的两个结构的距离最小值，并将其引入损失函数中，以满足以上两种不变性。消融实验表明，如果不考虑这一项损失，则覆盖率将下降约20个百分点，匹配程度将提高约0.3 Å。2.3 讨论今年3月，Zhou等人[15]基于RDKit设计了一种简单的生成算法：使用RDKit分别采样二面角、采样几何片段、采样能量并生成相应的构象，随后按照能量大小进行聚类。在GEOM-QM9和GEOM-Drugs两个数据集上，与GeoDiff、DMCG等深度学习方法相比，该算法几乎在所有指标上取得SOTA。作者认为，目前的测试基准不足以覆盖实际应用中(如分子对接中)涉及的构象生成任务。　　事实上，生成足够的分子构象不会降低测试构象集上的匹配程度和覆盖率(召回率)，但可能降低生成构象集的相应指标(查准率)。而Zhou等人(包括Zhu等人的DMCG)并未在文中给出关于后者的模型评价，因此模型的实用性仍有待考察。另外，目前的构象生成方法均以单个配体的势能极小值作为优化目标，针对(已知口袋的)复合物中配体的构象生成模型仍有待开发。最后，GeoDiff模型与DMCG模型的发展也启示我们挖掘任务目标中蕴含的性质(对称性、不变性)，在模型训练中引入合适的归纳偏置。　　3. 机器学习打分函数3.1 评价指标Su等人[16]于2019年建立了一套打分函数的基准测试数据集CASF-2016。CASF-2016及其前身CASF-2013已被广泛用于评估打分函数的表现。同时，Su等人设计了四类指标分别考察打分函数的打分能力、排名能力、对接能力和筛选能力。打分能力通常以Pearson相关系数来衡量：考察天然蛋白复合物的计算打分值与实验结合常数的对数之间的线性相关性。排名能力通常以Spearman等级相关系数或Kendall等级相关系数来衡量：对于同一蛋白、不同配体的多个天然蛋白复合物结构，考察计算打分值给出的排名与实验结合常数给出的排名之间的匹配程度。对接能力以对接成功率衡量：对于单个复合物，在天然配体结合构象和一系列计算生成的诱饵分子构象(decoy)中，若计算打分最高者与真实结合构象的RMSD小于2 Å，则认为对接成功 对于多个复合物，进一步计算对接成功率。筛选能力以筛选成功率衡量：在天然配体和一系列其它配体分子中，计算打分前1%(5%、10%)结果里包含天然配体的比例。由此可见，打分能力直接以实验数据作为参考，是评估打分函数是否可靠的基本测试。排名能力是对打分能力的补充。打分能力越好，排名能力通常也越好 反之则未必成立(存在对实验结合常数进行非线性拟合的打分函数)。对接能力测试将计算生成的构象引入测试集中，因此更贴近实际对接操作、对于打分函数的选择更具参考意义。需要指出的是，对接能力测试给出的结果通常只能代表该打分函数的对接能力上限，在CASF-2016的测试中可能呈现分数虚高的情形(在测试中能够以90%的成功率在top-1中挑选出天然配体构象，但在实际应用中却不能达到这一表现)。这主要归结于实际应用中计算生成的构象不够充分。筛选能力涉及多种配体的对接，因此可视为对排名能力和对接能力的综合考察。3.2 模型方法针对打分函数的机器学习方法，前人已给出详尽的综述[17][18][19]。本文将展开介绍经典的ΔVinaRF20打分函数[20]，以及最近发展的DeepDock[21]和RTMScore[22]。ΔVinaRF20由Wang等人于2016年提出，在CASF-2013、CASF-2016测试集上的各指标中均排名靠前[16][20]。具体地，在CASF-2016测试集上，ΔVinaRF20在打分能力和排名能力两个指标上分别以0.82和0.75取得最优，在对接能力上以89.1%(top1)仅次于Autodock Vina(90.2%)，在正向筛选能力以42.1%(top1)取得最优、逆向筛选能力以15.1%(top1)位居第五(次于最优方法ChemPLP@GOLD约2.4%)。Wang等人指出：机器学习打分函数与经典的打分函数在这些指标中各有所长，前者长于打分，后者长于对接和筛选。因此作者拟结合二者优点：一方面对训练集进行数据增强，将计算生成的诱饵结构引入训练集中(同时计算估计亲和力作为标签)，以提高机器学习打分函数的对接和筛选能力 另一方面使用随机森林方法对AutoDock Vina中的打分函数进行参数化修正(使用Δ-machine learning方法，类似残差拟合)。Méndez-Lucio等人于2021年提出的DeepDock方法在CASF-2016的正向筛选和逆向筛选能力评估中分别以43.9%和23.9%取得SOTA，但DeepDock给出的打分值与实验结合常数的对数之间不存在相关性(在训练过程中未引入实验结合常数的相关信息)。DeepDock方法使用二维分子图刻画配体、多面体网格点刻画蛋白质口袋(参考了MaSIF的编码框架[23])，分别学习蛋白质口袋与配体原子的节点表示 随后两两组合配体和靶蛋白的节点形成节点对，使用混合密度函数拟合节点对的距离分布(概率密度函数)。作者指出：相较于通过最小化距离误差来学习节点对距离的平均值，混合密度函数能够学习训练集中节点对多个可能的距离，从而更好地刻画构象预测任务中的多值特性。在DeepDock的基础上，Shen等人从两方面进行改进得到RTMScore：一方面，使用无向图编码蛋白质口袋残基，在编码过程中满足对于输入复合物坐标的旋转不变性 另一方面使用Graph Transformer模型以学习更深层次的特征。作者声称RTMScore在CASF-2016测试集上的对接能力和筛选能力达到SOTA，相较DeepDock得到大幅提升：对接成功率达到98.6%，正向筛选成功率达73.7%，逆向筛选成功率达38.9%。3.3 讨论DeepDock等方法的发展展现了图模型在捕获蛋白质-配体互作的潜力，以及直接拟合蛋白残基-配体原子距离似然函数的有效性。事实上，距离似然函数不仅能作为打分函数评估当前构象，还能够作为某种“势能面曲线”指导构象优化。此外，这些新近提出的DeepDock等方法有待更广泛的测试验证。在其它论文的评估实验中[24]，RTMScore在对接能力中依旧表现最优。但考虑到缺少打分能力、排名能力等测试数据，后续仍需要更多的测试评估(尤其是将打分函数整合到完整的对接流程中)以验证这些方法的可靠性。　　4. 机器学习自由能面4.1 评价体系拟合自由能面的模型直接处理盲对接任务，生成复合物构象。其中存在两类评价指标。一类指标评估计算准确性。通常以预测复合物(如果模型给出多个可能的构象，则选取打分值top-1者)中配体重原子RMSD小于2 Å所占的比例来衡量模型对接能力。一般以2 Å作为对接成功与否的判断阈值[10]。还有通过配体质心距离小于2 Å(或5 Å)所占的比例来考察模型是否能够找到正确的结合口袋。此外，为判断生成的配体构象在化学上是否合理，Corso等人额外考察了配体构象中存在位阻冲突(steric clash，配体内部重原子之间的距离是否小于0.4 Å)的比例。另一类指标评估计算效率 这在大型分子数据库的虚拟筛选过程中同样不可忽视。以对接一个分子所需的平均CPU(如果可能，使用并行加速)或GPU时间来衡量。4.2 模型方法拟合蛋白质-配体自由能面的机器学习方法最近得到逐步发展，代表性的方法包括EquiBind[1]、TANKBind[25]、DiffDock[10]。Stärk等人于2022年提出基于图几何深度学习的EquiBind方法，在机器学习方法直接预测蛋白质-配体结合构象这一问题中做出开创性贡献。该方法以随机的配体分子构象(比如使用RDKit生成的构象)作为输入，无需经过大规模的构象采样即可在约0.1 s的时间内给出复合物结构。由此给出的结构在寻找结合口袋的能力上与传统方法(如QuickVina-W)相当(配体质心距小于2 Å的比例均约40%)，但在配体结合构象的预测上却表现不佳(配体RMSD小于2 Å的比例约6%，不及QuickVina、GLIDE等方法所达到的约20%)。虽然可以在该结构的基础上结合传统方法进一步微调配体位置和构象，但将增加预测所需的时间成本至数十秒或数百秒。同年，Lu等人提出TANKBind。相较于EquiBind，在保留推理速度(约0.5秒)的同时，TANKBind在配体构象预测上取得和传统方法相当的结果(配体RMSD小于2 Å的比例约19%)，口袋预测能力则获得较大提升(配体质心距小于2 Å的比例约56%)。不同于EquiBind对整个蛋白质进行编码的方法，TANKBind采用P2Rank寻找口袋位置，随后针对该位置的蛋白质区块(由半径20 Å内的残基构成)，拟合蛋白质残基与配体原子的距离。此外，受AlphaFold2的启发，TANKBind将三角几何约束引入残基与配体原子的距离建模中。消融实验表明，三角几何约束可以显著提升模型表现：配体RMSD小于2 Å的比例提升约15%，配体质心距小于2 Å的比例提升约12%。同年十月， Corso、Stärk等人提出DiffDock模型。该模型在对接准确性上首次实现了对传统对接模型的大幅超越。在holo态的蛋白晶体对接结果中，配体重原子RMSD小于2 Å所占的比例可达到38.2%，约为传统方法的两倍。这一结果对应于40次采样，消耗计算时间约40秒。与DeepDock想法类似，DiffDock使用生成模型来学习构象的概率分布并建立了一套相应的“扩散”方法(构象采样方法)。4.3 讨论今年2月，Yu等人[11]重新设计实验，考察了DiffDock等机器学习模型在盲对接任务中的哪一阶段领先传统方法、领先到何种程度。作者将盲对接任务拆分为口袋搜索和局部对接两个子任务，设计了三组实验：完全使用DiffDock等模型完成盲对接 使用其它方法搜索口袋(如前文所述的PointSite、P2Rank)，使用Uni-dock[26](一种基于AutoDock Vina 1.2的GPU加速对接方法)局部对接 使用DiffDock搜索口袋，使用Uni-dock局部对接。结果表明：DiffDock方法在口袋搜索中效果更佳(相较于PointSite等方法而言，引入了配体分子的结构信息)，但与ground truth、即表中的GT pocket相比仍存在提升空间 口袋确定，传统对接手段得到的结果优于DiffDock等机器学习模型。作者进一步指出：给定口袋下预测蛋白质-配体构象的机器学习方法是后续发展的方向(正如机器学习构象生成中所讨论的) 对于端到端的模型比较实验中，需要更审慎地评估传统方法的表现。另外，随着蛋白质结构预测方法的发展，评估模型在apo态蛋白质上的对接表现是有必要的，也是更符合实际情形的。事实上，目前几种模型所使用的训练集均为holo态蛋白(缺乏足够数量的与holo态对应的apo态蛋白结构)。为泛化模型的对接能力至apo态蛋白结构，通常采取折中方案：假定apo态与holo态的主链变动不大，而在模型编码过程中只使用主链碳原子的信息。DiffDock论文中首次评估了各种方法在ESMFold给出的蛋白质结构上的对接能力。结果显示，各模型的对接表现均显著下降(对于DiffDock而言，配体重原子RMSD小于2 Å所占的比例从38.2%下降至20.3%)。机器学习方法建模对接过程中蛋白质的结构变化仍然道阻且长。将分子动力学模拟过程中产生的动态信息引入模型中也许是一种可能的突破方向[27]。最后，正如AlphaFold2可作为打分函数评估蛋白质结构是否合理[3]，DiffDock等拟合自由能面的模型，其在打分函数的各项评价指标中表现如何也值得进一步探究。　　参考文献　　[1] Equibind: Geometric deep learning for drug binding structure prediction　　[2] Artificial intelligence–enabled virtual screening of ultra-large chemical libraries with deep docking　　[3] State-of-the-Art Estimation of Protein Model Accuracy Using AlphaFold　　[4] A Critical Comparative Assessment of Predictions of Protein-Binding Sites for Biologically Relevant Organic Compounds　　[5] Improving detection of protein-ligand binding sites with 3D segmentation　　[6] PointSite: A Point Cloud Segmentation Tool for Identification of Protein Ligand Binding Atoms　　[7] P2RANK: Knowledge-Based Ligand Binding Site Prediction Using Aggregated Local Features　　[8] P2Rank: machine learning based tool for rapid and accurate prediction of ligand binding sites from protein structure　　[9] DeepSite: protein-binding site predictor using 3D-convolutional neural networks　　[10] DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking　　[11] Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?　　[12] GEOM, energy-annotated molecular conformations for property prediction and molecular generation　　[13] GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation　　[14] Direct Molecular Conformation Generation　　[15] Do Deep Learning Methods Really Perform Better in Molecular Conformation Generation?　　[16] Comparative Assessment of Scoring Functions: The CASF-2016 Update　　[17] Machine-learning methods for ligand-protein molecular docking　　[18] Protein–Ligand Docking in the Machine-Learning Era　　[19] From machine learning to deep learning: Advances in scoring functions for protein–ligand docking　　[20] Improving scoring-docking-screening powers of protein–ligand scoring functions using random forest　　[21] A geometric deep learning approach to predict binding conformations of bioactive molecules　　[22] Boosting Protein–Ligand Binding Pose Prediction and Virtual Screening Based on Residue–Atom Distance Likelihood Potential and Graph Transformer　　[23] Deciphering interaction fingerprints from protein molecular surfaces using geometric deep learning　　[24]: A fully differentiable ligand pose optimization framework guided by deep learning and a traditional scoring function　　[25] TANKBind: Trigonometry-Aware Neural NetworKs for Drug-Protein Binding Structure Prediction　　[26] Uni-Dock: GPU-Accelerated Docking Enables Ultralarge Virtual Screening　　[27] Pre-Training of Equivariant Graph Matching Networks with Conformation Flexibility for Drug Binding　　本文作者：ZF责任编辑：WFZ

1 人类蛋白质组草图公布 　　之前，尽管不少大型的蛋白质组数据集，已经收集约上万个蛋白数据，然而覆盖80%的人类蛋白质组的草图却并未绘制。此次的研究，则突破了这一局限。 　　该图谱由德国慕尼黑工业大学、约翰霍普金斯大学/印度生物信息研究所等机构的两个团队独立完成。其中，在印度生物信息研究所和美国约翰霍普金斯大学等机构绘制了17 924个基因编码的蛋白质草图，其总数约占人类基因总数的84% 而慕尼黑理工大学领衔的团队，则对19 629个基因编码的蛋白质绘制草图，其总数约占人类基因总数的92%。不过，印度和美国团队，与德国团队所采用的实验数据来源略有不同，印度和美国的研究者从30个人体组织的许多不同的样品及细胞系(包括7种胎儿组织和6种血细胞类型)中提取、纯化所有蛋白质，并用质谱技术揭示组成各蛋白片段的氨基酸序列，因而两种数据的分析方法相对统一 德国的团队所采用的数据从公共数据库收集获得，而后与实验室生成的数据合并完成分析。在德国的研究中，慕尼黑工业大学的Bernhard Kü ster等人建立了搜索性公共数据库ProteomicsDB，而公共数据库收集获得的质谱分析数据约占ProteomicsDB数据的60%，其他的数据来自于60个人类组织体液，13个体液，147个癌细胞系。 　　这些蛋白大多为健康人群中组织和器官中表达的蛋白，对于理解疾病状态下发生的变化，具有现实的意义，如德国团队完成的数据能用于识别数百个翻译的基因间非编码RNAs(lincRNAs)，比较分析通过蛋白质对癌症药物的敏感性，发现mRNA和组织中蛋白的定量关系等。同时，这两项研究也发现了许多新蛋白，而编码这些蛋白的基因之前被认为位于基因组的非编码区域，因而也丰富了对于遗传学研究的认识。 　　2 研究团队的基本背景 　　此次研究的美国和印度团队，由约翰霍普金斯大学的副教授Akhilesh Pandey领衔，而他也是印度生物信息学研究所首席科学顾问。此前，印度生物信息学研究所和约翰霍普金斯大学的生物信息学团队就有广泛的合作，例如两个机构的26名科学家经过18个月的努力，排列出了人类的X染色体顺序，并将其与黑猩猩、老鼠的基因组相比较，发现了新基因。 　　慕尼黑工业大学的化学和功能蛋白质组学分析者Bernhard Kü ster，其研究的主要领域是探索蛋白质的相互作用及其与活性药物成分的相互作用，分析癌症发生发展的分子机制，以及开发相应的临床治疗方法。作为研究者，Bernhard Kü ster也曾参与了蛋白质组技术平台上具有雄厚基础的Cellzome公司的发明(新的酶相互作用化合物的方法)。而Cellzome公司的药物研发平台，可对于特定蛋白相互作用的药物进行筛选，其具有高度的灵敏性，而葛兰素史克(GSK)公司也正在看中了这一点已将其并购。 　　3 中国人类蛋白质组计划(CNHPP) 　　在人类蛋白质组草图公布的同时，&ldquo 中国人类蛋白质组计划(CNHPP)&rdquo 已经由科技部正式批准启动实施。此前，中国科学家已倡导并领衔人类第一个器官(肝脏)国际蛋白质组计划(HLPP)。 　　在&ldquo 中国人类蛋白质组计划&rdquo 中，&ldquo 激光解析基体辅助离子源-蛋白测序仪器&rdquo 课题是重点研究方向之一，致力于蛋白质测序仪器和试剂国产化，从而加速蛋白质组学和生物质谱技术在临床领域的研究与应用。 　　4 蛋白质组测序技术的开发 　　蛋白质组是一个细胞、组织、有机体在一定时间内表达的所有蛋白质(总蛋白质)。对蛋白质组进行系统的、全面的研究，而快速、准确、低成本的蛋白质分离纯化技术(如双向电泳、计算机图像分析与大规模数据处理技术以及质谱技术等)的发展，则是系统、全面研究的基础。有了基因组计划和基因组测序技术的发展经验，人类在蛋白质组草图公布的前后，也就有了对低成本、高效率的蛋白质组测序技术的格外重视。例如，亚利桑纳州立大学的Stuart Lindsay团队正在致力于研究让单链肽段穿过纳米孔的技术，从而将纳米孔单分子DNA测序技术(第三代基因测序技术，采用纳米孔的单分子读取，与之前的测序技术测序时间长、价格比较昂贵、测序分子需要大量扩增、还需要进行荧光标记等相比，第三代测序技术读取数据更快，测序成本明显降低)的设计理念应用于蛋白质组的测序，开发蛋白质单分子测序技术。 　　5 蛋白质组学与个性化医疗 　　人类蛋白质组草图的成果表明，有数百种蛋白质是由此前认为不具备相关功能的DNA片段(脱氧核糖核酸)及&ldquo 假基因&rdquo 形成。这也说明了基因组和蛋白质组之间的巨大差别。例如，表观遗传研究的核心内容即是基因的拼接和翻译后修饰，而蛋白质随时间和空间的动态变化等，使得蛋白质组的研究远比基因组研究复杂。 　　尽管目前的个性化医疗以基因解析为特征，然而真正衔接基因型与疾病表型的还是蛋白质。随着蛋白质组测序技术的快速发展，也许蛋白质组学的研究会带动个性化医疗新的发展阶段。 　　本文作者：中国科学院上海生命科学信息中心 于建荣 江洪波。

2015年1月23日一期的Science公布了基于人类蛋白质图谱的大分析结果，包括与癌症相关的详细蛋白质图片，血液中蛋白质种类和数量，以及市场上被批准的所有药物所作用的目标蛋白质。 人类蛋白质图谱（The Human Protein Atlas）,是由Knut and Alice Wallenberg基金会于2014年11月支持的一个大型跨国研究项目。近期他们又开放了一个以人器官组织为基础的蛋白质图谱数据库。基于1300万个注释的图像，整个数据库涵盖了人体中的所有主要组织和器官的蛋白质分布，也标注了仅表达在特定组织，如脑，心脏或肝脏的蛋白。作为一个开放的数据资源，这个数据库提高了对人类生物学的基本见解，更有望帮助推动新的诊断和药物的开发。 在Science的这篇文章里，"基于组织的人类蛋白质组图谱" 结合基因组学，转录组学，蛋白质组学，以及基于抗体的分析，详细分析了大约20,000个蛋白质编码基因。分析结果表明，蛋白编码基因几乎一半都是普遍表达在所有分析的组织。而有大概的15％的蛋白质编码基因大量表达在一个或几个特定的组织或器官，包括众所周知的组织特异性蛋白质，如胰岛素和肌钙蛋白。睾丸是含有最丰富种类蛋白质的器官，其后是大脑和肝脏。分析结果还表明，大约3000种蛋白质是从细胞中分泌释放的，另有5500种蛋白位于细胞膜结构。 这一蛋白质图分析结果为制药行业的提供了重要信息。研究小组的Uhlé n表示,他们发现了市场上使用的药品有70%的作用目标是分泌或膜结合蛋白。有趣的是，另外30%被发现是作用其他组织和器官，这可能有助于解释药物的一些副作用，并且对未来药物开发提供一定的参考价值。 该数据库已经免费对外开放，网址是www.proteinatlas.org.

p style=" text-align: justify line-height: 1.75em " 　　詹显全，中南大学教授、博士研究生导师、博士后合作导师，英国皇家医学会会士(FRSM)、美国科学促进会(AAAS)会员、欧洲预测预防个体化医学协会(EPMA)的会士和国家代表、美国肿瘤学会(ASCO会士、欧洲科技合作组织(e-COST)的海外评审专家，中国抗癌药物国家地方联合工程实验室技术委员会委员、技术带头人和副主任，临床蛋白质组学与结构生物学学科学术带头人和学科负责人，国家临床重点专科建设项目重点实验室建设项目学科带头人，湖南省百人计划专家、湖南省高层次卫生人才“225”工程医学学的学科带头人、中南大学“531”人才工程专家。目前正致力于从多参数系统策略角度阐述肿瘤的分子机理、发现肿瘤分子标志物，研究并整合基因组、转录组、蛋白质组和代谢组的变异来实现肿瘤的预测、预防与个体化治疗及精准医学。已发表学术论文130 余篇，主编国际学术专著3 本，参编国际学术专著16 本，获得美国发明专利2 个。受邀在中科院1 区影响因子9.068 MassSpectrometry Reviews 和中科院2 区影响因子3.65 Frontiers in Endocrinology 的国际期刊上客座主编了3 个专刊。 /p p style=" text-align: justify line-height: 1.75em text-indent: 2em " 本篇文章仪器信息网获得授权转载，来源中国科技成果杂志。 /p p style=" text-align: center line-height: 1.75em " 　　 span style=" color: rgb(0, 112, 192) " strong 深入剖析蛋白质组学技术最新进展与应用 /strong /span /p p style=" text-align: justify line-height: 1.75em " 　　詹显全：人类结构基因组测序接近尾声，人们就从结构基因组学研究转向功能基因组学研究，即对转录组和蛋白质组进行研究。1995 年正式提出了”蛋白质组”和”蛋白质组学”的概念，距今已有25 年历史了。 /p p style=" text-align: justify line-height: 1.75em text-indent: 2em " 蛋白质组学的主要技术包括蛋白质组的分离技术、鉴定技术和蛋白质组信息学技术。 span style=" text-indent: 2em " 蛋白质组的分离技术主要有双向凝胶电泳(2DE)和多维液相色谱(2DLC)。蛋白质组的鉴定技术主要是基于质谱(MS)的技术，主要分为肽质指纹(PMF)和串联质谱(MS/MS)分析技术，其用于蛋白质大分子分析的两大离子源主要有MALDI 和ESI。质谱技术发展很快，主要朝向高灵敏度、高通量和高精度方向发展。 /span /p p style=" text-align: justify line-height: 1.75em " 　　蛋白质组信息学技术主要是用来构建蛋白质相互用网络的相关技术。蛋白质组的分离技术和质谱技术的不同联合就形成了各种类型的蛋白质组学分析技术：如2DE-MS和2DLC-MS。2DE-MS 又有2DE-MALDI-PMF 和2DE-ESI-LC-MS/MS, 该技术在蛋白质组学研究的头10-15 年是其主要技术，然而常规概念认为2DE 的通量不高，即一个2D 胶点中一般仅含有1 ～ 2 个蛋白质，通常一次实验其通量仅能鉴定几十到一千个蛋白质，这样其在蛋白质组学中的地位逐渐被淡化。 /p p style=" text-align: justify line-height: 1.75em text-indent: 2em " 2DLC-MS 主要有iTRAQ or TMT-based SCX-LC-MS/MS and labelfree LC-LC-MS/MS, 这就是人们通常说的“Bottomup”蛋白质组学，该技术在最近10 ～ 15 年在蛋白质组学中起着核心技术的作用，因为其通量明显增加，一次实验其通量可达到几千到一万的蛋白质能被鉴定，但该法鉴定的结果是一个protein group, 实质上鉴定的是编码蛋白质的基因, 而并没有鉴定到真正意义上的蛋白质，即蛋白质存在形式(Proteoforms 或Protein species)。蛋白质存在形式(Proteoforms)是蛋白质组的基本单元。人类基因大约2 万个，人类转录本至少10 万个，每个转录本指导核糖体按三联密码子决定一个氨基酸残基来合成氨基酸序列，刚合成出来的蛋白质氨基酸序列是没有功能的，它必须到达其指定的位置如胞内、胞外，和不同的亚细胞器等，形成特定的三位空间结构，并与其周围的相关分子相互作用，形成一个复合物(complex)才能发挥其功能作用。从核糖体刚合成出来到其指定的位置过程中有很多的蛋白质翻译后修饰(PTMs 据估计人体有400 ～ 600 种PTMs)。我们最近对蛋白质存在形式的概念给出了最新最完整的定义：蛋白质的氨基酸序列+ 翻译后修饰+ 空间构型+ 辅助因子+ 结合伴侣分子+ 空间位置+ 特定的功能。而蛋白质的概念被定义为：由同一个基因编码的所有蛋白质存在形式的集合体。这样，人类蛋白质组中的蛋白质存在形式(Proteoforms)至少有100 万或甚至达10 亿 (图1)。 /p p style=" text-align: center" img style=" max-width: 100% max-height: 100% width: 600px height: 427px " src=" https://img1.17img.cn/17img/images/202008/uepic/1d18fad3-b010-4ea5-a812-432853ad4ec6.jpg" title=" 1111111.png" alt=" 1111111.png" width=" 600" height=" 427" border=" 0" vspace=" 0" / /p p style=" text-align: center line-height: 1.75em " 　　图1 ：Proteoforms 的概念及形成模式 (Zhan et al,Med One, 2018 Zhan et al., Proteomes, 2019) /p p style=" text-align: justify line-height: 1.75em " 　　如此庞大数量的Proteoforms/Protein species, 如何对其进行大规模的探测、鉴定和定量，是一个至关重要的事情。目前关于Proteoforms 的研究有两套策略一是“Top-down”MS 技术， 二是“Top-down” 和“Bottom-up”相结合的技术即2DE-LC/MS 技术(图2)。 /p p style=" text-align: center" img style=" max-width: 100% max-height: 100% width: 600px height: 415px " src=" https://img1.17img.cn/17img/images/202008/uepic/94f48c94-fd0b-4959-90fb-dd399cebf074.jpg" title=" 2.png" alt=" 2.png" width=" 600" height=" 415" border=" 0" vspace=" 0" / /p p style=" text-align: center line-height: 1.75em " 　　图2 ：Proteoforms 研究技术比较(Zhan et al., Med One, 2018 Zhan et al., Proteomes, 2019) /p p style=" text-align: justify line-height: 1.75em " 　　“Top-down”MS 技术能探测、鉴定和定量Proteoforms，获得蛋白质的氨基酸序列和PTMs 信息，然而该技术的通量较低，目前最大通量鉴定到5700 个Proteoforms, 对应到860 蛋白质。 /p p style=" text-align: justify line-height: 1.75em " 　　最近，詹显全教授团队发现2DE-LC/MS 技术是一超高通量的技术平台，在探测、鉴定和定量Proteoforms方面, 可以鉴定达几十万至上100 万的Proteoforms。随着质谱灵敏度的显著提高，自2015 年以来，詹显全教授团队就发现每个2D 胶点包含了平均至少50 个甚至达几百个Proteoforms，并且大多数是低丰度的 并在近1 ～ 2 年来发表了相关论文来全面阐述2DE-LC/MS 的新理念和实践，完全打破了40 多年来人们对双向电泳的传统认识 (即一个2D 胶点中一般仅含有1 ～ 2 蛋白质)，为大规模的Proteoforms 研究提供了技术基础。Proteoforms/Protein species 概念的发展极大的丰富了蛋白质组的内涵，是蛋白质组学研究的更高层次，是国际科学发展的前沿，必将影响着整个生命科学和医学科学的研究和实践，有助于发现可靠而有效的疾病标志物，用于深度理解疾病分子机制和决定药物靶点，或者用于有效的预测、诊断、预后评估。另外，蛋白质组是表型组的重要成分，是基因组功能的最终执行者，是基因组和转录组研究所不能替代的，要实现真正的个性化医学和精准医学，蛋白质组学研究是不能绕过去的。 /p p style=" text-align: center line-height: 1.75em " 　　 span style=" color: rgb(0, 112, 192) " strong 基于整合组学发现疾病标志物才是精准发展之重 /strong /span /p p style=" text-align: justify line-height: 1.75em " 　　1. 您一直专注于肿瘤蛋白质组学的研究，例如垂体瘤、卵巢癌等相关恶性肿瘤结合组学的研究，请谈谈在这方面的最新的研究成果，以及过程中的主要挑战和解决方案 /p p style=" text-align: justify line-height: 1.75em " 　　詹显全： 垂体瘤是颅内常见肿瘤，绝大多数是良性的，只有少数具有侵袭性和恶性，并能引起激素分泌紊乱和颅内压迫症状，出现严重的临床症状，危害人体健康。临床上分为功能性垂体瘤和非功能性垂体瘤，并且非功能性垂体瘤不表现血中激素水平增加，不易早期诊断，经常是当肿瘤体积增加到压迫周围组织器官产生压迫综合征时才被诊断，这时已经是中晚期了，且其分子 /p p style=" text-align: justify line-height: 1.75em " 　　机制并不清楚，缺乏早期诊断标志物和药物治疗靶标。因此，非功能性垂体瘤被选为主要研究对象。虽然垂体瘤是在颅内，但我们认为垂体瘤是一种多病因、多过程、多结果的全身性的慢性疾病，并且还具有肿瘤的异质性 它涉及到一系列的分子改变，包括发生在基因组、转录组、蛋白质组、代谢组和相互作用组水平上的改变，而这些不同水平改变的分子和信号通路又不是孤零零的起作用，而是相互间具有千丝万缕的联系。因此，我们很难用一种单一因素来解决其预测、预防、诊断、治疗和预后评估 而必须从单因素模式转向多参数系统思维模式。垂体瘤的多病因、多过程、多结果、全身性、慢性、分子网络系统性给其“同病同治”提出了严峻挑战，同时为实现其个性化的精准预测、精准预防、精准诊断和精准治疗提供了机遇和条件。多组学(基因组学、转录组学、蛋白质组学、代谢组学、影像组学)和系统生物学技术的发展驱动了这一多参数系统思维模式的转变、推进了其个性化医学和精准医学的研究和实践。因此，我们认为多参数系统策略观和多组学是进行垂体瘤个性化医学和精准医学的研究和实践的重要理念和技术方案。 /p p style=" text-align: justify line-height: 1.75em " 　　我们从2001 开始进行垂体瘤的蛋白质组学及其翻译后修饰组学研究，从2008 年开始进行多组学和分子网络研究，及预测预防个体化医学(PPPM)和精准医学(PM)研究。经过过去近20 年未间断的研究，我们在垂体瘤的蛋白质组学、翻译后修饰组学、多组学、分子网络和系统生物学研究方面在国际上处于了主导地位。 /p p style=" text-align: justify line-height: 1.75em " 　　在我们研究过程中，我深深体会到一个重大思转变就是从以前的单参数模式转向了多参数系统思维模式，这符合肿瘤的真实情况。另外，就是多组学技术促进了这一模式的转变，并是其主要的解决方案。 /p p style=" text-align: justify line-height: 1.75em " 　　2. 从您的研究方向及重点出发，您认为多组学研究在精准医学中接下来的研究应当侧重于哪些方面，以及如何才能比较好的实现从研究到临床的转化落地? /p p style=" text-align: justify line-height: 1.75em " 　　詹显全：我的研究对象是肿瘤(垂体瘤、卵巢癌、肺癌、胶质瘤)，研究理念是肿瘤的多参数系统策略观，技术手段是多组学和系统生物学，研究的目标是要解决肿瘤的预测预防个体化医学(PPPM)和精准医学(PM)。 /p p style=" text-align: justify line-height: 1.75em " 　　我们认为多组学中的不同组学对PPPM/PM 的贡献是不平衡的，即个性化的表型组是基因组通向PPPM/PM 应用实践的桥梁，而蛋白质组和代谢组是表型组中两重要成分。蛋白质组的内涵包括蛋白质的拷贝数变化、剪切变化、翻译后修饰、转位、再分布、空间构型、与周围分子相互作用、及信号通路网络问题。代谢组的内涵涉及到体内所有物质(包括糖、脂、蛋白质、核酸)的代谢产物及其代谢网络问题。要真正实现PPPM 和PM，蛋白质组和代谢组的贡献是基因组所不能替代的是不能绕过去的。人们应从以基因组为中心的研究和实践转向以表型组为中心的研究和实践。其中蛋白质组的研究又应以翻译后修饰和蛋白质存在形式(Proteoforms)作为今后的研究方向。Proteoforms 的研究必将影响着整个生命科学和医学科学。从临床转化研究来看，基于多组学的整合生物标志物是发展方向。对于这里的生物标志物，我们将其分为两类：一类是解决疾病分子机制和药物靶点的生物标志物，这类生物标志物一定要有因果关系 一类是解决预测、诊断、预后评估的生物标志物，这类标志物不一定要求有因果关系，但必要要有量的变化。 /p p style=" text-align: justify line-height: 1.75em " 　　3. 作为EPMA(欧洲预测预防个体化医学协会)的中国代表，想请您分享下国际上对于组学研究在精准医疗中的应用现状、趋势以及发展规划 /p p style=" text-align: justify line-height: 1.75em " 　　詹显全：欧洲预测预防个体化医学协会(EPMA)是国际个体化医学领域领头的学术协会，由来自全球55 个国家和地区的专家学者组成，其创办的官方杂志EPMA Journal( 中科院2 区，ESI IF5.661) 涵盖了24 个专题内容，较全面地反映了预测预防个体化医学(PPPM)和精准医学(PM)的研究、实践与最新动态，还涉及到PPPM 和PM 的政策、伦理、卫生经济和社会保障等许多方面，为PPPM 和PM 的科研、实践提供了一个很好的交流平台。 /p p style=" text-align: justify line-height: 1.75em text-indent: 2em " 我本人作为EPMA 的中方代表(National Representative of EPMA in China) 和其官方杂志EPMA Journal 的副主编，参与了其经历的重要活动。我从2008 开始起在EPMA 中主要负责多组学和创新技术方面，在EPMA 白皮书中的“肿瘤预测预防个体化医学的多参数系统策略观”这部分最早就是我写的，之后我们写了一系列文章来论述基于多组学的多参数系统策略的研究和实践。因此，在EPMA，我们的基于多组学的多参数系统策略观还是比较早的，近五六年来多组学研究在EPMA 圈内(55 个国家和地区)发展得很快，已经深入到PPPM 的各个领域。 /p p style=" text-align: justify line-height: 1.75em " 　　另外，我认为，精准医学在理念上没错，严格意义上的精准医学是个理想化的概念，人们只能无限去逐步接近它。现阶段搞精准医学还是要回归到人类健康的保护过程，即预测、预防、诊断、治疗和预后评估，这里应该是针对个人来说而不是针对群体，严格说来应该是个性化的精准预测、精准预防、精准诊断、精准治疗和精准预后评估。对于人类健康保护过程来说，预测、预防还是上策，其次就是早诊断、早治疗。多组学研究已渗入到人类健康保护过程的每个环节，主要用来寻找基于多组学的生物标志物，当然这里的生物标志物应泛指前面说的两类：一类是解决疾病机制和治疗靶点的标志物，一类是解决预测、诊断、预后评估的标志物。 /p p style=" text-align: justify line-height: 1.75em text-indent: 2em " 因此，基于多组学的PPPM/PM 的研究和实践一定是今后发展的一个长远趋势。 /p p style=" text-align: center" img style=" max-width: 100% max-height: 100% width: 600px height: 802px " src=" https://img1.17img.cn/17img/images/202008/uepic/581ff7cf-5c3e-4fd6-8f5f-805989791ee5.jpg" title=" 詹.jpg" alt=" 詹.jpg" width=" 600" height=" 802" border=" 0" vspace=" 0" / /p p br/ /p

人类线粒体DNA编码了13种重要的多肽，这些多肽是连接氧化磷酸化（OXPHOS）复合物的多亚基复合物的组成部分，这些复合物主要存在于内陷的嵴膜上。内界膜（IBM）含有丰富的动态接触位点，用于从细胞膜导入蛋白质的移位酶。大多数OXPHOS亚单位采用核编码，因此必须通过外膜在与内界膜的接触位点处从胞浆中导入。由于大多数OXPHOS成分导入后需与mtDNA编码的成分整合组装，那么线粒体内翻译发生于何处？由于线粒体编码的成分也是这些复合物的组成部分，所以蛋白质合成发生于何处？题图：以STED显纳镜分辨率拍摄的人类线粒体网络截面。(更多细节见图1）。本论文采用了基于点击化学的方法，并结合受激发射损耗显纳镜（STED）来解决以上问题。报告显示，在培养的人类细胞中，大部分线粒体蛋白质的合成是在嵴膜上检测到的，且在空间上与RNA加工和成熟的位点相分离。图1：图片显示了人类线粒体网络截面，以共聚焦显微镜和STED显纳镜的分辨率拍摄，用775nmSTED激光器损耗AF594，用660nmSTED激光器损耗AF532。这些图片是显示新合成蛋白质的亚线粒体位置的关键图像。绿色的荧光信号代表新合成的线粒体蛋白，品红色是线粒体内界膜中发现的线粒体蛋白（TIM23）的免疫荧光抗体。阅读完整文章：Zorkau M., Albus C., Berlinguer-Palmini R., Chrzanowska-Lightowlers Z. & Lightowlers R.Zorkau M., Albus C., Berlinguer-Palmini R., Chrzanowska-Lightowlers Z. & Lightowlers R.High-resolution imaging revealscompartmentalization of mitochondrial protein synthesis in cultured human cellsPNAS February 9, 2021 118 (6) e2008778118 https://doi.org/10.1073/pnas.2008778118了解更多：徕卡显微

在基因工程基础上发展起来的蛋白质工程，被称为“第二代基因工程”。在亚太地区蛋白质学会主席、北京大学跨院系蛋白质科学中心主任昌增益教授看来，蛋白质工程不仅蕴涵着人类攻克癌症等生命难题的重大契机，其在产业化上的巨大发展空间也是不言而喻的。 　　近年来，蛋白质工程研究和应用已遍及医疗、工业、农业等领域。目前，分子生物学家们已经能够通过对蛋白质进行修饰、加工、改良，使蛋白质“升级换代”。例如，人们对药物蛋白进行PEG(聚乙二醇)修饰，可以延长药物蛋白的作用半衰期 葡萄糖异构酶在工业上有着广泛的应用，人们对其基因进行定点诱变，将第138位的甘氨酸(Gly138)替代为脯氨酸(Pro)后，可显著提高葡萄糖异构酶的热稳定性，有利于其在食品工业上的应用 转入多拷贝串联的金属硫蛋白α-结构域编码基因的转基因植株，有着比野生植株更高的对重金属的抗性等等。 　　然而，昌增益认为，对蛋白质工程这座“金矿”的开发才刚刚开始。“尽管几十年来人们在蛋白质基础研究方面有了很大进步，但是我们对蛋白质这类结构和功能极其多样的神奇生命分子的认知还很有限，对蛋白质功能机制的研究方法和手段还远不够完善。” 　　他表示，如何揭示蛋白质分子发挥作用的规律，是一个复杂而艰深的难题。“借助其他学科平台，通过跨学科研究对蛋白质工程提出新的理论、新的方法，从不同的层面揭示蛋白质运作的机制，将是一个新的挑战和机遇。” 　　据了解，蛋白质工程研究的触角已经延伸到了各个高科技领域，包括生物、化学、物理、医学、工程以及计算机等。 　　“多学科、多角度、多层次的系统研究，能够帮助人们更深刻地揭示蛋白质‘神奇’的面纱，同时也能促进各学科的发展。”昌增益说。

近日，华东理工大学光遗传学与合成生物学交叉学科研究中心杨弋、朱麟勇、陈显军团队在活细胞蛋白质标记与成像研究中取得重要进展，相关研究在《细胞发现》发表。 人造荧光蛋白及荧光探针。华东理工供图生物过程可视化一直吸引着科学家的好奇心。不同类型的荧光成像工具可以帮助科学家观察生命体中多种生物事件的发生过程，其中最著名的是荧光蛋白标记技术。荧光蛋白及其衍生技术经历了近30年的飞速发展，为生物学各个领域的研究作出了极大贡献，但伴随着显微镜技术的飞速发展，现有荧光蛋白的性质已经难以适应新型仪器的成像要求。相比之下，基于蛋白质标签和激活型荧光团的荧光标记工具凭借其理化性质成为新的研究热点。该团队针对自催化蛋白质标签SNAP-tag，设计开发了高信噪比的青色人造荧光蛋白SmFP485。SmFP485的荧光产生十分迅速，避免了荧光蛋白生色团成熟导致的延迟，因此可以用于实时监测蛋白质的合成过程。研究团队随后对SmFP485的结构进行了解析，探究了人造荧光蛋白的荧光激活原理。在此基础上，研究团队通过化学进化方法设计出一系列光谱覆盖绿色到近红外波段的人造荧光蛋白，它们均具有高亮度和高信噪比特点，特别是其在近红外波段的亮度已远超现有成像工具，能够对活细胞以及活体动物中的蛋白质表达、蛋白质降解、蛋白质组装、蛋白质相互作用以及蛋白质运输进行原位实时标记与成像。最后，研究团队在多色人造荧光蛋白的基础上，采用蛋白质与荧光团共进化的方法设计开发出一系列光谱涵盖青色到近红外波段的钙离子遗传编码荧光探针，实现了对哺乳动物细胞中钙离子震荡的实时监测，为荧光探针的构建提供了新的荧光载体。综上，研究团队开发了一系列高性能人造荧光蛋白，它们具有荧光产生迅速、亮度高、信噪比高、光谱范围广等优点，为活细胞以及活体动物中蛋白质的可视化提供了有力工具，同时也为荧光探针的构建提供了新的思路和策略。

ESM宏基因组图谱数据库包含6.17亿个蛋白质的结构预测。(图片来源：ESM宏基因组图谱)　　英国人工智能(AI)公司DeepMind今年公布了2.2亿个蛋白质的预测结构，几乎涵盖了DNA数据库中已知生物的所有蛋白质。现在，另一个科技巨头正在填补蛋白质宇宙中的暗物质。　　美国Meta公司(前身为Facebook)的研究人员使用人工智能预测了约6亿个蛋白质的结构，这些蛋白质来自细菌、病毒和其他尚未被表征的微生物。相关研究11月1日发表于预印本网站BioRxiv。　　“这些是非常神秘的蛋白质，为深入了解生物学提供了可能性。”Meta人工智能蛋白质团队研究负责人Alexander Rives说。　　该团队使用“大型语言模型”生成了这些预测。“大型语言模型”是一种人工智能，可作为通过几个字母或单词预测文本的工具的基础。　　通常语言模型是在大量文本的基础上进行训练的。为了将其应用于蛋白质，Rives团队将已知蛋白质序列“喂”给它们，这些蛋白质由20个不同的氨基酸链表示，每个氨基酸链由一个字母表示。然后，该模型学会了在氨基酸比例模糊的情况下“自动补全”蛋白质。　　Rives说，这种训练使模型对蛋白质序列有了直观的理解，蛋白质序列包含了蛋白质形状的信息。　　第二步，受DeepMind开创性蛋白质结构人工智能算法AlphaFold的启发，模型将这种洞察力与已知蛋白质结构和序列之间关系的信息相结合，从蛋白质序列中生成预测结构。　　今年夏天早些时候，Rives团队报告称，其模型算法名为ESMFold，虽准确性不如AlphaFold，但在预测结构方面要快60倍左右。“这意味着我们可以将结构预测扩展到更大的数据库中。”Rives说。　　作为一个测试案例，研究团队决定将模型应用于大规模测序的“宏基因组”DNA数据库，这些DNA来自环境，包括土壤、海水、人类肠道、皮肤和其他微生物栖息地。绝大多数编码潜在蛋白质的DNA条目来自从未被培养过的生物，也不为科学家所知。　　Meta团队总共预测了超过6.17亿个蛋白质的结构，这项工作只花了两周时间。Rives表示，预测是免费的，任何人都可以使用，就像模型的底层代码一样。　　在这6.17亿个蛋白质结构中，该模型认为超过1/3的预测是高质量的，因此研究人员可以确信蛋白质的整体形状是正确的，在某些情况下，模型可以识别更精细的原子级细节。值得一提的是，其中数以百万计的结构都是全新的，与实验确定的蛋白质结构数据库，或从已知生物体预测的AlphaFold数据库中的结构都不同。　　AlphaFold数据库的很大一部分是由几乎相同的结构组成，而宏基因组数据库则涵盖了以前从未见过的蛋白质宇宙的很大一部分。　　哈佛大学进化生物学家Sergey Ovchinnikov对ESMFold做出的数亿个预测表示怀疑。他认为，有些蛋白质可能缺乏确定的结构，而另一些可能是非编码DNA，被误认为是蛋白质编码材料。　　德国慕尼黑工业大学计算生物学家Burkhard Rost对Meta公司模型的速度和准确性的结合印象深刻。但他质疑，宏基因组数据库预测蛋白质是否真的比AlphaFold的精确度更高。基于语言模型的预测方法，更适合快速确定突变如何改变蛋白质结构，这是AlphaFold无法做到的。　　据DeepMind的一位代表说，该公司目前没有在其数据库中进行宏基因组结构预测的计划，但不排除在未来这样做的可能性。　　韩国首尔国立大学计算生物学家Martin Steinegger认为，利用这类工具的下一步，显然是研究生物学中的暗物质。“这些宏基因组结构的分析很快就会出现爆炸式增长。”　　相关论文信息：　　https://doi.org/10.1101/2022.07.20.500902

海顿科克直线传动是直线传动领域的领军型企业，最近公司又推出了全新的应用于G4-25000系列电机上的编码器。 固态技术的应用使得该增量式编码器的结构极其紧凑，该编码器通过双检波电路，由一个信号芯片进行信号处理。在医疗设备、分析仪器或机器人行业中，为获得精准的位置反馈，就可以使用海顿公司的永磁式电机配套该编码器。 该64线正交脉冲编码器选用高性能的钕作为磁性材料，8位数字信号处理，每圈总计输出256个脉冲。该编码器有A/B相输出，相位差为90度。此外，还提供一个Z相脉冲即每转一个脉冲信号。该编码器最高每秒10000个脉冲，输出更新采样时间为100毫秒。 256脉冲磁编码器是普通光学编码器一个绝佳的替代品，几乎不受震动，冲击，灰尘和污染物等的影响和干扰。编码器可以使用一个3.3V或5V输入电压。它与海顿25000系列线性驱动结构配套使用，势必成为一个功能强大，结构紧凑的直线运动结构。 海顿G4-25000系列直线步进电机与市场其他同尺寸电机相比拥有更大的输出力，G4-25000产品使用了完美的定子齿形，强力钕磁钢，大尺寸的花键轴以及能提供更好的旋转支撑和更高的轴向负载能力的加大的球轴承以保证产品在整个使用寿命中都能保持免维护和重复定位精度。 更多信息请访问海顿直线电机（常州）有限公司网站http://www.haydonkerk.com.cn

我国生命科学领域第一个综合性的国家级重大科技基础设施&mdash &mdash 蛋白质科学研究(上海)设施日前通过工艺测试，进入开放试运行阶段，预计于今年年底正式面向多用户、多领域开放。25日，记者走进基本建成的国家蛋白质研究中心，见识了国际一流的研究设施和紧锣密鼓开展科研的研究团队: 　　高通量自动化克隆构建系统，中心自主设计了五套大型自动化装置，将软件控制、硬件设备和生物应用结合在一起，实现了整个大规模蛋白表达过程的自动化(包括克隆、蛋白表达和纯化)，达到全球生物自动化一流水平，从传统手工一人次一天10个基因克隆提升到一天1000个基因克隆，极大地提高了生物实验效率。 　　自主研发高精度激光双光镊系统，光镊采用激光辐射压对微米级粒子进行捕获，并通过高精度的测量技术实现压纳米级位移和压皮牛级力的测量。这些技术有望在蛋白质折叠、RNA聚合酶合等研究领域提供单分子层次的信息。在仪器研发方面，为拓展仪器性能，还将结合单分子荧光技术和高精度激光光镊，有望提升蛋白质科学领域的仪器自主研发能力。 　　尽管仍处于紧张建设筹备中，科研活动早已紧锣密鼓地开展。截至2013年底，中心科研项目共计31项，年度新增13项，其中包括国家重大科学研究计划项目2项、中科院科研装备研制项目1项以及国家自然科学基金多项。中心成立伊始，许琛琦研究组即在阐明人体免疫机制方面取得突破性进展，首次证明钙离子能够改变脂分子功能来帮助T淋巴细胞活化，提高T淋巴细胞对外来抗原的敏感性，从而帮助机体清除病原体。周界文研究组在研究重要离子通道蛋白p7的精细空间结构以及p7与抑制剂金刚烷胺类药物相互作用的分子机理方面也取得重大突破，相关研究成果将大大推动新一代抗丙型肝炎病毒治疗手段的研发。周兆才研究组研究发现原癌蛋白质YAP的一个天然拮抗剂蛋白&mdash &mdash VGLL4，并在蛋白质晶体结构解析的基础上发展出一个针对YAP的多肽类抑制剂，为以胃癌为代表的肿瘤治疗提供了新的策略和途径。雷鸣、张荣光研究组的研究论文首次在原子水平上解析了端粒酶的结构，第一次从原子层面对脊椎动物端粒酶复合物中蛋白质-RNA的相互作用进行了描述。 　　国家蛋白质科学中心上海(筹)在保障上海设施高效运行的同时，定位于蛋白质科学研究，研究内容涵盖染色质结构与功能的调控、跨膜分子信息传递、非编码RNA以及结构生物学新技术和方法研究等学科领域，着重开展蛋白质多尺度结构分析、蛋白质动态结构研究、蛋白质修饰与相互作用研究、设备自主创新与集成研究和生物信息学与计算生物学等五大领域的研究。在未来的科学研究中，国家蛋白质科学中心/上海(筹)/蛋白质科学研究(上海)设施将围绕蛋白质科学研究的前沿领域和我国生物医药、农业等产业发展需求，保障国家中长期科技规划纲要部署的蛋白质重大研究计划的实施，建设高通量、高精度、规模化的蛋白质制取与纯化、结构分析、功能研究等大型装置，实现技术与设备的集成化、通量化和信息化，提供全面和完整的技术与条件保障，打造开放、协作、创新的国际一流蛋白质科学研究平台，为我国的蛋白质科学基础研究提供强有力的支撑。 　　背景介绍 　　蛋白质科学研究(上海)设施于2010年12月破土动工，总投资约7亿元，总建筑面积3.3万平方米，由中科院上海生科院承建，并依托上海设施同步筹建&ldquo 国家蛋白质科学中心· 上海&rdquo 。迄今，已有逾10位诺贝尔奖得主到访，对蛋白质中心表现出浓厚兴趣。

科学家已经发现了上万种新的蛋白联结，约占蛋白联结总量的四分之一。　　为了揭示蛋白质是如何构建细胞与机体，来自多个国家的科学家组成的研究团队筛选了不同生物的细胞，这些细胞从变形虫到蠕虫到老鼠到人类，来源十分广泛。　　这项蛋白质科学的壮举，是来自七个国家的三个研究小组合作的结果，由多伦多大学唐纳利中心的Andrew Emili教授和德克萨斯大学奥斯汀分校的EdwardMarcotte教授领导，发现了成百上千种新的蛋白质相互作用，其中细胞内蛋白质的接触作用大约占四分之一。　　一个蛋白联结的缺失都会致病。图谱已经帮助科学家锁定病变蛋白。这些数据将通过开放数据库的访问提供给世界各地的研究人员。　　虽然十几年前的人类基因组测序无疑是生物学中最伟大的发现之一，然而这只是人们对细胞工作的深入了解的开始。基因只不过是一幅模板，而它的复制品——蛋白质，担任了细胞运转的主要工作。　　蛋白间相互联系，共同协作。许多蛋白质结合形成所谓的分子机器并在细胞活动中扮演关键角色，例如合成新的蛋白质，或者是回收旧蛋白，再造新蛋白。但是人类细胞中有上万种蛋白质，其中的大部分我们仍旧不知道它们的作用。　　于是有了Emili 和Marcotte的图谱，团队使用最先进的方法，可以提取细胞内数千个分子机器并分析其蛋白构成。然后他们建立了一个类似于社交网站的网络，通过探知未知蛋白与已知蛋白的联结，推知未知蛋白质的功能。例如，未知蛋白与“杂活儿工”蛋白有联结，那么这个未知蛋白极可能也具有细胞修复功能。　　今天这项里程碑式的研究收集了九个物种分子机器的信息，分别包含了面包酵母、阿米巴虫、海葵、苍蝇、蠕虫、海胆、青蛙、老鼠和人类，并由此可以绘制出一个生命树图。这个新的图谱将蛋白质结合体数目扩大到已知的十倍有余，并可以让我们观察到它们如何随着时间进行进化的。　　“对于我来单单是此项研究的规模就足以吸引人们的眼球，我们已知的每个物种的蛋白联结已达到到原先所知的三倍。我们现在通过蛋白质相互作用网络可以非常可靠的预测，所有动物具有超过一百万种蛋白质相互作用，这从根本上来讲是一个巨大的进步。”Emili说，他也是疾病管理生物标记方面的安大略研究会主席、分子遗传学教授。　　研究发现，自从十亿年前原始细胞出现之后，动物生命出现在地球上以前，成千上万种蛋白质协作关系一直保持不变。　　“就蛋白质分布而言，人类与其他物种通常是相同的，这不仅印证了我们拥有共同祖先，也对在基因组学的基础上研究多种疾病以及这些疾病如何存在于不同物种中有实际意义。”Marcotte说。　　在确定人类疾病的可能原因方面，人们已经证明这个图谱是有用的，例如一种新发现的分子机器名为Commander，由十二个单一的蛋白质组成。人们曾发现一些智力障碍患者的机体里具有编码Commander某些组分的基因，但并不清楚这些蛋白质的机制。　　由于Commander存在于所有动物的细胞里，研究生FanTu正在破坏蝌蚪中的蛋白质部件，揭示了胚胎发育阶段脑细胞位置异常，并为复杂的人类起源问题提供了一个可能。　　“有了成千上万种蛋白质相互作用，我们的图谱会帮助人们研究蛋白质相互作用和人类疾病的多种联系，这是我们未来几年的研究方向。”Emili博士总结道。

导读：自今年1月份Illumina让&ldquo 1000美元基因组&rdquo 成为现实，许多生物技术公司及科研机构纷纷购买其测序仪，而今美研究者指出DNA编码的蛋白质是几乎所有生命过程的主要执行者，可实现千元基因组测序的工具，也可以最终帮助人们完成千元蛋白质组测序。 人类生命的蓝图是三十亿碱基对组成的人类基因组。1000美元基因组测序，让人都觉得有些疯狂，然而有研究者认为千元测序蛋白质组也将成为现实。 今年初，全美最大最佳的五所&ldquo 大学城&rdquo 之一拥有近130年历史的Arizona State University（亚利桑纳州立大学）生物 设计学院（ Biodesign Institute）的Stuart Lindsay及其团队同事，在纳米孔DNA测序技术的基础上，让单链肽段穿过纳米孔，纳米孔两边的电极可记录每个氨基酸通过时产生的电信号。他们使用一种机器学习算法，让电脑能够识别代表不同氨基酸的特征信号。这些信号可以作为可靠的指纹，帮助人们鉴别氨基酸的种类，以及氨基酸发生的微妙改变。因此开发了能够精确鉴定氨基酸的蛋白单分子测序技术。 这项研究于四月六日发表在Nature Nanotechnology杂志的网站上。 从基因组到蛋白组 蛋白对于细胞的生长、分化和修复至关重要，它们能够催化化学反应，抵御疾病，具有各种各样的重要功能。自今年1月份Illumina让&ldquo 1000美元基因组&rdquo 成为现实，研究者们将眼光转向了蛋白质组测序的研究。 与线虫等简单生物相比，人类的基因数相对较少，不过科学家们鉴定的人类蛋白已经超过了十万，而且不少人认为这些蛋白只是冰山一角。有限的基因数为何能形成如此大量的蛋白呢？这是因为蛋白能通过多种机制发生改变，选择性剪切和翻译后修饰就是其中两个关键的过程。 在这项研究中，研究人员将一对金属电极分隔在约两纳米的孔洞旁边，当线性穿过这种纳米孔的时候，每一个氨基酸都会完成一个电回路，并发出相应的电信号。而这样的电信号可以帮助人们判断，通过纳米孔的是哪一个氨基酸。 这一技术称为recognition tunneling，原本是Lindsay等人开发的DNA单分子测序技术。&ldquo 大约两年前，我们的一次实验室会议提出，可以尝试将这一技术用于氨基酸测序，&rdquo Lindsay说。与DNA的A、G、C、T相比，用 recognition tunneling鉴定组成蛋白的二十种氨基酸实际上是一个更大的挑战。 蛋白质单分子测序技术具有巨大的应用价值，可以帮助人们检测被选择性剪切或翻译后修饰改变的微量蛋白。而这些蛋白往往是疾病研究所追寻的目标，用其他技术很难检测得到。 PCR能够将样品中微量的DNA快速扩增，但在蛋白研究领域还没有这样的技术，Lindsay强调。在这种情况下，能进行单分子水平上进行检测的recognition tunneling，&ldquo 将给蛋白质组学研究带来一场彻底的变革&rdquo 。 这项研究为人们展示了一个，快速测序单个蛋白分子的低成本方法。据Lindsay介绍，该技术通过大约50种不同的信号特征来鉴定氨基酸，不过绝大多数鉴别只需要不到10个信号特征。 值得注意的是，recognition tunneling不仅能够高度可信的鉴定氨基酸，区分翻译后修饰的蛋白（肌氨酸）及其前体（甘氨酸），还能够鉴别被称为对映体的镜像分子，以及质量相同但序列不同的分子。 千元蛋白组？ Lindsay的研究指出，可实现千元基因组测序的工具，也可以最终帮助人们完成千元蛋白质组测序。事实上，Lindsay认为这一里程碑离我们并不遥远。 目前，这一技术还需要使用复杂的实验室仪器&mdash &mdash 扫描隧道显微镜STM。不过Lindsay和他的同事正在开发一个可以快速鉴定氨基酸和其他分析物的新设备，以便将低成本的蛋白质组测序真正推广到临床。 该技术不仅可以用来在临床上测序蛋白质和检测新生物指标，还有望给医疗领域带来彻底的改变，在单分子水平上精确监控患者对治疗的应答情况。

日前，两个国际小组均在《自然》杂志上公布了人类蛋白质组第一张草图，这些在大部分非患病人体组织和器官中表达的精选蛋白，为更好的理解疾病状态下发生的机体变化，奠定了坚实的基础。 　　英国新一期《自然》杂志公布两组科研人员分别绘制的人类蛋白质组草图。这一成果有助于了解各个组织中存在何种蛋白质，这些蛋白质与哪些基因表达有关等，从而进一步揭开人体的奥秘。 　　上世纪90年代，人类基因组计划开始成形时，有科学家提出了破译人类蛋白质组的想法。其目标是将人体所有蛋白质归类并描绘出它们的特性、在细胞中所处的位置以及蛋白质之间的相互作用。但人类蛋白质组的规模和复杂性使此类研究困难重重。 　　德国慕尼黑工业大学等机构研究人员报告说，尽管人类已对基因组有所了解，但大约2万个编码基因中，哪些会指导合成蛋白质、合成哪些蛋白质都是未知数。为探明这一问题，他们从人体多个组织样本和细胞系中提取蛋白质并将它们&ldquo 切&rdquo 成小块，然后用质谱分析法分析出形成每个蛋白质片段所需的氨基酸序列。 　　研究人员借助计算机对这些蛋白质片段与基因组进行了大量比对工作，并据此列出一个&ldquo 清单&rdquo ，描绘出哪些组织中的哪些基因表达与蛋白质的形成有关。在另一项研究中，美国约翰斯· 霍普金斯大学研究人员与印度等国同行也采用质谱分析法绘制出一张蛋白质组草图。 　　这两个团队均发现，有数百种蛋白质是由此前认为不具备相关功能的DNA片段(脱氧核糖核酸)及&ldquo 假基因&rdquo 形成，&ldquo 假基因&rdquo 是指由于发生突变，丧失原有功能的基因。此外他们还发现了一些与蛋白质产生无关的&ldquo 多余&rdquo 基因。 　　研究人员表示，绘制人类蛋白质组图谱有助于了解人体内蛋白质的出处、功能和特性，这对于生命科学、医学等领域都有重要意义。

p style=" text-align: justify text-indent: 2em line-height: 1.75em " strong span style=" text-indent: 2em " 仪器信息网讯 /span /strong span style=" text-indent: 2em " 蛋白质组学是生命科学领域中的一门新兴学科，可以高通量的分析正常及病理条件下机体、组织、细胞或亚细胞成分中全部蛋白质，对不同空间、不同时间上动态变化的蛋白质组的整体进行比较，分析不同蛋白质组之间在表达数量、表达水平和修饰状态下的差异。蛋白质组学可以发现与疾病相关的特异性蛋白质，对病变相关蛋白的研究可以为探索病毒本身及其感染机制提供信息，且这些蛋白还可能作为疾病诊断潜在的生物标志和治疗的药物靶点。 /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" color: rgb(0, 112, 192) " strong 蛋白质组概念的提出及常用技术 /strong /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 蛋白质组（proteome）这一概念由Wilkins和Williams等在1994年首次提出，以它作为研究对象的蛋白质组学是后基因组时代产生和发展的一门新兴学科，其从整体上分析组织，细胞内动态变化的蛋白质组成、表达水平与翻译后修饰，探索蛋白质的功能及蛋白质之间相互作用与联系。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 蛋白质组学中对蛋白表达分析方面的研究应用较多的技术有双向凝胶电泳（two-dimensional electrophoresis,2-DE）、基于2-DE将其重复性和精确性加以改进的双向差异凝胶电泳（two-dimensional difference electrophoresis,2D-DIGE），以及对筛选到的差异表达蛋白进行快速精确鉴定的串联质谱技术（mass spectrometry,MS），其中质谱技术是蛋白质组学研究中的核心技术。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 在质谱技术中的基质辅助激光解吸电离飞行时间质谱（matrix-assisted laser desorption ionization time-of-flight mass spectrum,MALDI-TOFMS）是分析多肽和蛋白质混合物的主要方法，此外，使用标记的氨基酸在细胞中进行稳定同位素标记（stable-isotope labeling by amino acids in cell culture,SILAC）& nbsp 是一种鉴定和定量病毒感染后细胞蛋白中表达差异的有效方法。蛋白质组学技术在病毒学中的应用有助于病毒感染及病毒宿主间的相互作用机制研究。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" color: rgb(0, 112, 192) " strong 蛋白组学技术在及其感染机制研究中的应用案例 /strong /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 病毒寄生于宿主细胞中，需要不断地适应和改变宿主的环境。他们能够编码多种多功能蛋白质，这些蛋白能与宿主蛋白发生一系列的相互作用以完成病毒的各种功能。目前，许多病毒的基因组已完成测序，但由于受到病毒影响而发生相应改变的宿主蛋白组、宿主蛋白翻译后修饰等还未被完成阐明。近年来，高通量技术的兴起，如基于质谱技术的定量或半定量蛋白组方法，已被广泛应用于病毒宿主相互作用的研究中。依托质谱技术的蛋白质组学飞速发展，不仅促进了病毒蛋白质组学研究的不断进步，同时也加快了对于病毒相关的宿主蛋白鉴定。今后相关研究数据仍会急速增加，这需要更加先进的生物信息学技术对数据进行处理，更全面地了解病毒感染过程。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" color: rgb(255, 0, 0) " 案例1: SARS（severe acute respiratory syndrome-associated coronavirus,SARS-CoV）冠状病毒研究中的蛋白组学技术 /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " SARS基因组的基因产物包括20多种蛋白质，据报道，有研究学者首次应用DIGE技术分析了SARS-CoV感染的Vero E6细胞，鉴定出355个在SARS-CoV感染后表达发生变化的蛋白，其中186个显著差异表达蛋白，为理解SARS-CoV的感染和致病机制提供了线索。对感染SARS-CoV的BHK21细胞进行SILAC定量分析及进一步功能分析表明，BAG3可以抑制SARS-CoV的复制。对感染病人的血清蛋白质组分析，有助于返现可用于病毒感染的诊断、预后及治疗的生物标记。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" color: rgb(255, 0, 0) " 案例2: 禽流感病毒（avian influenza virus,AIV）研究中的蛋白质组学技术 /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 据报道，研究学者利用2-DE技术筛选H9N2感染人源细胞系后不同时间点的差异表达蛋白，运用质谱技术鉴定到22种蛋白，主要包括细胞骨架蛋白、RNA加工途径相关蛋白和代谢相关蛋白等，其中表达差异显著的蛋白主要参与细胞骨架网络的构成。这些蛋白的鉴定有助于理解禽流感病毒在哺乳动物中的复制及其宿主之间的相互作用。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" color: rgb(255, 0, 0) " 案例3: 揭示新型寨卡病毒宿主因子的蛋白质组学技术 /span /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 寨卡病毒(ZIKV)是一种与登革热病毒，西尼罗河病毒和丙型肝炎病毒（HCV）有关的黄病毒，具有单链RNA基因组，编码多蛋白，共翻译和翻译后加工成三个结构蛋白，前体膜和包膜以及七种非结构蛋白。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 据报道，有研究学者使用人类神经前体细胞和神经细胞 SK-N-BE2 进行整合蛋白质组学方法，以表征细胞在病毒侵染后的蛋白质组和磷酸化蛋白质组变化，并使用亲和蛋白质组学来鉴定ZIKV蛋白的细胞靶标。通过亲和纯化结合液相色谱和串联质谱技术（AP-LC-MS / MS）鉴定与人SK-N-BE2神经母细胞瘤细胞中表达的10种ZIKV蛋白中的每一种相互作用的细胞蛋白和相关复合物，研究鉴定到了386种 ZIKV 相互作用蛋白、ZIKV 特异性和泛黄病毒活性相关的宿主因子，这些宿主因子已知与神经元发育、视网膜缺陷和不育相关。由此，相关论文作者绘制了神经元细胞中的ZIKV蛋白-宿主蛋白相互作用网络。此外，研究还分析确定了在 ZIKV 感染后特异性上调或下调的1,216个磷酸化位点，表明病毒感染引起基本信号传导通路为 ZIKV 感染引起的增殖停滞提供了新的见解。 /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 当前， span style=" text-indent: 2em " 通过比较蛋白质组学对病毒感染前后的蛋白表达图谱进行鉴定，进一步对病毒感染引起的差异表达蛋白进行功能分析和验证，探索其在病毒感染中的潜在作用机制、寻找病毒的作用靶标，为病毒的预防诊治提供理论依据和解决途径。& nbsp /span 因此，在继病毒感染细胞的差异蛋白质组分析后，为更能反映真实的变化规律，更到位的解释病毒感染和致病机制，进行病毒感染宿主机体的差异及功能蛋白质组分析将是研究发展的趋势。 /p p br/ /p p br/ /p p br/ /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " span style=" text-indent: 2em " /span br/ /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " strong 参考文献： /strong /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " 董 书 伟 ，荔 霞 ，刘 永 明 ，等 .蛋 白 质 组 学 研 究 进 展 及 其 在 中 兽 医 学 中 的 应 用 探 讨 [J ] . 中 国 畜 牧 兽 医 ， 2 0 1 2 ， 3 9 (1 ) : 4 5 ~ 4 9 . /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " Liu H.Advances of SARS-Cov genome[J].Journal of Chinese General Practice，2003，2(11):1~4. /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " Liu N，Song W，Wang P，et al.Proteomics analysis of diferen- tial expresion of celular proteins in response to avian H9N2vi- rus infection in human cels[J].Proteomics，2008，8(9):1851~ 1858. /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " Pietro S ,Alexey S , Haas D A , et al. An orthogonal proteomic survey uncovers novel Zikavirus host factors[J]. Nature, 2018. /p p style=" text-align: justify text-indent: 2em line-height: 1.75em " & nbsp /p p br/ /p

作为国际人类肝脏蛋白质组计划执行总部，北京蛋白质组研究中心成立5年来，已成为我国蛋白质组学国家重点实验室、全军基因组学与蛋白质组学重点实验室。投资10多个亿的蛋白质药物国家工程研究中心、国家蛋白质科学基础设施即将开工，一个集科学研究、技术服务、成果转化为一体的综合基地初见雏形。这一切表明，中国的蛋白质组研究水平已跻身世界前列。 　　人类基因组计划是20世纪与曼哈顿原子弹研制计划、阿波罗登月计划齐名的世界三大科学“珠峰”计划，绘制一部记录人类遗传信息和生命奥秘的“天书”是全球科学家共同的愿望。要解读这本“天书”，就必须全面研究人体基因的编码产物——蛋白质。 　　近年来，为规模化、全景式研究人体蛋白质，以国际人类肝脏蛋白质组计划执行委员会主席、中国科学院院士、军事医学科学院院长贺福初少将领衔的北京蛋白质组研究中心科研团队和全球科学家汇聚在一起，为真正破译、阐释、读懂这部“天书”而努力。 　　中国青年科学家首次领导重大国际科技协作计划 　　据统计,全球有3.5亿乙肝病毒携带者,其中中国占50%。肝炎是中国第一大疾病,肝癌为中国恶性肿瘤的第二号杀手。2002年11月，当时年仅39周岁、中国科学院最年轻的贺福初院士在国际会议上提出了“人类肝脏蛋白质组研究计划”，并最终赢得了与会代表的广泛支持。一年后，中国被确定为该计划的唯一牵头国，贺福初院士为唯一主席。 　　人类肝脏蛋白质组研究计划的实施，无疑将会发掘出一批重要的功能蛋白，发现一批全新的药物靶标，催生一批治疗药物，为肝病预防、诊疗提供新策略，新技术，从而大大降低肝脏领域疾病医疗成本。该项研究不仅比基因组计划更为复杂艰巨，而且需要资金数十亿，即使全球科学家通力合作，也要数十年时间。 　　2004年6月，为整合国内外优势资源，在贺福初院士的推动下，由军事医学科学院、中国科学院、中国医学科学院、清华大学、北京大学、江中集团及北京生物技术和新医药产业促进中心共同创建了北京蛋白质组研究中心。2005年10月，中心正式入驻中关村生命科学园，开始作为国际“人类肝脏蛋白质组计划”总部，负责计划的全面实施。截至目前，已吸引了全球共16个国家、80多家实验室的数千名优秀科学家参与此项研究工作。 　　许多老一辈科学家感叹，在人类基因组计划中，中国曾经作为唯一的发展中国家竭力争取，但最终仅承担了1%的测序任务；而在今天的人类肝脏蛋白质组计划中，中国青年科学家却承担了30%以上的核心任务，并且成为推进该计划的主力军团，这本身就是一种飞跃。 　　国际顶级刊物首次同期刊发同一单位3篇论文 　　《分子与细胞蛋白质组学》是蛋白质组学领域全球影响力最大的专业性刊物。2009年3月，最新一期《分子与细胞蛋白质组学》同时发表了中心姜颖副研究员课题组、朱云平研究员课题组、钱小红研究员课题组共3篇高质量研究论文，创下该刊单期同一单位发文数之最。 　　5年里，中心科研人员取得了一项又一项重大成果。他们成功鉴定了人类肝脏蛋白质13000余种；构建了国际上最大规模的、含有3480多对高可信肝脏蛋白质相互作用的网络图，发现58种潜在的肝脏疾病候选基因、92种潜在肝脏表型基因和260多种新的信号通路调控分子；建立了国际上首个系统的人体器官蛋白质组数据库，被多个国际重要蛋白质组数据库和重要学术论文引用。 　　此外，中心还发现了脂肪肝、肝细胞病毒感染、癌变以及转移相关的蛋白质标志物群、潜在药靶和候选药物；揭示了骨形成负调控分子及其在机体骨量稳态调控中的作用机制等；寻找到了一批与肝癌、脓毒症鼻和咽癌等复杂疾病相关的易感基因。这些发现，为上述疾病的早期预防、早期预警、风险预测及个体化医疗打下坚实基础。 　　我国蛋白质组研究水平首次跻身世界前列 　　今年8月，一条新闻在中国乃至世界引起了轰动，由贺福初院士领衔的课题组再次获得的重大科学发现——在人类染色体的特殊位置发现了一个容易导致肝癌的易感基因区域。与此同时，《自然遗传学》在线公布了这一原创性研究成果，这是该团队近两年发表的第11篇《自然》子刊论文，继续在该领域领跑国际同行。 　　领跑源于人才。从成立之日起，中心就着手组建了由31位不同领域知名专家、包括10位院士组成的学委会，以及由中国青年科技奖获得者周钢桥、张令强等为骨干的近300人的科研大军，基本形成了以院士领衔，中青年学者为骨干的科技创新团队。5年来，中心科技人员分别获得了国际蛋白质组学贡献奖和成就奖、谈家桢生命科学奖、求是奖、何梁何利奖、国家自然基金委创新研究群体、全军科技创新群体，另有3人获得中国青年科技奖，8人被评为总后科技银星、新星，2人获全国百篇优秀博士论文。 　　人才推动发展。2009年4月，张令强研究员课题组在肿瘤研究领域发现了一种重要的新型蛋白质，可以选择性地干扰抑癌基因，可能成为肿瘤防治的新型靶向分子；2009年8月，唐丽、杨俊涛博士等在前期大规模发掘人类胎肝新基因、新蛋白的基础上，经过长年的潜心探索研究，第一个发现了在肝脏中特异表达的免疫调控分子；2009年国庆前夕，在加拿大多伦多举办的首届“国际蛋白质组学高峰论坛”上，贺福初院士荣获“国际蛋白质组学成就奖”。这是我国首位科学家首次获此殊荣。 　　发展催生硕果。2005年至2010年9月，中心共发表学术论文230篇，影响因子合计1307。其中国际顶级刊物《自然》系列子刊、《科学》发表文章11篇。获省部级二等奖以上成果11项，其中国家自然科学奖二等奖3项、国家科技进步二等奖1项、军队科技进步奖一等奖1项和北京市科学技术一等奖3项。此外，还获得发明专利19项。 　　金秋十月，在中心成立5周年之际，又传来振奋人心的好消息——曾被誉为“九大行星”的“两谱”、“两图”、“两组”、“三库”任务，即人类肝脏蛋白质组表达谱和修饰谱,定位图和连锁图,生理组与病理组，样本库、抗体库和数据库，基本架构已经完成，标志着蛋白质组“九大行星”架构里第一个“人体器官”正式诞生，进一步奠定了我国在该领域的国际核心地位。

基因转录产生的mRNA前体可以通过可变剪接产生不同的mRNA剪接异构体，这些mRNA可以翻译成序列不同的蛋白质，即蛋白质异形体。蛋白质异形体与许多疾病的病理机制密切相关，如癌症、多发性硬化症、心肌肥大、自身免疫病、糖尿病等，蛋白质异形体还被用作生物标志物和疾病治疗的靶标1，因此，开展针对蛋白质异形体的研究有着重要意义。蛋白质异形体的发现、注释与验证是其功能研究的基础，得益于高通量转录组深度测序技术以及可变剪接分析技术的迅速发展，人类基因组编码的蛋白质异形体已经得到了较充分的注释，但由于大多数基因都有一个主要的编码产物，而与疾病发生和蛋白功能调节密切相关蛋白质异形体往往表达量较低，所以，一部分低丰度的蛋白质异形体仍然可能没有被注释。　　近日，北京大学医学部精准医疗多组学研究中心黄超兰团队针对蛋白质新异形体的鉴定开发了整合新连接肽段鉴定策略的蛋白质基因组学分析流程，并应用于深度覆盖的人蛋白质组质谱数据集的分析，成功发现并验证了分别来自2个功能重要的基因NHSL1(编码NHS样蛋白1)和EEF1B2(编码真核翻译延伸因子eEF1B的亚基eEF1β)的3个新蛋白质异形体。该研究以“Proteogenomics integrating novel junction peptide identification strategy discovers three novel protein isoformsof human NHSL1 and EEF1B2”为题于2021年8月21日线上发表在Journal of Proteome Research期刊上。　　本研究首先聚焦了“新连接肽段”这一概念，即被内含子分隔开的新外显子和已注释外显子共同编码的肽段，新连接肽段可提供关于新可变剪接位点的信息，对于鉴定新蛋白质异形体至关重要。目前从质谱数据中挖掘新蛋白质异形体，主要是通过搜索转录组数据的三框翻译库。由于漏注释的蛋白质异形体往往缺少已知转录本和同源蛋白，传统的基于全基因组六框翻译库的蛋白质基因组学策略不能鉴定到新连接肽段，无法获知新可变剪接位点。因此，研究者首先提出了一种鉴定新连接肽段的策略，基本思路为：①假设一个基因可以编码一个新的蛋白质异形体，那么就意味着该基因中存在一个新的蛋白质编码区(CDS)，这个CDS的具体位置是未知的，它可能出现在任意一个已注释CDS的5’端或3’端 ②通过理论酶切的方式枚举所有可能的由新CDS与已注释CDS共同编码的新连接肽段，对于枚举出来的新连接肽段，由新CDS编码的氨基酸序列是未知的，用“X”表示 ③对所有的人类已注释基因都做同样的处理，从而构建一个理论新连接肽段数据库 ④对质谱数据集，采用多参数下的从头测序获取每张二级谱图的所有候选肽段，用以与理论新连接肽段数据库进行匹配，如果候选肽段在理论新连接肽段数据库中存在，那么它就被认为是该谱图对应的可能的连接肽段 ⑤通过这种方式，可以将质谱数据中存在的所有可能的连接肽段枚举出来，然后可加入到已注释蛋白质组数据库中进行搜库，以进一步排除假阳性结果，鉴定高可信新连接肽段 ⑥新连接肽段的来源分析，溯源新可变剪接位点。作者已将上述策略写成自动化软件CJunction，并上传至GitHub (https://github.com/CProteomics/CJunction)，供广大读者直接使用。 　　图1. CJunction枚举质谱数据中可能存在的新连接肽段的原理图随后，研究者建立了针对新蛋白质异形体发现的整合新连接肽段鉴定策略的人蛋白质基因组学分析流程，并应用于一组深度覆盖的HeLa质谱数据集的分析，成功鉴定并验证了1个新连接肽段和2个由外显子单独表达的新肽段。通过生物信息学分析，最终发现并验证了分别来自2个基因NHSL1和EEF1B2的3个新的蛋白质异形体，依次命名为：NHS-like protein 1 isoform X15、NHS-like protein 1 isoform X16和elongation factor 1-beta isoform X2。值得注意的是，上述2个基因的新蛋白质异形体相较经典的编码产物分别有一个96个氨基酸和60个氨基酸长的新N端，这种序列差异暗示它们可能发挥着重要的不同功能，值得进一步探究。本文所提出的策略可应用于更多深度覆盖的蛋白质组质谱数据集中，未来有助于发现更多新的蛋白质异形体。　　图2.基因NHSL1表达的新蛋白质异形体的鉴定　　北京大学医学部精准医疗多组学研究中心、北大-清华生命科学联合中心黄超兰教授为本文的通讯作者，北大-清华生命科学联合中心博士研究生何崔同为本文的第一作者。　　原文链接：https://pubs.acs.org/doi/10.1021/acs.jproteome.1c00373

日前，在第二十届全国色谱学术会议上，中科院院士、中科院大连化物所研究员张玉奎指出，中国的色谱学科队伍已经是世界上最大的，色谱学科论文的数量已有飞跃发展。在蛋白质组学研究中，蛋白质的分离和鉴定依然是目前最基本的任务和目标，“随着蛋白质组学研究的不断深入，蛋白质分离鉴定技术将得到更加广泛的关注”。张玉奎　　张玉奎指出，我国作为目前世界经济增长速度最快的国家之一，面临着资源、环境、人口与健康、社会可持续发展等诸多挑战，“但同时可以看到，色谱科学和技术，在解决这些重大问题中正发挥越来越重要的作用”。　　色谱是一个具有百年历史的分离分析学科，伴随着社会发展和科学发展的需求，在分离分析新理论、新方法、新技术、新仪器等方面不断创新，色谱队伍不断壮大，英才辈出。　　“近两年来，我国色谱学科在色谱理论研究、多维色谱仪器、新型色谱填料和色谱柱、样品前处理方法、应用领域等方面得到了突飞猛进的发展。”张玉奎进一步指出，当前，色谱的应用领域也在不断扩大，尤其是在与生命科学和环境科学密切相关的代谢组学、蛋白质组学、中药分离分析、环境分析等领域发挥越来越重要的作用。　　他还举例说明了色谱方法在蛋白质组学领域的应用。在2014年，来自约翰斯霍普金斯大学的蛋白质组研究员Akhilesh Pandey，与来自印度生物信息学研究所等机构的研究人员合作，分析了30种不同的组织类型，标绘了人类蛋白质组的绝大部分。这项研究识别出17294个蛋白编码基因，并通过表达分析证明了组织和细胞特异性蛋白的存在。同年，德国慕尼黑工业大学的Bernhard Kster等人创新性地推出了一个搜索性公共数据库，公布了18097个基因获得的蛋白，占目前预计人类蛋白总数的92%。　　“这两个研究组都利用了质谱方法来分析人类组织。”张玉奎指出，Pandey研究组分析的是全新的数据，针对多种健康人体组织的数据，其中包括7种胎儿组织和6种血细胞类型。而Kster研究组则采用了稍微有些不同的方法，他们汇集了已有质谱分析数据，同时构建了自己的质谱数据。目前，中科院大连化物所近年来也在蛋白组学研究上取得了一系列进展。　　张玉奎最后表示，在蛋白质组学研究中，蛋白质的分离和鉴定依然是目前最基本的任务和目标。随着蛋白质组学研究的不断深入，蛋白质分离鉴定技术将得到更加广泛的关注。　　“新型的高通量、高灵敏多维分离鉴定技术的发展，例如集成化蛋白分析平台，芯片多维液相色谱等，将为蛋白组研究带来新的革命。”张玉奎说。

近日，郑州大学第一附属医院杨静华教授团队与空军军医大学朱平教授团队、上海大学陈亮教授团队合作在国际顶尖学术期刊Science上发表了题为“Cysteine carboxyethylation generates neoantigens to induce HLA-restricted autoimmunity”的长篇研究论文。 该研究报道了一种泛蛋白修饰组学技术并发现了新型蛋白修饰和诱导限制性自身免疫。 自身免疫性疾病，如强直性脊柱炎 (AS)，机体的免疫系统对外来的抗原会做出相应的免疫应答，结果通常是将外来抗原清除，而对自身的成分通常也会发生无伤害作用的免疫应答。 一般情况下，基因可编码并翻译成蛋白质。但现有蛋白质测定技术却发现了很多与基因编码不同的氨基酸，研究者把这些现代技术检测不到的“非编码氨基酸”（ncAAs）称为人类蛋白质中的黑色物质。 非编码氨基酸包括天然蛋白质中各种形式的氨基酸修饰、变异和衍生物，可反映基因编码以外的蛋白质序列和结构的改变信息，并直接影响着蛋白结构、功能和调控。每一个非编码的氨基酸都可能是蛋白质维度上的疾病标记物和药物靶点，与人类疾病发生发展的分子机制密切相关。 杨静华教授团队经过多年研究，基于超高分辨蛋白质谱和国家超算平台，建立了一套泛蛋白修饰组学的搜索引擎，用于测定大队列人群蛋白质组中的ncAAs图谱。ncAA图谱包括基因编码以外的蛋白质结构信息，是人类疾病发生、发展及转归的分子基础。本研究采用泛蛋白修饰组学搜索引擎，测定了强直脊柱炎患者外周单核细胞的泛蛋白修饰图谱，发现了一系列与疾病相关的非编码氨基酸。论文链接：https://www.science.org/doi/10.1126/science.abg2482

16年来，他们针对肝脏疾病、恶性肿瘤、免疫系统疾病、骨质疏松等重大疾病潜在药靶及蛋白质药物方面创造了一批引领世界的创新成果，一篇篇科研论文登上了《自然-遗传学》、《自然-细胞生物学》、《自然-医学》、《自然-免疫学》等国际著名期刊的殿堂。 16年来，中国科学院院士、973项目首席科学家、总后科技金星、&ldquo 千人计划&rdquo 科学家、&ldquo 万人计划&rdquo 科学家等一座座学术&ldquo 桂冠&rdquo 在这里扎根，国家创 新团队奖、国家自然科学奖、国家科技进步奖、何梁何利奖、求是奖、中国青年女科学家奖、中国青年科技奖等一座座丰碑在这里崛起。 16年来，一个个年富力强的杰出&ldquo 海归&rdquo 和国内著名高校的骄子们从这里踏上了为&ldquo 中国梦&rdquo 、&ldquo 强军梦&rdquo 奋斗的新征程。 这就是军事医学科学院蛋白质组学创新团队。 10日，在国家科技奖励大会上，这个创新团队被授予国家科技进步奖框架下的创新团队奖。 梦想，瞄准最浩瀚的&ldquo 生命海洋&rdquo 蝴蝶从卵变虫、成蛹、化蝶，变幻诡异。让科学家们意想不到的是，其幕后操盘者竟是蛋白质组，而非基因组。 2003年，记录人类生命&ldquo 天书&rdquo 的基因组计划宣告完成，但&ldquo 蝴蝶迷案&rdquo 更加扑朔。全球科学家愈来愈意识到一项更艰巨、更宏大的任务&mdash &mdash 解读&ldquo 天 书&rdquo ，即基因组功能的阐明已经摆在面前。人类经过百年跋涉，重返近代生命科学的发源地之一：蛋白质，但不仅关注个体，而是全面揭示数以万计的整体。 1838年，荷兰科学家发现了蛋白质。这是生物体内一种极为重要的高分子有机物，占人体干重的54%。&ldquo 蛋白质组&rdquo 一词，1995年最早由澳大利亚科学家正式提出，其含义是指一个基因组、一种生物或一种细胞/组织所表达的全套蛋白质。 &ldquo 1998年初，我在科学海洋里寻觅更有效的研究工具与策略。机缘巧合之下，敏锐地关注到刚刚出现的蛋白质组学，并逐渐把精力投入到这个新兴领域。&rdquo 国际人类蛋白质组计划的奠基人和开拓者之一、中国科学院院士贺福初介绍说。 蛋白质是基因的编码产物，科学家将它们的关系，比作建筑材料与设计图纸。就人体而言，基因组固定，蛋白质组就能变幻出形态、功能各异的不同器官。由此可见，蛋白质组对进一步阐释&ldquo 生命天书&rdquo 的重要性不言而喻。 拼搏，为中国科学开辟&ldquo 新天地&rdquo 2002年4月，人类蛋白质组计划开始孕育。贺福初院士在华盛顿筹备会议上提出了&ldquo 两谱两图三库&rdquo 的研究策略，阐述了人类肝脏蛋白质组计划暨 &ldquo HLPP蓝图&rdquo ，打动了各国与会学者。他们接受邀请，来到北京香山继续研讨。2002年11月，第一届国际人类蛋白质组学大会在五四运动爆发的源头&mdash &mdash 法国凡尔赛召开，40岁的贺福初院士在这里当选为&ldquo HLPP&rdquo 首任执行主席，成为该领域全球科研大军统帅。时任国家科技部部长徐冠华说，这是首次由我国科 学家牵头负责的重大国际合作计划。 &ldquo 酝酿之初争议非常大。&rdquo 贺福初院士回忆到。&ldquo 2002年，在华盛顿，论证中我们提出：蛋白质组计划必须按生物系统(如器官、组织、细 胞)进行一种战略分工和任务分割。否则，就是一盘散沙。这个策略从华盛顿争到凡尔赛，争到蒙特利尔，然后再争到北京，后来是德国慕尼黑，一直在争。可现 在，国际上不少科学家已逐步按照这个方式进行了。&rdquo 在华盛顿会议上，中国学者的发言激起了千层浪，来自世界各国的科学家议论纷纷，有赞赏、有疑惑、更有激辩，可是唯独没有无动于衷！事实证明，中国科学家在蛋白质组学领域最终赢得国际尊重和广泛支持。

北京大学的研究人员报告称，他们开发出了一种遗传编码蛋白质光交联剂，其带有可转移的、质谱可识别的标签。这一研究成果发布在7月27日的《自然通讯》(Nature Communications)杂志上。　　北京大学化学与分子工程学院的陈鹏(Peng R. Chen)研究员与王初(Chu Wang)研究员是这篇论文的共同通讯作者。　　蛋白质以其自身结构和与其他蛋白质之间的相互作用为基础发挥功能，因此，研究蛋白质的结构和相互作用抑制是生命科学的重要方向。　　检测蛋白质相互作用的传统方法，如酵母双杂交、亲和色谱和免疫共沉淀等有着各自的局限性。酵母双杂交可以揭示蛋白质间的直接相互作用，甚至通过大规模筛查发现未知的相互作用，但酵母细胞未必能为异源表达的其他物种蛋白提供合适的相互作用条件。亲和色谱技术和免疫共沉淀技术其通量比较低，背景结合蛋白质与特异性结合蛋白质有时难以区分，直接与间接相互作用也通常难以区分。另外，这三种方法对于瞬间、微弱的相互作用，比如信号转导过程中松散变化的蛋白质复合物，都很难获得有效信息。　　近年来，科学家们一直在不断地发展发现及描绘生理条件下蛋白质相互作用特征的技术，其中化学与光亲和交联策略获得越来越多的关注。将生物分子间的非共价相互作用转变为共价交联，使得能够捕获到时常出现在自然界中微弱且短暂的蛋白质相互作用。光交联剂结合质谱技术是近年发展起来在活体系统中研究蛋白质相互作用的一种有力的工具，但它仍然存在着高假阳性鉴别率及无法提供相互作用界面信息等缺点。　　在这篇文章中研究人员报告称，他们开发出了一种遗传编码光亲和非自然氨基酸，可在光交联及猎物蛋白-诱饵蛋白分离后将一个质谱可识别的标签(MS-label)导入到捕获的猎物蛋白中。这一叫做IMAPP的策略使得能够直接鉴别出采用传统的遗传编码光交联剂难以揭示的光捕获底物肽。利用这一MS-label，IMAPP策略显著提高了鉴别蛋白质相互作用的可信度，使得能够同时鉴别捕获的肽和确切的交联位点，对于揭示靶蛋白及绘制活体系统中蛋白质相互作用界面具有极高的价值。　　来自多伦多大学Lunenfeld-Tanenbaum Research Institute (LTRI)和Donnelly中心的一组研究人员，开发出一种新技术，可以将细胞内的DNA条形码拼接在一起，以同时搜寻数百万个蛋白质配对，用以分析蛋白质相互作用。相关研究结果发表在2016年4月22日的《Molecular Systems Biology》杂志上(研究蛋白质相互作用的新技术)。　　斯克里普斯研究所(TSRI)的科学家们开发出了一种强大的新方法来寻找结合特定蛋白质的候选药物。发表在2016年6月Nature杂志上的这种新方法是一个重大的进展，它可以同时应用于大量的蛋白质，甚至直接应用于自然细胞环境中成千上万不同的蛋白质。一些小分子可以用来确定它们靶蛋白的功能，并可充当药物开发的起始复合物。TSRI的研究人员证实这一技术为许多过去认为无法很好结合这些小分子的蛋白质找到了“配体”(结合伴侣蛋白)(Nature发布突破性蛋白质新技术)。　　蛋白质是自然界的机器。它们供给氧气为我们的肌肉提供动力，催化一些帮助我们从食物中提取能量的反应，抵御细菌和病毒的感染。数十年来，科学家们一直在寻找方法设计可以满足某些医学、研究和工业特定用途的新蛋白质。现在，北卡罗来纳大学医学院的研究人员开发出了一种方法，通过将已存在蛋白质的片段拼接在一起来生成新蛋白质。这一叫做SEWING的技术发表在2016年5月的Science杂志上(Science发布突破性蛋白质技术)。

高档数控机床与基础制造装备国家科技重大专项“高精度、高分辨力绝对式光栅旋转编码器”课题通过验收并实现产业化。　　“高精度高分辨力绝对式光栅旋转编码器”是我国高档数控机床和基础制造装备急需的关键部件，被称为数控系统的“眼睛”。“十二五”期间，在国家科技重大专项的支持下，长春禹衡光学有限公司集中核心技术力量，成功解决了高精度、高分辨力绝对式旋转编码器的设计、制造、检测、应用等软硬件的核心问题，实现了高精度编码器的小型化和电子多圈计数，提高了光栅的生产效率，实现了编码器芯片功能的高度集成和编码数据的快速传输等，达到国际同类产品的先进水平，实现了系列化和产业化，年生产能力已达10万台。

1965年，中国科学家在世界上首次人工合成牛胰岛素，开启了生命化学研究的新时代。过去数十年历尽科研工作者的不断努力，蛋白质的人工化学合成取得了巨大进步。相较于自然界的生物合成，化学合成可创制具有各种精确控制结构及非天然结构的人造蛋白质，对于发展满足我们需求的蛋白质工具和蛋白质产品带来了新机遇。近期科研工作者们在化学合成蛋白领域又取得了新的成果，并应用了月旭科技的相关色谱柱产品，快来随小编一起饱尝科研的饕餮盛宴吧！化学合成大型镜像聚合酶并实现镜像DNA信息存储WELCH据悉，自然状态下的DNA，会经过精巧的进化来存储遗传信息。而手性倒链L-DNA具有相同的信息能力，但耐生物降解，可作为一个健壮的生物正交信息库。在一项新研究中，清华大学生命学院朱听课题组的研究人员们用化学方法合成了一个90kda的高保真镜像Pfu DNA聚合酶，它能够精确组装一个千碱基大小的镜像基因。该实验中首次使用的大型镜像蛋白质全化学合成策略及千碱基长度镜像基因的组装技术，解决了长期制约镜像生物学领域发展的大型镜像生物分子的制备难题。该研究成果以“利用高保真镜像Pfu DNA聚合酶实现生物正交的镜像DNA信息存储”（Bioorthogonal information storage in L-DNA with a high-fidelity mirror-image Pfu DNA polymerase）为题，于2021年7月29日发表在Nature Biotechnology杂志上。研究成果快览研究人员们用聚合酶在L-DNA中编码路易斯巴斯德1860年的一段话，这段话第一次提出了生物学的镜像世界。为突破全化学合成对蛋白质大小的限制，研究团队通过将嵌合的D-DNA/L-DNA关键分子嵌入到D-DNA存储库中，来实现手性隐写。团队将全长为775个氨基酸的Pfu DNA聚合酶分割为长度为467个氨基酸和308个氨基酸的两个片段分别合成，将其混合后共同复性，使其正确折叠为具有完整功能的90 kDa高保真镜像Pfu DNA聚合酶，为目前已报道最大的全化学合成蛋白质；研究者还利用该高保真镜像聚合酶组装出长达1.5 kb的镜像16S核糖体RNA基因，为目前已报道最长的镜像DNA。此外，他们发现保存在自然环境条件下（当地池塘水中）的微量L-DNA条形码，在1年内仍可扩增和测序；而在相同条件下的D-DNA条形码，在1天后就已经无法扩增。背后原因只有一个：它们的手性不同。在研究中，该课题组利用Ultimate® XB-C4 （4.6*250mm, 5μm）来监测反应的进行，并检测肽段产品的纯度。同时用制备柱Ultimate® XB-C4和C18 （21.2*250mm, 5μm或10*250mm, 5μm）来分离制备粗品肽段和连接产物。全化学合成富含二硫蛋白质WELCH在生物医学研究中，富含二硫的蛋白质是有用的药物或工具分子，但它们的合成由于折叠的困难而变得复杂。有鉴于此，清华大学的刘磊教授、中国科学技术大学的郑基深教授等研究人员，使用可移除的O-连接的β-N-乙酰葡萄糖胺策略，实现了正确折叠的富含二硫键蛋白质的全化学合成，该研究成果以“Total Chemical Synthesis of Correctly Folded Disulfide-Rich Proteins Using a Removable O-Linked β-N-Acetylglucosamine Strategy”为题，发表于2022年1月3日的JACS杂志上。研究成果快览研究人员描述了一种可移除糖基化修饰(RGM)策略，它可以加速具有多个或甚至链间二硫键的正确折叠蛋白质的化学合成。实验过程中，利用Ultimate® XB-C4（120Å或300Å，250mm×4.6mm，5μm）监测蛋白的合成反应，并用半制备柱Ultimate® XB-C4和C18（300Å，250mm×10mm，5μm）成功制备得到目标蛋白。该策略包括在Ser/Thr位点引入简单的O-连接的β-N-乙酰氨基葡萄糖(O-GlcNAc)基团，通过稳定其折叠中间体，有效地促进了富含二硫的蛋白质的折叠。折叠后，O-GlcNAc基团可以用β-N-乙酰氨基葡萄糖酶(OGA)被有效地去除，从而获得正确折叠的蛋白质。使用这种策略，该研究组完成了正确折叠的铁调素的合成，这是一种含有四组二硫键的铁调节激素。研究人员首次实现了正确折叠的白细胞介素5(IL-5)的全合成，这是一种26kDa的同型二聚体细胞因子，负责嗜酸性粒细胞的生长和分化。“工欲善其事，必先利其器”，月旭科技专门针对多肽、蛋白类等生物样品方法开发，推出Welch生物样品分析方法开发包，助力前沿的科学研究和日常生产分析制备工作。● 适合蛋白、多肽或其他大分子的方法开发。为了能更好地与键合相发生作用，需使用大孔径（300Å或450Å）的填料。● 不同保留能力的不同选择性键合相，满足各种分子大小的蛋白质、多肽的保留和分离。参考文献1. Ting F. Zhu, et al. Bioorthogonal information storage in l-DNA with a high-fidelity mirror-image Pfu DNA polymerase. Nature Biotechnology,2021. Nature Biotechnology | VOL 39 | December 2021 | 1548–1555.2. Lei Liu, et al. Total Chemical Synthesis of Correctly Folded Disulfide-Rich Proteins Using a Removable O-Linked β-N-Acetylglucosamine Strategy. J. Am. Chem. Soc. 2022, 144, 349−357.

创建用于精准医疗的纳米级计算机，长期以来一直是许多科学家和医疗机构的梦想。现在，美国宾夕法尼亚州立大学研究人员首次研制出一种纳米“计算机”，可控制参与细胞运动和癌症转移的特定蛋白质的功能。这项发表在16日《自然通讯》上的研究，为构建用于癌症和其他疾病的复杂设备铺平了道路。　　宾夕法尼亚州立大学医学院尼古莱多霍利安教授及其同事创造了一个类似晶体管的“逻辑门”，可执行计算操作，由多个输入控制一个输出。　　多霍利安称，这个逻辑门是一个重要的里程碑，因为它展示了在蛋白质中嵌入条件去操作并控制其功能的能力。这将给更深入地了解人类生物学和疾病，以及精准疗法的开发带来可能性。　　逻辑门包括两个传感器域，旨在响应两个输入——光和药物雷帕霉素。研究团队瞄准了蛋白质焦点黏附激酶（FAK），因为它涉及细胞黏附和运动，这是转移性癌症发展的初始步骤。　　研究人员首先在编码FAK基因中引入一个名为uniRapr的雷帕霉素敏感域，该域之前由实验室设计和研究过。然后，研究人员引入对光敏感的域LOV2。对两个域进行优化后，研究人员将它们组合成一个最终的逻辑门设计。　　研究团队将修改后的基因插入HeLa癌细胞，并使用共聚焦显微镜在体外观察细胞。他们分别研究了每个输入对细胞行为的影响，以及组合输入的综合影响。　　研究发现，他们不仅可以使用光和雷帕霉素快速激活FAK，而且这种激活导致细胞内部发生变化，从而增强了它们的黏附能力，最终降低了运动性。　　研究人员称，这是第一次证明可在活细胞内构建一种可控制细胞行为的功能性纳米“计算机”。

记者30日从中国农业科学院获悉，该院生物技术研究所联合国内多家单位共同绘制了水稻全景定量蛋白质组图谱。相关研究成果日前发表在国际期刊《自然植物》上。中国农业科学院 图一直以来，受限于蛋白质组技术的覆盖度和精度，人们对作物定量蛋白质组以及蛋白质表达的调控机制理解还不够深入。蛋白质是作物实现各种生物学功能的主要执行者，构建全景定量蛋白质图谱在阐释植物生长发育、逆境响应及代谢调控等方面具有重要意义。论文通讯作者、中国农业科学院生物技术研究所研究员梁哲告诉记者，科研人员利用质谱等技术，量化了水稻主要组织中超过15000个基因的蛋白质水平，鉴定了8964个蛋白质，并为另外7077个蛋白编码基因提供了蛋白质水平证据，从而绘制出水稻全景定量蛋白质组图谱。“本研究成功绘制了迄今为止首个作物全景定量蛋白质组图谱。此前的植物基因表达调控研究主要聚焦在基因组至转录组层面，建立了中心法则（生物体内遗传信息的流动方向）中转录本（RNA）到蛋白质这一关键环节的多组学研究策略。此次研究发现，蛋白质的表达量不仅受到转录过程的影响，还受到转录后修饰的调控。这一研究为水稻的基因功能研究提供了重要的蛋白表达量资源，为基于多组学数据的作物智能设计育种提供了新思路。另外，研究运用的定量蛋白质组的方法也给其他作物蛋白质组的深入研究提供了借鉴。”梁哲说。

随着人类基因组计划的完成，因对基因组的解读需求，后基因组时代到来；蛋白质是生命活动的功能执行者，是基因编码的终产物和药物作用于体内的直接靶标，我们期待借助超高分辨质谱技术为依赖的蛋白质组学技术来解读基因组学的天书，让质谱表征的蛋白质组学能够为生命活动提供更加贴近表型的解释。它为疾病致病机理发现、癌症的早期诊断及新型标志物研发、预后预测、精zhun分型、指导用药、临床样本数字化等均提供了准确全面的信息，为人类的疾病治疗策略、药物开发等提供新方案，是人类对抗疾病、保持健康的又一利器。1. 蛋白质组学与癌症的诊断与治疗基于超高分辨质谱的癌症蛋白质组学分子图谱的全景研究，目前已得到长足的发展，其中中国的蛋白质组学人也作出了非常优异的工作。科学家们试图对癌症患者的样本进行蛋白质组学分析，寻找每种癌症的驱动靶点，并使用特定的药物进行干预治疗。CNHPP团队有许多代表性工作，如2019年发表于Nature的围绕乙肝病毒感染相关的临床早期肝细胞癌患者样本进行蛋白质组学与磷酸化蛋白质组学分析，将患者分为三个亚型，并发现了早期肝癌的治疗靶点SOAT1[1]；而发表于Cell的关于肺腺癌的研究，选取了中国人群的103例肺腺癌的癌与癌旁组织，进行蛋白质组学表达谱及磷酸化翻译后修饰谱的表征，发现了aging这一在不吸烟的女性患者显著富集的特征，通过蛋白质组学数据将病人分为三个亚型且可有效指征病人的预后，并发现了HSP90β可作为潜在的诊断标志物[2]。Fig1. HBV相关的早期肝细胞癌样本多组学分析示意图（点击查看大图）Fig.2 肺腺癌样本多组学分析示意图（点击查看大图）2. 人类的追求：瘦与长寿除了我们一直关注的肿瘤的话题，特别是年轻人，总有一个特别关注点，那就是减肥，而随着工业化进程的推进，现代人拥有了源源不断的能量来源，也使得肥胖成为一个全球性的问题。发表于蛋白质组学专业领域杂志MCP上的文章中[3]，作者应用TMT定量蛋白质组学技术，揭示了年龄因素及长期、短期高脂饮食对小鼠的影响的研究发现，在短期的高脂饮食组中，差异蛋白主要集中于脂代谢和氧化还原通路，而长期的高脂饮食则使得差异变化的蛋白集中于免疫应答通路及体液调节系统-肾素-血管紧张素系统；值得关注的是，若再引入年龄因素，在高脂饮食与衰老因素的共同作用下，发生了剧烈的蛋白质表达量的变化(155个差异蛋白)，主要集中于尿素循环、免疫应答/补体激活、细胞外基质重塑以及细胞凋亡等途径。这也提示我们，随着我们年龄的增长，要更加关注自己体重的变化哦。Fig.3 各比较组差异蛋白（点击查看大图）随着年龄的增长，许多疾病的风险加大，而衰老本身，也是一个人类关注的永恒的主题。作为神经退行性疾病的阿尔茨海默病(AD),对患者本身及其家庭都会带来较重的负担，故对高危患者的早期识别与诊断尤其重要。发表于衰老领域专业杂志Aging cell的文章[4]，作者根据患者的认知障碍程度，将患者分为轻度及重度认知障碍组与对照人群组的与神经元在生物学上有相似之处的血小板样品进行TMT标记的差异蛋白质组学分析,发现四种血小板蛋白PHB，UQCRH，GP1BA和FINC的组合有希望成为判断患者认知能力的生物标志物。Fig.4轻度及重度认知障碍组与对照人群组差异蛋白及通路图（点击查看大图）同样发表于Aging cell的文献对衰老的蛋白质组学研究中的标志物和通路进行综述[5]，在对血浆、血清、尿液、唾液及多种组织的研究中，共鉴定到232种年龄相关的蛋白，对这蛋白进行富集分析，其主要集中于胰岛素样生长因子(IGF)通路、丝裂原活化蛋白激酶(MAPK)、缺氧诱导因子1(H1F1)、细胞因子信号通路、叉形头转录因子O亚型(FOXO)代谢通路、叶酸代谢通路、晚期糖基化终末产物(AGE)以及其受体 (RAGE)的代谢通路等。这些通路许多都已证明与衰老相关，如IGF1通路，其激活的下游MAKP通路以及PI3K通路汇聚靶点mTOR都会影响细胞的生长、分化等功能，并最终影响人类的衰老、寿命。Fig.5衰老相关蛋白富集通路分析（点击查看大图）3. 未来已来：质谱技术在生物大分子临床检测中的应用在各个领域的疾病的基础研究及临床检测中，基于质谱的定量蛋白质组学均可作为一个强劲的工具，为人类关注的健康主题开展研究，探究其治病机制、寻找更可靠有效的治疗手段等；而除基础研究外，质谱大分子检测技术也直接走向临床，造福患者。如依赖超高分辨质谱检测的类胰岛素生长因子IGF1的案例，IGF1是一种人体内的激素，其与胰岛素有着相似的功能，可参与并维持血糖水平，并与生长激素一起促进骨骼和组织的生长。IGF1检测可用于临床诊断生长发育迟缓的青少年儿童及用药后评价。质谱对于检测IGF1突变的检测优于免疫法，且不受制于抗体的产品，使得质谱法对IGF1的检测逐渐成为金标准。利用Transcend II TLX-4与Orbitrap超高分辨质谱连用的方法，使得对IGF1的超高通量的精zhun定量成为可能。Fig.6 IGF1检测流程图（点击查看大图）面对新冠大流行的局面，RT-qPCR技术以其超高的灵敏度成为新冠病毒检测的金标准；而面对日益增长的检测需求，RT-qPCR也出现了如试剂短缺等问题。质谱仪器同样具备超高的灵敏度，使用质谱来辅助新冠病毒检测的方法也应运而生。2020年发表于AC的文章中[6]，研究人员利用超高分辨质谱的PRM的采集模式，对来自新冠病毒的NP蛋白和S蛋白的特异的靶标肽段，在模拟的体液复杂样品体系中进行定量, 结果显示检测所需病毒颗粒的滴度约为2 × 105个病毒颗粒/mL, 使其成为一种有吸引力的替代RT-qPCR的检测方法。Fig.7 SARS-CoV-2靶标肽段PRM分析工作流程示意图（点击查看大图）参考文献：

英国新一期《自然》杂志公布两组科研人员分别绘制的人类蛋白质组草图。这一成果有助于了解各个组织中存在何种蛋白质，这些蛋白质与哪些基因表达有关等，从而进一步揭开人体的奥秘。 上世纪９０年代，人类基因组计划开始成形时，有科学家提出了破译人类蛋白质组的想法。其目标是将人体所有蛋白质归类并描绘出它们的特性、在细胞中所处的位置以及蛋白质之间的相互作用。但人类蛋白质组的规模和复杂性使此类研究困难重重。 德国慕尼黑工业大学等机构研究人员报告说，尽管人类已对基因组有所了解，但大约２万个编码基因中，哪些会指导合成蛋白质、合成哪些蛋白质都是未知数。为探明这一问题，他们从人体多个组织样本和细胞系中提取蛋白质并将它们&ldquo 切&rdquo 成小块，然后用质谱分析法分析出形成每个蛋白质片段所需的氨基酸序列。 研究人员借助计算机对这些蛋白质片段与基因组进行了大量比对工作，并据此列出一个&ldquo 清单&rdquo ，描绘出哪些组织中的哪些基因表达与蛋白质的形成有关。在另一项研究中，美国约翰斯· 霍普金斯大学研究人员与印度等国同行也采用质谱分析法绘制出一张蛋白质组草图。 这两个团队均发现，有数百种蛋白质是由此前认为不具备相关功能的ＤＮＡ片段（脱氧核糖核酸）及&ldquo 假基因&rdquo 形成，&ldquo 假基因&rdquo 是指由于发生突变，丧失原有功能的基因。此外他们还发现了一些与蛋白质产生无关的&ldquo 多余&rdquo 基因。 研究人员表示，绘制人类蛋白质组图谱有助于了解人体内蛋白质的出处、功能和特性，这对于生命科学、医学等领域都有重要意义。

p style=" text-align: justify text-indent: 2em " 8月29日，据中国高科技产业化研究会信息，经中国工程院院士尤政领衔的业内专家组评定，我国自主研发的高精度绝对式旋转光电编码器核心芯片及相关技术为国内首创，达国际先进水平。 /p p style=" text-align: center text-indent: 0em " img style=" max-width: 100% max-height: 100% width: 300px height: 200px " src=" https://img1.17img.cn/17img/images/201908/uepic/6d62fd24-8c8c-4fa4-aee7-8ebf664f6ff4.jpg" title=" 我自主研发光电编码器核心技术取得突破.jpg" alt=" 我自主研发光电编码器核心技术取得突破.jpg" width=" 300" height=" 200" border=" 0" vspace=" 0" / /p p style=" text-align: justify text-indent: 2em " 据介绍，旋转光电编码器是一种利用光电原理获取旋转轴转动角度变化的传感器，集光学、电子和精密机械技术于一体，广泛用于电梯、机器人、无人机、数控机床、精雕机、医疗器械等，是实现智能制造过程中不可或缺的高端控制传感器设备。 /p p style=" text-align: justify text-indent: 2em " 据北京中微锐芯科技有限公司技术人员介绍，目前旋转光电编码器的核心芯片严重依赖进口，而国内编码器厂家的高端产品大多采用德日的整体解决方案。 /p p style=" text-align: justify text-indent: 2em " 据了解，该团队自主研发攻克了光电编码器核心技术，旋转光电编码器芯片由光电二极管阵列、高精度低噪声运算放大器、第二级固定增益放大器和带回差的迟滞比较器等构成，精度达到23位。该芯片集成微型3通道光学游标编码技术、实时光强校准技术，能消除LED发光随温度变化、LED老化、码盘蒙受油污灰尘、探测器表面清洁度不高等环境因素对编码器读数造成的影响，提高编码器的重复精度和定位精度。 /p p style=" text-align: justify text-indent: 2em " span style=" text-indent: 2em " 该团队还发明了一种新的分体式编码器结构，并由此结构衍生出新的分体式编码器校准方法和安装方法，降低分体式编码器校准和安装过程中的操作难度，显著减少分体式编码器的整机厚度，节省编码器的安装空间。 /span /p

在4月30号出版的《美国化学会志》(JACS, 2008, 130, 5798)上报道了中科院武汉物数所杨俊博士在美国University of Delaware 用固体NMR新方法研究蛋白质界面的研究工作。 一些生物大分子，如膜蛋白，蛋白质复合体，蛋白质纤维等，在生命过程中起着极为重要的作用，但是由于难于得到这些生物分子的单晶以及它们在溶液中的低溶解度， 用X-ray和液体NMR很难得到它们的结构。一个典型的例子是膜蛋白质。膜蛋白约占与人类基因编码有关的蛋白质的30%，一些重要的生命活动如能量转换、信息识别与传递、物质运送和分配都与膜蛋白密切相关。但是到目前为止，只有157种(总共约3万种)膜蛋白的三维结构结构是已知的。对于这些“困难”的生物大分子，固体NMR被认为是最有前途的研究手段之一。自从2002年德国科学家首次用魔角旋转NMR得到固体蛋白质的三维结构以来，这几年这个领域飞速向前发展。随着高磁场NMR仪器的使用，魔角旋转NMR探头技术的发展，固体蛋白质样品制备技术的成熟和一批两维到四维固体NMR脉冲序列的使用，魔角旋转NMR研究蛋白质的能力大大提高，魔角旋转NMR已经能够对25-30 KDa的蛋白质进行NMR信号全归属和相应的结构和动力学研究。 在这个研究中，杨俊和University of Delaware 的同事Tatyana Polenova设计了一组新脉冲序列，他们用这组脉冲序列研究了用不同同位素标记的thioredoxin蛋白质组装体的分子内和分子间的界面。首先他们用理论模拟和NMR实验证实了固体NMR中的REDOR技术可以用来消除13C,15N全富集的蛋白质主链上的15N信号，实现了用一个蛋白质样品同时进行NMR信号归属和蛋白质界面研究。借助于对远程相互作用敏感的1H/13C REDOR和PAIN－CP技术, 他们设计了两个脉冲序列，用不同核自旋对的相关性观察到了蛋白质界面上空间相近的残基对。另外，他们还设计了两个脉冲序列对蛋白质另外一段的主链上的15N信号进行了归属。这组固体NMR的脉冲序列和相应的同位素标记方法将可以在更大的蛋白质复合体的界面研究中使用。

研究背景蛋白质脂化在几乎所有与膜相关的生物学途径中都起着核心作用，例如细胞信号传导、蛋白质分泌、细胞死亡和免疫。然而，由于脂化是高度可变的，可逆的，并且经常与其他蛋白质翻译后修饰相互交叉影响，大多数蛋白脂化的生理功能仍然不明确，常见的功能缺失诱变方法对于探索蛋白质脂化往往效果不佳。研究内容2023年8月，浙江大学生研院林世贤课题组在 Nature Chemical Biology（自然化学生物学）杂志发表了题为“Computational design and genetic incorporation of lipidation mimics in living cells”的研究成果，报告了一种设计脂化模拟的计算方法。研究团队建立了一个工程系统，用于将这些脂化模拟物整合到大肠杆菌和哺乳动物细胞中几乎任何所需的蛋白质位置。这项研究策略能够实现数百种蛋白质脂化的功能获得研究，促进了卓越治疗候选药物的创造。在该研究中，为了证明基因编码脂质模拟物在设计和合成治疗候选药物中的效用，研究人员使用Monolith分子互作仪检测了人血清白蛋白HSA和脂质模拟改造的多肽药物GLP-1变体之间的相互作用。GLP-1-K20-4HexyF和GLP-1-K20-4OctyF对HSA的Kd值分别为2.31 μM和0.58 μM，分别比GLP-1-K20-HepoK的15 μM增加了6.5倍和25.9倍。相比之下，野生型(WT) GLP-1未检测到结合，表明增强的结合是由脂质模拟介导的。图：MST分析多肽药物GLP-1变体对人血清白蛋白HSA的亲和力https://doi.org/10.1038/s41589-023-01400-8IF: 14.8 Q1技术优势Monolith系列仪器可以直接检测带有荧光标记（如CY5）的多肽与其他分子间的相互作用，也可以检测经过荧光标记的蛋白与无荧光的多肽分子间的相互作用。检测不依赖于分子量的改变，样品用量少，仅需10分钟就可获得精确的Kd值。

来自德国及美国等处的研究人员针对基因组特别大，难以进行全基因组测序的动物，提出了以转录组测序与蛋白质组分析联合以解析功能基因的策略，并以蝾螈进行实验，开辟了组织及器官再生研究的新思路。该研究成果已发表近期的《Genome Biology》杂志上。 蝾螈是一种在侏罗纪中期演化的有尾两栖动物，目前存活的约有400种。红色斑点蝾螈虽然小，但其组织工程学技艺却令人惊叹。蝾螈在失去了组织，包括心肌、中枢神经系统元件甚至眼睛的晶状体后仍能再生。一般来讲，动物的再生组织的能力是所有多细胞动物所共有的古老程序，因此，医生们一直希望蝾螈的这种能力依赖于基础遗传学程序，而该程序潜伏在包括哺乳动物在内的所有动物中，这样他们就可以在再生医学中利用蝾螈的再生机制。 然而蝾螈的基因组十分庞大，比人类基因组大十倍，要从头获得蝾螈的全基因组序列不容易。因此研究者们将目光转向基因表达所产生的RNA，他们利用454新一代测序技术对蝾螈的转录组进行了研究。经过从头组装N. viridescens的转录组，获得了超过120,000个RNA转录本，约有15,000个转录本编码蛋白质，其中有826个转录本是蝾螈所特有的。这些转录本中包含了不同器官所有再生阶段的转录本，这些转录本中的一部分与其它生物相似。通过对蝾螈胚胎和幼体的心脏、四肢、眼睛、尾、肝脏、脾脏等组织中再生过程表达的蛋白的分离以及质谱分析方法，对这些蛋白进行分类及与转录本的比对。 通过454新一代测序结果与质谱技术的结合，发现了500多个其它生物中从未被发现的肽段，接下来会进一步探索这些蛋白是否与再生能力相关。这项研究不仅为目前科学家们提供了两栖类动物的基因数据，更为基因组测序困难的动物研究，提出了一种新思路。 参考文献： Genome Biol. 2013 Feb 20 14(2):R16. A de novo assembly of the newt transcriptome combined with proteomic validation identifies new protein families expressed during tissue regeneration.Looso M, Preussner J, Sousounis K, Bruckskotten M, Michel CS, Lignelli E, Reinhardt R, Hoeffner S, Krueger M, Tsonis PA, Borchardt T, Braun T.