测量血液中特定蛋白质的浓度已有近两个世纪的历史，用于诊断贫血的血红蛋白检测方法是最早被开发用于临床的血液检测方法之一。如今，在血液液体部分（称为血浆）中存在的数千种不同蛋白质中，常规检测仅关注相对较少的数量。
高通量质谱技术和基于亲和力的方法的进展使研究人员能够同时检测体液中的数千种蛋白质，这可能有助于更早、更准确地诊断疾病。血浆蛋白质组学可以消除多次检测的需要，并且重要的是，能够提供人体健康状况的全面图景。
"研究蛋白质组学具有明显优势，"斯德哥尔摩SciLifeLab蛋白质组学平台联合主任克劳迪娅·弗雷多利尼博士表示，"与相对静态的基因不同，蛋白质的产生不断变化，反映了细胞和不同生物过程的动态状态。"
蛋白质组学领域仍落后于基因组学和转录组学，主要由于蛋白质组的动态性质和检测挑战——目前没有PCR那样的直接等效方法来扩增低丰度蛋白质。然而，越来越多的努力正在致力于实现蛋白质组学在症状出现前检测疾病、监测治疗反应以及推进精准医学方面的潜力。
血浆蛋白质组学的挑战
在血液、脑脊液(CSF)、尿液和唾液等体液中检测蛋白质特别困难，因为蛋白质浓度范围巨大，可跨越10-12个数量级。血液中高丰度蛋白质（如白蛋白和免疫球蛋白）可能会掩盖通常具有生物意义的低丰度蛋白质。
此外，样本固有的复杂性以及生物和分析变异性可能导致重现性差。因此，需要大样本量才能可靠地区分来自个体蛋白质表达差异的"噪声"的真实生物信号。
检测方法和通量的改进使研究人员能够比以往任何时候都检查更多样本中的更多蛋白质（及其变体蛋白形式）。本文探讨了推动血浆中蛋白质生物标志物发现、验证和临床转化的一些技术进展。
基于质谱的血浆蛋白质组学
普渡大学化学生物学教授安迪·陶博士二十多年来一直致力于开发敏感且稳健的方法，使用质谱技术识别蛋白质及其翻译后修饰。在建立自己的研究团队之前，他在西雅图与质谱蛋白质组学先驱鲁迪·埃伯索尔德博士共事。
埃伯索尔德对靶向蛋白质组学技术（如选择反应监测和数据非依赖性采集）的贡献显著提高了血浆中蛋白质定量的灵敏度、重现性和通量。他早期的工作指出了"非特异性"血浆生物标志物的问题，这些标志物在多种疾病、感染或癌症中都能发现。为了解决这个问题，埃伯索尔德是最早倡导可重复测量生物标志物面板和特定翻译后修饰（如磷酸化或糖基化）的研究者之一，以识别疾病特征并区分疾病状态。
陶的研究重点是磷酸化蛋白质组学和识别蛋白质上与疾病相关的磷酸化位点。"由于激酶突变导致的异常磷酸化通常是癌症的标志，但由于肝脏释放的碱性磷酸酶的存在，在血液中检测磷酸化蛋白质非常困难，"他解释道。
2015年，鉴于研究表明癌细胞可以改变它们释放的细胞外囊泡(ECVs)的蛋白质含量，以促进肿瘤进展或响应药物治疗，陶将注意力转向血浆ECVs。结果令人惊讶。
"以前，在大量血浆中我们只能识别约10-20种磷酸化蛋白质，"他说，"通过将我们的磷酸化蛋白质组学分析集中在ECVs上，我们可以在仅1毫升血浆中检测到1,000-2,000种独特的磷酸化蛋白质。"
他的团队开发了一种基于功能化磁珠的方法，从体液中分离ECVs，并将其应用于检测癌症和神经系统疾病的潜在生物标志物。在最近的一项研究中，他们强调了利用血浆来源ECVs中的翻译后修饰蛋白质来诊断乳腺癌亚型并指导治疗决策的潜力。
尽管在识别ECVs的组织或器官来源方面取得了巨大进展，但在血浆ECVs中发现中枢神经系统疾病的生物标志物仍然具有挑战性。血浆中的大多数ECVs来源于血液和免疫细胞类型。"血浆中只有约5%的ECVs来源于大脑，"陶说，"尽管血浆中的神经元来源ECVs可以使用针对特定细胞表面蛋白质的抗体进行靶向，但处理脑脊液更容易，"他承认。
然而，对于新的蛋白质生物标志物要在临床上得到应用，重点仍然是血浆，因为与其他体液相比，血浆的采集过程更为成熟，且比脑脊液侵入性小。得益于检测技术的改进，脑脊液中的发现（如阿尔茨海默病(AD)患者中苏氨酸217位点磷酸化tau蛋白(p-tau217)的增加）已在血浆中得到复制。
P-tau217目前被认为是距离AD广泛临床应用最近的血液生物标志物。去年，美国食品药品监督管理局(FDA)批准了一种血液检测方法上市，该方法测量p-tau217和β-淀粉样蛋白1-42的比率，以帮助诊断55岁以上显示疾病症状的AD患者。虽然该检测不适用于患者筛查，但它提供了比正电子发射断层扫描或腰椎穿刺更快速、更便捷的替代方法，用于确认淀粉样斑块的存在。
通过基于亲和力的方法扩展血浆蛋白质组学工具包
依赖亲和试剂和下一代测序读出的方法正在推动质谱的灵敏度极限，并实现数千个样本的高通量分析。"基于亲和力的蛋白质组学方法补充了质谱技术，并有助于将生物标志物领域从发现阶段推进到验证阶段，"弗雷多利尼说。
在SciLifeLab的亲和蛋白质组学部门，她正领导开发和实施新方法，用于在涉及数千个样本的研究中量化多个预定义的低丰度蛋白质。
亲和方法可以是基于抗体的，也可以基于适体——短的合成单链核酸序列，能够以高特异性和灵敏度结合特定表位。
越来越多的研究兴趣集中在比较不同方法获得的数据深度和完整性。弗雷多利尼团队和其他人的结果突显了结合质谱和基于亲和力的方法的价值，以实现对血浆蛋白质组的更全面分析，这是单独使用任何一种方法都无法做到的。"虽然质谱对于深入、无偏见的潜在生物标志物发现很有用，但基于亲和力的方法可以高通量地识别低丰度蛋白质，"她解释道，"在设计蛋白质组学研究时，考虑每种方法的优势和局限性至关重要。"
快速扩展蛋白质组学规模
陶和弗雷多利尼都认为，为了有效验证生物标志物，将血浆蛋白质组学数据与其他"组学"数据（基因组学、转录组学、代谢组学）以及临床数据和电子健康记录整合至关重要。人工智能驱动的分析在帮助研究人员发现用于早期疾病诊断、预后和治疗反应的蛋白质特征方面正发挥着越来越重要的作用。
诸如英国生物样本库药物蛋白质组学项目(UKB-PPP)等倡议正在生成来自50,000多名英国生物样本库参与者的血浆蛋白质组学数据，并将其与他们的表型和遗传数据结合，以支持新生物标志物和药物靶点的发现。SciLifeLab是全球神经退行性疾病蛋白质组学联盟(GNPC)的成员，该联盟专注于协调来自20多个国际研究小组收集的40,000多份血液和脑脊液样本的蛋白质组学数据，以识别神经退行性疾病的最可靠生物标志物。
"在我们能够实现血浆蛋白质组学在诊断和临床环境中的潜力之前，还有很多工作要做，"弗雷多利尼指出，"能够在微样本中检测可操作的生物标志物，使用更简单、更便宜的仪器，将有助于弥合从研究实验室到常规临床使用的差距。"
【全文结束】