蛋白质组学基础（Proteomics）¶

一句话说明¶

蛋白质组学就是用质谱技术大规模研究一个细胞/组织/生物体里所有蛋白质的种类、数量和功能——基因组告诉你"有什么菜谱"，蛋白质组告诉你"今天厨房里实际做了哪些菜、每道菜做了多少份"。

1. 什么是蛋白质组学¶

1.1 定义¶

蛋白质组学（Proteomics）是对蛋白质组（proteome）进行大规模研究的学科。蛋白质组指一个细胞、组织或生物体在特定时间和条件下表达的所有蛋白质的集合。

来源：Wikipedia - "Proteomics is the large-scale study of proteins... The proteome is the entire set of proteins produced or modified by an organism or system."

1.2 白话理解¶

1.3 为什么不只看基因就够了？¶

• 基因≠蛋白质：同一个基因可以通过可变剪切产生多种蛋白质
• mRNA水平≠蛋白质水平：翻译效率、蛋白质降解速率不同，mRNA和蛋白质丰度相关性通常只有 ~0.4-0.6
• 翻译后修饰（PTM）：磷酸化、糖基化、泛素化等修饰改变蛋白功能，基因组看不到
• 蛋白质才是真正的功能执行者：药物靶点绝大多数是蛋白质

2. 质谱原理白话版¶

质谱仪（Mass Spectrometer, MS）是蛋白质组学的核心工具。原理可以总结为三步：

2.1 电离（Ionization）——让分子带电¶

Wikipedia: "Electrospray ionization (ESI) is a technique used in mass spectrometry to produce ions using an electrospray in which a high voltage is applied to a liquid to create an aerosol."

白话：蛋白质本来是溶液里的大分子，需要先把它"喷"成带电的小液滴（像喷雾器），液滴蒸发后蛋白质/肽段就变成了带电粒子（离子）。

常用电离方式： - ESI（电喷雾电离）：最常用，适合液相色谱直接连接（LC-MS），像用喷壶把水喷成细雾 - MALDI（基质辅助激光解吸电离）：用激光照射样品，适合高通量筛查

2.2 分离（Mass Analysis）——按质荷比分开¶

离子进入质量分析器后，根据质荷比（m/z = 质量/电荷）被分开。

白话：想象一排弹珠从坡上滚下来，重的滚得慢、轻的滚得快——质谱仪就是用电场或磁场把不同"重量"的离子分开排队。

常见质量分析器： | 分析器 | 白话 | 特点 | |-------|------|------| | Orbitrap（轨道阱） | 离子绕中心电极转圈，不同质量转的频率不同 | 高分辨率，最主流 | | TOF（飞行时间） | 给所有离子同样的推力，轻的先到达 | 速度快，适合DIA | | 四极杆（Quadrupole） | 用交变电场只让特定m/z的离子通过 | 常做"过滤器"用 |

2.3 检测（Detection）——数有多少离子¶

分开后的离子撞到检测器上，转换成电信号，画出质谱图（横轴m/z，纵轴强度）。

白话：就像超市扫码后在收银台统计——每种商品（m/z）扫了多少次（强度/丰度）。

2.4 串联质谱（Tandem MS, MS/MS）¶

Wikipedia: "Tandem mass spectrometry, also known as MS/MS or MS2, is a technique where two or more stages of analysis using one or more mass analyzers are performed with an additional reaction step."

白话： - MS1（一级质谱）：先称出完整肽段的"体重"（前体离子 precursor ion） - 碎裂：选中某个肽段，用高能气体把它打碎成碎片 - MS2（二级质谱）：再称碎片的"体重"（碎片离子 fragment ion）

通过碎片的模式就能反推这个肽段的氨基酸序列，就像根据拼图碎片还原原图。

3. DDA vs DIA 采集模式¶

3.1 DDA（数据依赖采集，Data-Dependent Acquisition）¶

原理：MS1扫一遍 → 挑出信号最强的 Top N 个肽段（比如前10个）→ 逐个做 MS2 碎裂。

白话：自助餐厅的大厨只看哪个菜被拿得最多（信号最强），就只研究那几个菜的配方。排队靠后的菜（低丰度蛋白）可能根本轮不到被分析。

3.2 DIA（数据非依赖采集，Data-Independent Acquisition）¶

Wikipedia: "In DIA, all ions within a selected m/z range are fragmented and analyzed in a second stage of tandem mass spectrometry... DIA is an alternative to DDA where a fixed number of precursor ions are selected."

原理：把整个m/z范围分成若干"窗口"，每个窗口内的所有离子都碎裂，不做任何挑选。

白话：大厨不挑了，自助餐厅里所有菜都要分析配方。虽然每个窗口里混了好几道菜的碎片，但靠软件事后"解卷积"（反推哪个碎片属于哪道菜）来搞定。

3.3 DDA vs DIA 对比表¶

4. 蛋白质组学分析流程¶

样品制备（蛋白提取→酶切成肽段）
   ↓
液相色谱分离（LC，按疏水性分开肽段）
   ↓
质谱采集（MS/MS，获取质谱数据）
   ↓
数据库搜索（把谱图匹配到肽段序列）
   ↓
蛋白定量（计算每个蛋白的表达量）
   ↓
差异分析（找出两组间显著变化的蛋白）
   ↓
功能注释（GO/KEGG富集分析）

4.1 样品制备¶

组织/细胞/体液
   ↓ 裂解（SDS、尿素等变性剂）
蛋白提取液
   ↓ 蛋白定量（BCA法）
   ↓ 还原（DTT打开二硫键）
   ↓ 烷基化（IAA封住巯基）
   ↓ 酶切（Trypsin胰蛋白酶，在K/R后切割）
肽段混合物
   ↓ 脱盐（C18柱净化）
上机样品

白话：就像把一整只烤鸡（完整蛋白）切成一块块鸡肉（肽段），因为质谱仪更擅长分析小块。胰蛋白酶（Trypsin）是最常用的"切肉刀"，专门在赖氨酸（K）和精氨酸（R）后面切。

4.2 LC-MS/MS¶

• LC（液相色谱）：把几万种肽段按疏水性依次洗出来（就像不同颜色的彩虹糖在水流里分开）
• MS/MS：每洗出一批肽段就送进质谱仪做一级+二级质谱

典型参数： - 色谱柱：C18 反相柱，75μm x 25cm - 梯度：60-120分钟 - 流速：300 nL/min（纳升级！）

4.3 数据库搜索¶

把实验获得的 MS/MS 谱图和理论谱图（根据蛋白质数据库生成）进行比对。

实验谱图（来自质谱仪）
    ↓ 比对
理论谱图（根据数据库中每条蛋白的序列，模拟酶切 + 碎裂产生的理论碎片）
    ↓ 打分
PSM（Peptide-Spectrum Match，肽段-谱图匹配）
    ↓ FDR过滤（通常 < 1%）
可信肽段鉴定结果
    ↓ 肽段→蛋白推断
蛋白鉴定列表

常用蛋白质数据库： - UniProt/Swiss-Prot：人工审核的高质量数据库 - UniProt/TrEMBL：自动注释，量大但质量参差 - NCBI nr：非冗余蛋白数据库

4.4 定量分析¶

根据定量方法不同（见第6节），计算每个蛋白在每个样品中的表达量。

4.5 差异分析¶

# 差异蛋白分析的基本思路（伪代码示例）
# 和转录组差异分析类似，但蛋白组通常样本量更小

import pandas as pd               # 数据处理库
from scipy import stats           # 统计检验库

# 读取蛋白定量矩阵（行=蛋白，列=样本）
protein_matrix = pd.read_csv("protein_abundance.csv", index_col=0)

# 分组信息
group1 = ["T2D_1", "T2D_2", "T2D_3"]        # 糖尿病组
group2 = ["Control_1", "Control_2", "Control_3"]  # 对照组

results = []
for protein in protein_matrix.index:          # 遍历每个蛋白
    g1 = protein_matrix.loc[protein, group1]  # 取糖尿病组的值
    g2 = protein_matrix.loc[protein, group2]  # 取对照组的值

    # t检验（蛋白组常用）或 limma（R语言更推荐）
    t_stat, p_value = stats.ttest_ind(g1, g2)

    # 计算 fold change（倍数变化）
    fc = g1.mean() / g2.mean()               # 均值比
    log2fc = np.log2(fc)                      # 取log2方便看方向

    results.append({
        "protein": protein,
        "log2FC": log2fc,
        "p_value": p_value
    })

# FDR校正（Benjamini-Hochberg）
# 筛选标准通常：|log2FC| > 1 且 FDR < 0.05

4.6 功能注释¶

和转录组分析一样的下游分析： - GO富集（Biological Process / Molecular Function / Cellular Component） - KEGG通路富集 - 蛋白互作网络（PPI, 用STRING数据库） - Domain/Motif分析

5. 数据库搜索原理——靶-诱库策略与FDR控制¶

5.1 靶-诱库（Target-Decoy）策略¶

这是蛋白质组学质控的核心思想：

靶库（Target Database）：真实的蛋白序列
    例如：UniProt Human（约20,000条蛋白）

诱饵库（Decoy Database）：把每条蛋白序列反转（reverse）
    例如：MAKTFG... → ...GFTKAMI
    这些"假蛋白"在自然界不存在

合并搜索 → 统计匹配到诱饵库的数量

Wikipedia: "FDR is the expected proportion of discoveries that are false... FDR = FP / (FP + TP)."

5.2 FDR计算¶

白话：诱饵库里的蛋白都是假的，如果搜索结果里有100个匹配到真蛋白，1个匹配到假蛋白，那FDR ≈ 1%（意思是100个结果里大约有1个是假的）。

FDR = 匹配到诱饵库的数量 / 匹配到靶库的数量

具体公式：
FDR = 2 × Decoy_hits / (Target_hits + Decoy_hits)

行业标准：
- PSM（肽段-谱图匹配）级别 FDR < 1%
- 肽段级别 FDR < 1%
- 蛋白级别 FDR < 1%

5.3 白话类比¶

想象你在一堆简历里找合格员工： - 靶库 = 真实的求职者简历 - 诱饵库 = 你故意混入的一批假简历（名字倒着写的） - 如果你的筛选标准选出了100份真简历和2份假简历，说明你的筛选标准的误选率（FDR）约为 2% - 标准太松：假简历混入多 → FDR高；标准太严：漏掉好简历 → 灵敏度低

6. 定量方法对比——LFQ / TMT / SILAC¶

6.1 三种方法概述¶

来源：TMT - "TMT-based proteomics has been shown to afford higher precision than label-free quantification."（Wikipedia - Tandem mass tag）

来源：SILAC - "Stable isotope labeling by amino acids in cell culture (SILAC) is a technique based on mass spectrometry that detects differences in protein abundance among samples using non-radioactive isotopic labeling."（Wikipedia）

来源：LFQ - "Label-free quantification is a method in mass spectrometry that aims to determine the relative amount of proteins... does not use a stable isotope containing compound to chemically bind to and thus label the protein."（Wikipedia）

6.2 白话对比¶

• LFQ：不贴标签，直接比两次考试的成绩（简单但不够准，因为两次考试条件可能不同）
• TMT：给不同班级的试卷贴不同颜色的标签，混在一起批改（条件一致，更准）
• SILAC：让不同班级的学生吃不同食物（轻/重同位素氨基酸），通过体重差异区分来源

6.3 怎么选？¶

临床样本/粪便/环境样本 → LFQ（样本不能做代谢标记）
     ↓ 追求更高精度
     → TMT（成本允许的话）

细胞培养实验 → SILAC（最准，但只能体外培养）

大队列研究（>100样本）→ LFQ + DIA（DIA-NN）

7. 常用工具¶

7.1 MaxQuant¶

• 官网：https://maxquant.org/
• 开发者：Jürgen Cox 实验室（Max Planck Institute of Biochemistry）
• 特点：DDA分析的金标准，内置 Andromeda 搜索引擎
• 支持：LFQ、SILAC、TMT 定量
• 输出：proteinGroups.txt（蛋白定量结果）
• 下游：配套 Perseus 做统计分析
• 语言：C#，Windows 运行，免费

# MaxQuant 基本工作流程
Raw files（质谱原始数据，.raw格式）
   ↓ 加载到 MaxQuant GUI
配置参数：
   - FASTA数据库（UniProt下载）
   - 酶：Trypsin/P
   - 固定修饰：Carbamidomethyl (C)    # 半胱氨酸烷基化
   - 可变修饰：Oxidation (M), Acetyl (Protein N-term)
   - FDR：1%（PSM和蛋白级别）
   - 定量方式：LFQ / SILAC / TMT
   ↓ 运行
输出目录/combined/txt/ 下的结果文件

7.2 DIA-NN¶

• GitHub：https://github.com/vdemichev/DiaNN（已验证可访问）
• 开发者：Vadim Demichev（Charité – Universitätsmedizin Berlin）
• 特点：DIA数据分析的速度标杆，深度学习驱动
• 亮点：library-free模式（不需要提前建谱图库），速度极快
• 输出：report.tsv（定量结果），可直接导入R/Python分析

# DIA-NN 命令行示例
diann \
    --f sample1.mzML \                    # 输入DIA数据（mzML格式）
    --f sample2.mzML \
    --lib "" \                            # 空字符串 = library-free模式
    --fasta uniprot_human.fasta \         # 蛋白序列数据库
    --threads 8 \                         # 线程数
    --out report.tsv \                    # 输出文件
    --qvalue 0.01 \                       # FDR阈值1%
    --matrices                            # 输出定量矩阵

7.3 FragPipe¶

• 官网：https://fragpipe.nesvilab.org/
• 开发者：Nesvizhskii Lab（University of Michigan）
• 核心：MSFragger 搜索引擎（超快的数据库搜索）
• 特点：支持 DDA/DIA/开放搜索（Open Search，找未知修饰）
• 速度：比传统搜索引擎快 10-100 倍

7.4 Perseus¶

• 开发者：MaxQuant 团队
• 定位：蛋白质组学下游统计分析平台（GUI操作）
• 功能：数据过滤、归一化、缺失值填充、t-test、ANOVA、PCA、聚类、火山图、热图
• 白话：MaxQuant找到了蛋白，Perseus负责告诉你哪些蛋白有意义

7.5 工具选择速查¶

DDA 数据 → MaxQuant 或 FragPipe 搜库 → Perseus 统计分析
DIA 数据 → DIA-NN 搜库+定量 → R/Python 统计分析
开放搜索（找PTM）→ FragPipe (MSFragger)
大规模临床队列 → DIA + DIA-NN（速度快、重复性好）

8. 与T2D项目的关联——宏蛋白质组学¶

8.1 什么是宏蛋白质组学（Metaproteomics）¶

Wikipedia: "Metaproteomics is an umbrella term for experimental approaches to study all proteins in microbial communities and microbiomes from environmental sources."

白话：宏基因组告诉你肠道里有哪些细菌、它们有什么基因；宏蛋白质组学告诉你这些细菌实际表达了哪些蛋白——也就是它们真正在干什么活。

8.2 与宏基因组示例项目的衔接¶

研究项目（宏基因组）：
   粪便样本 → 16S/宏基因组测序 → 找到 T2D 相关菌群差异

如果加上宏蛋白质组学：
   同一批粪便样本 → 蛋白提取 → LC-MS/MS → 数据库搜索（用宏基因组组装的蛋白数据库）
   → 找到 T2D 患者肠道菌群实际表达的差异蛋白
   → 发现功能层面的变化（不只是"有没有这个菌"，而是"这个菌在做什么"）

8.3 宏蛋白质组学的特殊挑战¶

8.4 面试怎么说¶

"我的毕业课题是2型糖尿病肠道菌群的宏基因组分析。宏基因组告诉我们菌群的组成和功能潜力，但如果想知道这些菌群在T2D患者体内实际执行了哪些功能，就需要宏蛋白质组学。这是一个从DNA层面到蛋白功能层面的自然延伸，也是多组学整合分析的重要方向。"

9. 面试高频问题与参考答案¶

Q1: 请简述质谱（MS）的基本原理¶

参考答案： 质谱分析有三个核心步骤：(1) 电离——通过ESI（电喷雾）或MALDI（激光）将分子变成带电离子；(2) 分离——在质量分析器（如Orbitrap、TOF）中按质荷比（m/z）将不同离子分开；(3) 检测——检测器记录每种m/z离子的数量，生成质谱图。在蛋白质组学中，我们通常用串联质谱（MS/MS），先在MS1记录完整肽段的m/z，再碎裂后在MS2记录碎片的m/z，从而推断肽段的氨基酸序列。

Q2: DDA和DIA有什么区别？各自的优缺点？¶

参考答案： DDA（数据依赖采集）在每个MS1扫描后，选择信号最强的Top N个前体离子进行MS2碎裂，优点是谱图简单、匹配容易，缺点是低丰度蛋白容易漏检，且重复性差。DIA（数据非依赖采集）将m/z范围分成若干窗口，对窗口内所有离子碎裂，优点是覆盖全面、重复性好、定量更准，缺点是混合谱图需要复杂的计算解卷积。目前DIA是蛋白质组学的发展趋势，DIA-NN等工具的出现大大降低了分析门槛。

Q3: 蛋白质组学中如何控制假阳性（FDR）？¶

参考答案： 蛋白质组学使用靶-诱库（Target-Decoy）策略控制FDR。具体做法是：将真实蛋白序列库（靶库）和反转序列库（诱饵库）合并搜索。由于诱饵库中的序列是人造的，任何匹配到诱饵库的结果都是假阳性。通过统计诱饵库的命中数，可以估算FDR。行业标准是PSM、肽段和蛋白三个层次都控制FDR < 1%。公式为：FDR ≈ 2 × Decoy_hits / (Target_hits + Decoy_hits)。

Q4: LFQ、TMT、SILAC三种定量方法怎么选？¶

参考答案： 三种方法各有适用场景：LFQ（无标记定量）不需要额外标记试剂，成本低，适用于任何样本类型（包括临床样本、环境样本），但定量精度相对较低，缺失值多。TMT（串联质量标签）通过化学标记实现多重比较（最多18个样本同时比较），精度高于LFQ，但试剂成本高。SILAC（稳定同位素标记）通过代谢标记实现最准确的定量，但只适用于细胞培养体系。临床/微生物样本首选LFQ或TMT，细胞实验首选SILAC，大队列研究推荐DIA+LFQ。

Q5: 如果让你设计一个T2D肠道菌群的宏蛋白质组学实验，你会怎么做？¶

参考答案： (1) 样品收集：收集T2D患者和健康对照的粪便样本，同一批样本同时做宏基因组和宏蛋白质组学。(2) 数据库构建：用宏基因组组装结果预测蛋白序列，构建样本特异的蛋白数据库，同时加入人源UniProt数据库用于区分宿主蛋白。(3) 质谱分析：蛋白提取 → 胰蛋白酶酶切 → LC-MS/MS（DIA模式）。(4) 数据分析：DIA-NN或MetaLab搜库定量 → 差异蛋白分析 → 功能注释（GO/KEGG）→ 整合宏基因组结果，看哪些菌群的功能蛋白在T2D中显著变化。(5) 意义：可以揭示菌群在T2D中的实际功能活动，而非仅仅是基因层面的功能潜力。

10. 速查表¶

核心概念速查¶

工具速查¶

分析流程速查¶

原始数据 (.raw/.wiff/.mzML)
    ↓
格式转换 → msconvert（ProteoWizard）
    ↓
DDA路线：MaxQuant/FragPipe → Perseus
DIA路线：DIA-NN → R/Python
    ↓
差异蛋白 → GO/KEGG富集 → PPI网络 → 生物学解释

11. 延伸资源¶

推荐阅读¶

推荐课程与综述¶

• Nature Methods Primer: "Proteomics"（2023）——蛋白质组学全景综述
• MaxQuant Summer School：每年暑期举办的免费在线课程
• Bioinformatics.ca: Proteomics workshop 资料（免费）

和本项目其他知识库的关联¶

本文基于 Wikipedia（Proteomics, Tandem mass spectrometry, Data-independent acquisition, Tandem mass tag, SILAC, Label-free quantification, Electrospray ionization, Metaproteomics, False discovery rate）等公开资料编写，所有引用已在文中标注来源。工具版本和链接经联网验证（2026年5月）。