2023年2月26日，西湖大学医学院的郭天南教授、哈佛医学院的Judith A. Steen教授、马克斯·普朗克生物化学研究所的Matthias Mann教授在《Nature》期刊上发表了一篇题为《基于质谱的蛋白质组学：从单细胞到临床应用》的综述文章。这篇综述是自2016年蛋白质组学领域领军人物Ruedi Aebersold和Matthias Mann发表的综述后，近十年来的重要总结。2016年的综述系统回顾了基于质谱的蛋白质组学技术的进展，详细介绍了从硬件到软件的全流程革新，强调了从常规生物样本到单细胞和空间分辨分析的大规模检测提升了蛋白质的鉴定和量化的深度与准确性。文章还探讨了蛋白质组学向临床应用转化的潜力与挑战，包括发现疾病标志物及多标志物检测方法的发展，并强调靶向蛋白质组学技术在疾病诊断中应用的前景。在结尾，作者展望了蛋白质组学的未来，认为通过自动化、多组学数据的整合，尤其是借助人工智能的推动，蛋白质组学将进一步突破现有瓶颈，为揭示复杂生物系统和疾病机制提供新的视角，最终推动精准医疗的实现。

随着自动化和标准化技术的不断引入，生物样本前处理效率和重复性显著提升，各种样本类型，包括福尔马林固定石蜡包埋（FFPE）组织和考古样本，都能成功分析。现代质谱仪的高灵敏度使得传统的纳升级流速逐渐被微升级流速所替代，从而提升了色谱方法的稳健性。此外，质谱仪技术也在持续进步，尽管Orbitrap分析仪依旧主导，但飞行时间（TOF）分析仪正在复兴，例如timsTOF通过并行累积—串行碎片（PASEF）技术提升了肽段的测序效率，而Astral分析仪则结合多反射TOF与Orbitrap进行MS1分析，提供了卓越的分辨率。

在数据采集策略上，传统的数据依赖性采集（DDA）逐渐被数据非依赖性采集（DIA）所取代。DIA通过连续窗口模式扫描多肽离子，有效降低了样本间的缺失值。在临床应用方面，靶向蛋白质组学（S/MRM）技术迅速发展，通过短色谱梯度实现高通量的目标肽段测定。综述特别强调了人工智能在质谱蛋白质组学研究中的变革性作用，深度学习算法不仅能够提高鉴定与定量的准确性，还展现出巨大潜力用于生物标志物的挖掘与解读。未来，将大型语言模型（如ChatGPT、DeepSeek等）应用于谱图解析过程中将加速数据解释和假设生成，推动蛋白质谱技术迈向新高度。

基于质谱的蛋白质组学在解析生物系统中有七个不同的应用领域：表达蛋白质组学让我们了解不同条件下蛋白质丰度的变化；相互作用蛋白质组学揭示了细胞内复杂的分子网络；PTMs和结构蛋白质组学从功能和结构两方面提供蛋白质动态变化的详细描述；化学蛋白质组学为药物靶点提供新工具，单细胞蛋白质组学突破细胞异质性研究的瓶颈，而空间蛋白质组学则使我们能够更直观地从亚细胞水平理解生物功能与病理过程。

在临床应用中，血液样本被视为潜在生物标志物的宝库，然而血浆中蛋白质的丰度跨度极大，面临定量分析的挑战。随着液体样本自动化系统、先进的高效液相色谱（HPLC）和高灵敏度质谱仪（如timsTOF和Astral）的不断进步，质谱工作流程已能有效分析未经处理的血浆样本，并且实现了对多达千个样本的快速检测。这为大规模的临床研究提供了有力支持，例如采用液体处理器和Evosep HPLC系统的流程已成功分析1,612个样本，从而助力于败血症生物标志物的发现。

尽管质谱在生物标志物发现方面展现出巨大潜力，但从发现到临床测试的转化仍面临挑战。未来需要更多结合靶向蛋白质组学策略的技术，确保结果的准确性和可重复性，以满足临床和监管需求。综述展望了基于质谱的蛋白质组学未来的发展，并强调了新葡萄8883官网AMG在这一领域的重要角色，随着技术的不断创新，蛋白质组学将为基础生物学研究和精准医疗带来革命性的变革。