质谱在转化医学中的应用及挑战

——受访者：Alain van Gool，Radboud大学医学中心个性化医疗教授；Hans Wessels，Radboud大学医学中心转化代谢实验室蛋白质组学科学家

　　Alain Van Gool是荷兰奈梅根大学医学中心（Radboud University Medical Center）个性化医疗教授，其主要职责是管理奈梅根大学的19个技术中心，这些中心涉及生物医学科学的多个领域。同时，他还担任转化代谢实验室（TML）负责人的职位。TML实验室拥有研究人员120名，主要从事疾病的代谢基础研究，将疾病相关分子和代谢产物转化为可用于疾病诊断的生物标志物，质谱（MS）是这项工作的不可或缺的一部分。

timsTOF Pro捕集离子淌度飞行时间质谱

　　Van Gool对他的实验室如何使用MS数据进行了解释：“我们的实验室专注于遗传代谢诊断，经常涉及遗传变异，在这种情况下，不是总能确定变异的因果关系。在某些案例中，患者有一定的表型，而我们知道导致这种表型的独特变异。然而，在许多案例中，存在多种意义不明的变异，很难找到原因。在我们的代谢组学方法中，我们利用对预选代谢产物的MS分析，来阐明先天性代谢缺陷的机制。通过了解特定患者有哪些代谢物发生了变化，可以将基因组信息与背景因素联系起来。”

　　Van Gool及其团队整合MS信息的另一个关键领域是糖蛋白质组学研究，即通过研究添加到蛋白上的碳水化合物这种翻译后修饰来研究蛋白，包括在人类健康和疾病中具有重要作用的那些糖蛋白。在这项研究中，Van Gool与奈梅根大学医学中心的遗传学系密切合作。“我们绘制了大量在血液中循环的糖链，对与糖代谢和蛋白质糖基化相关的基因变异进行了不同的功能性解读。这种方法对基因组筛选提供了很好的补充，反之亦然，基因组分析也可指导糖基化分析。我们对正在开发新型的糖肽分析方法，并对将这种方法用于诊断寄予厚望。”

　　研究糖蛋白的关键是它们在疾病中的可变状态——这些蛋白质的改变不仅是由于基因突变，往往还因为受到某些感染和疾病的影响。为了研究这些修饰，Van Gool及其同事们试图优化他们的分析，以获得在完整蛋白质水平的视角，Van Gool解释说，经典蛋白组学方法是将蛋白酶解为小块的肽段进行分析，在完整蛋白水平的分析方法则优于经典的蛋白组学方法。“通过使用免疫方法或基于肽段的MS方法分析一个表位或某个蛋白质，并不能揭示这种‘糖蛋白’的复杂性，”Van Gool表示：“我们利用这一附加层面的分析来更好地理解生物学功能，并开发出更好的和更具代表性的蛋白质诊断工具。”

　　他列举了一个2014年研究的实例，他的团队在其中开发了一种针对影响糖基化的先天性疾病的诊断分析方法。在这种疾病中，将碳水化合物分子连接到糖蛋白的糖基化过程存在缺陷。为了实现诊断分析目标，他们研究了在一种叫做转铁蛋白的蛋白质，此蛋白上有两个不同的糖基化位点，同时对这两个位点的分析才能起到疾病生物标志物的作用。Van Gool指出，如果不在完整蛋白水平进行分析，就无法同时测量这两个位点，也无法进行诊断分析。

　　Van Gool的研究显示了现代蛋白质组学的威力，但挑战仍然存在。他强调说，分析MS数据的过程是他的团队想要克服的一个关键障碍。“现在，数据分析成为一个日益重要的问题，MS仪器生成的数据具有越来越高的分辨率和覆盖范围，揭示出更多有关生物样本复杂性的信息。对肽、蛋白质及其修饰和相互作用的鉴定和研究是关键的挑战，需要先进的机器和深入的学习方法，才能透过表面获得更深刻见解并识别其中蕴含的信息。蛋白质组学数据的规模庞大，我们能够在一天内轻松生成数百万个数据点，需要采用先进的方法来处理研究结果。”

　　可用数据量在增加，同时数据类型的多样性也在增加。整合来自多个组学的数据是生物医学研究的一个共同目标，但这对于LC-MS数据并不总是容易的事情。Van Gool描述了当两名研究人员试图结合他们的数据时可能出现的困惑，“通常，一名研究人员从应用和生物学的角度关注，而另一名研究人员则从生物信息学的角度关注。在这两种情况下，他们都能形成生物学方面的见解，但这些解释可能并不总是重叠的。”他回忆起在最近一次会议上遇到的一位生物信息学家所提的建议，即研究人员应试着将重点放在由不同组学产生的信息的主要核心上，而不是试图产生复杂的网络，当网络的复杂性达到一定程度时，通常会变成像一团缠结的“毛球”。

　　诊断学研究的另一个症结，是生物标志物研究与有价值的疾病临床结果之间明显脱节。例如，在前列腺癌研究方面，已在同行评审期刊上以大约每年2000个的速度鉴定出生物标志物。这一相对快速的鉴定过程随后是一个艰难的验证过程。Van Gool说，这需要1到3年，而诊断开发过程甚至更长，需要耗费10年。为什么诊断管道中存在这种不平衡？Van Gool指出了两个关键方面，“首先，我们的研究成果没有标准化，无法让人100%地再现所有的研究成果。原因可能有很多，例如，研究材料的处理可能稍有不同；方法可能被修改；质谱调谐可能不同；数据的整理可能有所不同。”Van Gool继续说：“第二，生物标志物的研究和研发管道很少存在相互关联。生物标志物的鉴定需要不同于生物标志物验证的技能，生物标志物的验证与运行和开发临床试验来评估现实生活中的生物标志物也不同。这些步骤通常由不同的各方进行。”

　　Van Gool认为，要解决这一问题，就需要在整个领域实现统一化和标准化，特别是在MS数据处理方面。“正确的数据管理是帮助提高MS数据重现性的关键，最近已经按照FAIR数据原则对主要步骤制定出了标准。”FAIR是一套旨在根据“可发现性、可访问性、互操作性和可重用性”四大目标改进研究数据的标准，在研究人员、行业领导者、资助机构和出版商进行了大量协同工作后，于2016年首次提出。Van Gool说，他对FAIR在整个行业的采用感到鼓舞，其中也覆盖了布鲁克这样的仪器制造商。

　　综上所述，Van Gool对MS在诊断研究中的未来持乐观态度。但他认为，现在应该将工作重点从潜在生物标志物的发现转移到实际诊断应用上面来。“我相信，我们生物医学研究领域能够真正提高工作质量。关于生物标志物的发现，到了应该重质量而非重数量的时候了。”