36万次引用背后的疯狂：他让质谱仪能够看见细胞内每个蛋白质的故事

　　想象一下，如果我们能够像阅读一本书一样"阅读"细胞内每一个蛋白质的故事——它们的身份、数量、活动状态，甚至彼此之间的"对话"，这将为理解生命奥秘带来极为深刻的见解。这正是Matthias Mann教授团队一直追求并逐步实现的目标。

　　Matthias Mann 于1959年10月10日出生于德国下萨克森州。1980年，Mann在哥廷根大学攻读数学和物理学，这段学习经历为他日后在生物技术领域的创新思维埋下了种子。命运的齿轮在1988年开始转动——Mann踏上了前往耶鲁大学的求学之路，在那里他遇到了改变自己科研生涯的关键人物John Fenn教授。在Fenn实验室的几年时光里，Mann不仅顺利获得了博士学位，也参与了开发电喷雾电离技术[1]。这项技术的革命性意义在十多年后得到了最高的认可：2002年，Fenn教授因此荣获诺贝尔化学奖，而Mann也从此与质谱技术结下了不解之缘，开启了他在蛋白质组学领域开疆拓土的传奇历程。

　　Mann现任马克斯·普朗克生物化学研究所所长，同时担任哥本哈根诺和诺德基金会蛋白质研究中心的系主任。2025年4月，Mann当选美国科学院院士。此外，他还获得了众多奖项，是德国被引用次数最高的研究者，h指数达242，总引用次数超过36万次，在全球范围内具有极大的学术影响力。Mann从样品制备的精巧设计到质谱检测的技术突破，从数据分析算法的创新优化到生物学应用的深度拓展，Mann教授的研究团队在蛋白质组学的每个环节都留下了开创性的印记。本文将梳理Mann教授迄今为止的一些代表性工作，和大家一起学习Mann如何将质谱技术从一个相对小众的分析工具，发展成为现代生物医学研究不可或缺的"超级显微镜"。

　　开创性技术体系的构建：打造蛋白质组学研究的全链条解决方案

　　1. 构建了纳升电喷雾技术（nano-ESI）

　　电喷雾离子源通过内径通常为100 μm的毛细管以1-10 μl/min的流速喷射液体，产生初始直径超过1 μm的液滴。在电场作用下，液滴经历溶剂蒸发和库仑爆炸等过程，最终产生气相大分子离子。Matthias Wilm和Matthias Mann基于泰勒锥理论建立了电喷雾过程的理论描述，为构建更高效的电离源提供了指导[2]。他们开发了一种改进的电喷雾离子源——纳升电喷雾，该技术显著提高了分析物分子的去溶剂化和电离效率[3]。纳升电喷雾可在无鞘流或气动辅助的条件下稳定运行，产生的液滴尺寸在200 nm或更小范围内，大幅提升了离子化效率和检测灵敏度。

　　2. 建立了胶内酶切结合纳升电喷雾串联质谱的蛋白质鉴定技术

　　聚丙烯酰胺凝胶电泳（SDS-PAGE）是分离蛋白质的经典手段，能够根据蛋白质分子量大小将复杂混合物分离成清晰可辨的条带。通过考马斯亮蓝染色或银染等显色方法，研究人员可以直观地观察到蛋白质的分布模式。然而，我们虽然能够清楚地"看到"蛋白质条带，却无法有效地"识别"它们的真实身份。Mann教授的贡献在于建立了胶内酶切技术，巧妙地解决了这一难题[4-6]。该技术将胰蛋白酶直接引入凝胶网络中，在原位切割目标蛋白质。与完整蛋白质相比，产生的肽段具有分子量小、极性适中的特点，能够更容易地从致密的凝胶基质中扩散并被提取出来。随后，Mann将这一创新的样品制备技术与当时新兴的纳升电喷雾离子化技术以及串联质谱技术有机结合，构建了完整的蛋白质鉴定技术体系。这一技术组合不仅显著提高了检测灵敏度，更重要的是真正实现了从蛋白质分离到身份鉴定的无缝连接，为现代基于液相分离的蛋白质组学研究奠定了重要的技术基础。

　　3. 高效的样本制备技术

　　除了胶内酶切技术，Mann教授团队还开发了另一项创新的蛋白质组学样本制备技术——滤膜辅助样品制备技术（Filter-aided sample preparation，FASP）[7]。这项技术的创新之处在于将强去垢剂的优异溶解能力与高效的样品净化流程相结合，解决了传统方法中SDS去除困难、样本净化效率低等关键技术难题。FASP技术的精妙之处在于将普通的超滤装置巧妙地转化为一个多功能集成反应器，实现了"一站式"样品处理。整个流程包含四个核心步骤：第一步，使用4% SDS强效溶解生物样本，确保难溶性膜蛋白在内的蛋白质组分能被充分提取；第二步，用8M尿素进行缓冲液置换，在保持蛋白质完全变性的前提下有效去除SDS等干扰物质；第三步，在滤膜上直接进行还原烷基化反应，随后用30 mM 碳酸氢铵进行缓冲液置换；第四步，加入胰蛋白酶进行原位消化，消化产生的小分子肽段自由通过滤膜被收集，而未消化的大分子物质则被完全截留，获得高纯度的肽段混合物可直接用于质谱分析。FASP方法以其强大的蛋白质溶解提取能力和高效的样品净化步骤，显著提升了蛋白质组学分析的深度和准确性，为生物样本中复杂蛋白质组的系统研究提供了一种高效可靠的技术路线。

　　2014年，Mann教授团队开发了in-StageTip方法(iST)，以StageTip作为封闭反应器实现蛋白质组学样品制备的一体化处理。具体工作流程：将细胞或蛋白样品直接加入装有裂解缓冲液的反应室中，该缓冲液预先加入了还原剂TCEP和烷基化试剂氯代乙酰胺，通过加热等方式一步完成细胞裂解、蛋白质变性、还原烷基化；随后进行酶解，产生的肽段混合物直接利用反应器底部的SCX树脂进行分离和净化，配合挥发性洗脱缓冲液可实现分级洗脱，整个过程无需额外脱盐步骤。该方法将传统多步骤、多容器的复杂流程整合为单一设备操作，显著减少了样品损失和污染风险，大幅提高了处理通量和实验重现性，为高效准确的蛋白质组学分析提供了重要的技术平台。

图1. in-StageTip方法原理示意图

　　今年Mann教授团队对此技术进行了重要改进，开发了固相萃取捕获技术（SPEC）。该技术采用模块化多填料组合策略实现了性能优化：蛋白质首先在强离子交换载体（SCX或SAX）上进行高效消化，随后肽段直接转移至C18载体完成脱盐。SPEC将反应体积从微升级压缩至纳升级（50-200 nL），显著提升了酶-底物接触效率，1小时内即可达到80%的完全酶切率。该方法完全兼容自动化平台，可实现高通量样品处理流程。基于开发的这些技术，衍生出多个蛋白质组学样品前处理公司，如PreOmics公司以及EVOSEP公司。

图2. SPEC技术的原理示意图

　　4. 稳定同位素标记技术（SILAC）实现蛋白质组学分析的精准定量

　　细胞培养基中氨基酸的稳定同位素标记方法（Stable isotope labeling by amino acids in cell culture，SILAC）是Mann教授团队开发的一种定量蛋白质组学分析技术[8]。SILAC技术的基本原理是在细胞培养基中引入含有稳定同位素的必需氨基酸（精氨酸和赖氨酸）替代天然氨基酸。在细胞生长和蛋白质周转过程中，这些重标氨基酸会被逐步整合到新生蛋白质中，经过数个细胞周期后，几乎所有蛋白质都会携带同位素标记。通过这种方式可以产生轻、重两种同位素标记的细胞群体，两种细胞群体分别进行不同的实验处理后，将二者等比例混合，进行后续的蛋白质提取、酶切消化和LC-MS/MS分析。该方法由于在实验前端就进行了较早的混合处理，减少了不同样品分析间的系统误差，定量准确性高。

图3. SILAC定量蛋白质组学分析方法的原理示意图

　　5. 开发MaxQuant软件平台解决高分辨质谱数据分析的技术挑战

　　在基于质谱的蛋白质组学领域，数据分析一直是制约技术发展的主要瓶颈。传统方法在处理高分辨率质谱数据时存在质量精度不足、鉴定率低、定量准确性差等问题，难以满足大规模蛋白质组学研究的需求。Mann教授团队开发了MaxQuant这一强大的软件工具，通过引入一系列算法创新彻底改变了这一现状[9]。其核心技术包括：首先，采用三维特征检测策略，将质谱数据在m/z、保留时间和信号强度空间中构建为3D对象，通过高斯峰形拟合和强度加权获得高精度质量估计。其次，MaxQuant创新性地将同位素模式识别问题转化为图论问题。具体而言，算法将每个检测到的3D峰作为图的顶点，当两个峰的质量差等于理论同位素质量差（约1.003 Da）且保留时间重叠时，在它们之间建立边连接，从而构建出一个包含数百万条边的复杂无向图。随后，算法通过迭代搜索该图中最长且电荷状态一致的连通子图，每个这样的子图对应一个完整的同位素模式。这一过程将原始的31万多个分散3D峰有效整合为3万多个有组织的同位素模式，实现了约十倍的数据维度压缩和强效噪声过滤。在SILAC定量分析方面，MaxQuant建立了智能配对检测算法，通过强度相关性分析、电荷状态匹配和理论同位素模式卷积，实现了高准确度的轻重标记肽段配对。通过整合多重质量测量并校正线性和非线性质量偏移，系统实现了ppb级别的质量精度，比标准技术提升6倍。该软件不仅解决了高分辨率质谱数据的分析难题，更为蛋白质组学从描述性科学向定量科学的转变奠定了坚实的计算基础，成为现代蛋白质组学研究不可或缺的核心工具。

图4. MaxQuant将 "平面"的质谱数据转化为"立体"的分子信息用于获得精确质量以及识别同位素峰

　　2011年，Mann教授团队开发了Andromeda肽段搜索引擎，用于MS/MS谱图的数据库搜索和肽段序列鉴定[10]。该引擎被集成到MaxQuant平台中，取代了此前依赖的商业化Mascot搜索引擎。性能评估显示，Andromeda在敏感性和特异性方面与Mascot相当，并且在复杂翻译后修饰，特别是高度磷酸化肽段的识别方面表现更为出色。

　　6. 数据非依赖性的平行累积-连续碎裂扫描模式（diaPASEF）

　　近年来，Bruker将离子迁移分离技术（TIMS）引入LC-MS/MS系统，这一技术引入了新的分离维度。TIMS利用气流推动力和反向电场的平衡作用将离子捕集在离子漏斗中，随后通过逐步减弱电场作用力的方式，选择性地释放不同迁移率的离子，使其进入飞行时间质谱分析区域，从而实现多维分离的功能。基于这项技术，Mann教授团队开发了一种全新的扫描模式——数据非依赖性的平行累积-连续碎裂扫描模式（Parallel Accumulation-Serial Fragmentation with DIA，diaPASEF）[11]。该方法的原理是：在TIMS中，离子的迁移率与其横截面积相关，低迁移率离子（通常是高m/z）会优先被释放，因此，四极杆质量隔离窗口需要首先定位在高m/z范围。随着TIMS逐渐释放出更高迁移率的离子（通常是低m/z），隔离窗口会自动调整至更低的m/z范围。四极杆隔离窗口根据TIMS释放时间做快速切换，以确保每个时间段内的离子都能在窄的隔离窗口内被精确选择和碎裂，从而获得干净简单的二级谱图，改善DIA数据鉴定的难点。这种方法有效结合了TIMS和DIA的优势，显著提高了蛋白质组学分析的深度和准确性。

图5. TIMS-TOF仪器构造以及dia-PASEF的原理示意图

　　技术驱动的蛋白质组学飞跃发展：从单细胞到临床转化的全景布局

　　1. 空间分辨的蛋白质组学技术

　　空间分辨蛋白质组学的主要挑战在于建立空间定位数据与蛋白质定性定量信息之间的有效关联，并在维持高空间分辨率的同时保证足够的检测灵敏度和蛋白质覆盖范围。Mann教授团队正是针对上述技术瓶颈，开发了Deep Visual Proteomics（DVP）技术[12]。DVP整合了三大核心技术：AI驱动的图像分析、自动化激光显微切割和超高灵敏度质谱。系统首先利用BIAS软件通过深度学习实现细胞精确分割和表型分类，分割精度达F1得分0.73。随后以200纳米精度执行激光显微切割，每小时可处理1,250个细胞轮廓。最后通过diaPASEF技术从50-100个细胞中检测5000+种蛋白质。

图6. 空间分辨的蛋白质组学技术的工作流程

　　在此基础上，Mann教授团队进一步推进了空间分辨单细胞质谱分析技术[13]。他们采用多重免疫荧光染色标记肝脏切片中的门静脉、中央静脉、肝窦内皮细胞以及细胞核和细胞膜等关键结构，构建了完整的肝脏组织微环境图谱。基于深度学习算法，系统能够精确识别和分类单个肝细胞，并通过激光显微切割显微镜实现自动化单细胞分离。每个切割样本相当于1/2-1/3个肝细胞的体积，蛋白质含量约为250皮克。分离后的样本经过优化的蛋白质提取和酶解流程处理，最终通过timsTOP-SCP质谱平台进行检测分析，成功实现了1700种蛋白质的鉴定深度，为深入理解肝脏组织中单细胞的空间异质性和功能特化提供了前所未有的分子分辨率。

图7. 空间分辨单细胞质谱分析技术工作流程

　　组织切片和细胞的空间蛋白质组学技术日趋成熟，但针对3D大型生物标本的空间蛋白质组学分析仍缺乏有效的技术手段。Mann教授团队巧妙地整合了3D透明成像技术、AI辅助图像分析、精准机械组织提取以及超高灵敏度质谱分析等多项技术，实现了完整小鼠或人类器官的原位空间蛋白质组学分析[14]。该技术的核心创新在于：首先，基于合作伙伴前期开发的整体器官成像技术，通过将纳米抗体偶联荧光染料并结合高压循环灌注系统，实现了小鼠全身蛋白质的原位标记。随后，通过组织透明化处理显著降低了组织对光信号的散射和吸收，获得了高质量的3D荧光成像数据。基于AI辅助的图像分析，研究团队利用高精度自动化机械臂实现了对小鼠体内深层组织的精准定位和微量采样。最终，通过超高灵敏度质谱技术对采集样本进行蛋白质组学分析，构建了完整的三维空间蛋白质组学图谱。

图8. 完整小鼠或人类器官的原位空间蛋白质组学分析

　　2. 临床蛋白质组学：自动化平台、大队列研究与AI驱动的精准医学转化

　　基于前期工作积累，Mann教授团队构建了涵盖样本制备到质谱检测全流程的高度自动化工作站。该工作站集成了自动化样本预处理模块、高通量液相色谱分离系统和高分辨质谱检测平台，通过标准化的操作程序和质量控制体系，实现了从蛋白质提取、酶切消化、肽段分离到质谱分析的全流程自动化。这一技术突破不仅显著提高了检测效率和数据质量的一致性，还大幅降低了人为操作误差，为临床蛋白质组学检测的标准化和规模化奠定了坚实的技术基础。基于这一先进的技术平台，Mann教授团队得以开展一系列具有重要临床意义的大规模队列研究，在神经退行性疾病[15]、酒精性肝病[16]等重大疾病的生物标志物发现方面取得了进展，还为临床蛋白质组学在精准医学中的应用提供了重要的实践范例。

图9. 蛋白质组学自动化分析平台——集成样本预处理、蛋白质酶解、液相色谱分离和质谱检测的全自动化工作站

　　蛋白质组数据具有高维度、高复杂性和高噪声等特性，使得传统分析方法难以充分挖掘其中蕴含的生物学信息。人工智能技术，特别是机器学习和深度学习算法，凭借其处理复杂数据的优势，正逐渐成为蛋白质组学数据挖掘的核心方法。基于蛋白质组学的生物标志物发现流程一般分为多个步骤：样本收集与队列设计、质谱数据采集与处理、差异蛋白识别与通路分析、基于人工智能的特征选择与模型构建以及临床转化。为了使研究人员能够在无需编程或生物信息学技能的情况下轻松使用机器学习进行生物标志物发现，Mann教授团队开发了"OmicLearn"(http://OmicLearn.org)，这是一个开源的基于Web界面的机器学习工具，集成了Python机器学习生态系统的最新进展[17]。通过上传至在线或本地部署的Web服务器，能够快速评估各种机器学习算法对实验数据集的适用性。

图10. OmicLearn机器学习分析工作流程

　　Clinical Knowledge Graph (CKG)是由Matthias Mann团队开发的一个开创性的知识驱动型临床蛋白质组学数据解释平台（https://github.com/MannLabs/CKG），旨在解决精准医学中最核心的挑战——如何将海量组学数据与临床决策有效结合[18]。通过统一的知识图谱架构，CKG成功解决了传统蛋白质组学研究中数据分散、难以整合的数据孤岛问题，将实验数据、公共数据库信息和科学文献知识整合到单一的可查询框架中。在功能实现方面，CKG整合了统计和机器学习算法，能够加速典型蛋白质组学工作流程的分析和解释。该平台不仅提供自动化的数据预处理、统计分析和可视化功能，还能进行机器学习建模和结果解释。更重要的是，CKG实现了多组学数据整合，不仅限于蛋白质组学数据，还能整合基因组学、转录组学、代谢组学和临床表型数据，为研究者提供全方位的生物学视角。

图11. 临床知识图谱架构。a. CKG采用Python实现的模块化架构，包含数据库连接、图谱构建、数据分析和应用管理等独立模块； b. CKG分析核心集成了用于蛋白质组学数据统计分析和可视化的最新算法； c. CKG图数据库模型整合多层次临床蛋白质组学实验数据

　　Matthias Mann不仅是质谱技术和蛋白质组学领域的开拓者，更是将基础科学研究与临床应用相结合的典范。他的工作不仅推动了科学技术的发展，也为人类健康和疾病诊断治疗提供了新的思路，他的研究成果也将继续影响生物医学研究的未来发展方向。

　　欧易生物简介  Oebiotech

　　欧易生物是一家致力于为生命科学研究提供多组学技术的研究服务机构，产品涵盖单细胞及时空多组学、基因组学、转录组学、表观组学、蛋白组学、代谢组学、生物信息学以及临床诊断产品开发，秉承「以生物科技 成就他人 造福大众」的企业使命，用技术改变生活，用科技造福人类。

　　欧易生物先后与中国海洋大学、中国科学院遗传与发育生物学研究所等机构建立了紧密的产学研合作，与日立诊断产品有限公司共建联合研发实验室，与华东师范大学合作建立院士专家工作站，并陆续荣获国家级专精特新“小巨人”、上海市科技小巨人企业、上海市专利试点企业、上海市企业技术中心、闵行区研发机构、闵行区科技小巨人企业等资质。还获得知识产权管理体系认证企业资质，总授权发明专利48项、在审发明专利52项、授权软件著作权205项（含欧易生物及旗下子公司，截止至2025年2月）。至今已累计助力客户发表4500+高水平研究论文，累计影响因子38000+；发文期刊包括Nature、Cell、Science、Cancer Discovery、Cell Discovery 等知名期刊。