Anal.Chem.封面|MALDITOFMS血清多肽指纹图谱高效检测新冠

　　英文原题：Rapid Detection of COVID-19 Using MALDI-TOF-Based Serum Peptidome Profiling

　　通讯作者：乔亮，复旦大学；孙薇，国家蛋白质科学中心(北京)；廖璞，重庆市人民医院

　　作者：Ling Yan (颜令), Jia Yi (易佳), Changwu Huang (黄长武), Jian Zhang (张剑), Shuhui Fu (付书辉), Zhijie Li (李智杰), Qian Lyu (吕倩), Yuan Xu (许媛), Kun Wang (王琨), Huan Yang (杨欢), Qingwei Ma (马庆伟), Xiaoping Cui (崔小平), Liang Qiao (乔亮), Wei Sun (孙薇), Pu Liao (廖璞)

　　由新型冠状病毒(SARS CoV-2)引起的新冠肺炎疫情仍在继续，严重威胁着全球公众健康。截至2021年4月，全球新冠肺炎确诊病例累计已超过1.282亿例。故迅速检测该疾病、及时隔离受感染个体显得尤为重要。目前广泛使用的基于聚合酶链式反应(PCR)和免疫分析的检测方法存在假阴性和诊断延迟的问题。因此，迫切需要高准确度、快速高通量的新冠肺炎检测方法用于大规模人群筛查。重庆市人民医院、复旦大学和国家蛋白质科学中心(北京)等单位的研究团队合作发展了一种基于基质辅助激光解吸电离飞行时间质谱(MALDI-TOF MS)的血清多肽指纹图谱分析方法，以高效检测新冠肺炎。该方法准确、成本低、通量高、样品消耗少(一次检测仅需5 μL血清)，不需要苛刻、洁净的检测环境，且操作简便，对于非专业人员非常友好。此外，血清样本的采集很大程度降低了采样人员的暴露风险。因此，该方法在大规模人群筛查、常规检测和诊断应用方面具有巨大潜力，有望在疫情控制中发挥重要作用。相关研究成果近期作为封面文章发表在 Analytical Chemistry 期刊上。

　　研究团队首先采用MALDI-TOF MS分析了146例新冠肺炎患者和152例对照病例(包括73例临床症状相似的非新冠肺炎患者、33例结核病患者和46例健康人)的血清样本。使用最小绝对收缩和选择算子(LASSO)、偏最小二乘判别分析(PLS-DA)和交叉验证递归特征消除(REFCV)共3种机器学习方法对测试集(198个样本)中的血清多肽谱图进行特征峰筛选，筛选出25个峰作为新冠肺炎和对照组之间的差异特征峰。

图1. 基于血清多肽指纹图谱的新冠肺炎快速筛查诊断模型的建立流程

　　随后，利用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、朴素贝叶斯(NB)、梯度增强决策树(GBDT)、K-最近邻(KNN)、决策树(DT)和自适应增强(Adaboost)共8种机器学习方法，以这25个特征峰构建用于新冠肺炎筛查诊断的分类模型。并绘制了已构建的不同机器学习模型的接收器工作特性(ROC)曲线，使用曲线下面积(AUC)评估分类器的性能。由结果可知，所有模型的AUC均高于0.99。其中，LR、SVM、RF、GBDT、DT和Adaboost模型的AUC为1。

图2. 基于多种机器学习算法的新冠患者血清多肽指纹图谱差异特征峰筛选

　　紧接着，在独立于特征峰筛选和模型生成的测试集(100个样本)中测试了25个特征峰的分类效果，获得了最佳的分类模型—LR模型，该模型在识别新冠肺炎患者方面显示出98%的敏感度、100%的特异度和99%的准确率。

图3. 在100例测试集中使用基于机器学习的分类模型鉴定新冠肺炎患者

　　研究团队进一步通过血清样本的蛋白质组学分析对25个特征峰进行注释，25个特征峰中有15个被鉴定为完整蛋白质或蛋白质片段。经分析，这15个蛋白涉及淀粉样纤维形成、中性粒细胞脱颗粒、结核分枝杆菌感染、体液免疫反应、受体介导的内吞、急性炎性反应和MAP激酶活性调节等过程。其中，中性粒细胞脱颗粒及急性炎性反应相关蛋白的富集变化已在其它新冠肺炎的组学研究中被报道。

　　在这项研究中，新冠肺炎患者血清的取样时间从症状出现起3至28天不等，涵盖了相对较长的疾病进展期。所研究的对照组由近一半具有相似临床症状的非新冠肺炎患者(共73例)、33例结核病患者和46例健康人组成。从非新冠肺炎个体中，尤其是具有相似症状的非新冠肺炎患者中筛查新冠肺炎患者一直以来都是新冠诊断的难题，意义重大。本项研究中样本的长期疾病进程覆盖、对照组样本组成的多样化均显示本方法在新冠肺炎患者快速筛查中有巨大应用前景。

　　论文并列第一作者为颜令硕士、易佳博士、黄长武主任技师和张剑博士，乔亮研究员、孙薇副研究员及廖璞教授为共同通讯作者。该项目得到了国家自然科学基金委员会(National Natural Science Foundation of China)、中华人民共和国科技部(Ministry of Science and Technology of the People's Republic of China)和北京市科委(Beijing Municipal Science & Technology Commission)的支持。