血液蛋白质组学研究技术路线和难点

血液蛋白质组学首先服务生物标志物研究中的筛查假设、分层、预后和监测问题。路线选择必须同时考虑队列规模、平台读数类型和质谱实验难点。

• 从诊断转化、队列研究和平台特性建立技术选择框架。

biomarker 项目建议按发现、收敛、验证和研究评估分层推进。发现阶段追求候选空间，验证阶段追求稳定读数，研究评估阶段强调独立队列和可解释路径。

• 发现阶段要广，验证阶段要准，转化阶段要能解释、能复现、能进入临床研究路径。

亲和平台、MS discovery 和 Seer/蛋白冠类路线分别处于不同位置：亲和平台更偏 Panel 内发现，MS 更偏肽段证据和正交验证，蛋白冠路线属于样本前处理与 MS discovery 的中间层。

• 核心原则：亲和平台适合“Panel内发现”，MS适合“肽段证据和正交验证”；Seer介于样本前处理和MS发现之间。

Olink/PEA 的优势来自双抗体邻近延伸和核酸读出。它适合低样本量、高通量和低丰度免疫/炎症蛋白筛查，但结果仍受 Panel、表位、批次和 NPX 相对定量限制。

• 优势来自双抗体识别和NGS读出；限制来自Panel内靶点和表位依赖。
• 适合批量样本
• 适用定位：大样本Panel内发现和遗传流行病学；关键候选物仍需MS/ELISA/PRM等正交验证。

SomaScan 以 SOMAmer 适配体结合信号进行高通量测量，覆盖范围大、缺失值通常较少。解释时要记住读数来自适配体结合，不等同于所有蛋白型的真实浓度。

• 覆盖面广、低缺失值友好；但单适配体结合信号需要谨慎。
• 保留结合复合物
• 需要跨版本校准
• 适合广覆盖关联和风险模型。
• 适合探索性大Panel筛选。

NULISA 更像高灵敏多重免疫检测，适合低丰度炎症/免疫蛋白、PK/PD、毒理和纵向队列。它的强项是灵敏度和部分绝对定量，边界是 Panel 化和表位依赖。

• 更像高灵敏、多重免疫检测，强项是低丰度炎症/免疫蛋白的稳定测量。
• 部分目标提供AQ
• 用于纵向队列
• AQ版本对150+目标提供绝对定量。
• CV表现好；适合细胞因子、

纳米磁珠/蛋白冠富集把血浆蛋白按理化表面和亲和关系进行选择性采样，从而改变可观测蛋白空间。它能加深 MS discovery，但必须验证选择性、批次和污染风险。

• 保留被富集蛋白
• 进入LC-MS
• protein groups，1000+样本/周。
• 保留MS肽段证据；
• 可用于深度discovery和低丰度候选

不同平台要放在同一项目链条里比较：Olink/SomaScan/NULISA 强在 Panel 或低丰度免疫读数，DIA-MS 强在可回溯发现，富集 MS 强在扩展可观测空间，PRM/PQ500 强在候选确认。

• 发现平台、富集路线和验证路线不能用同一把尺子排序。
• 候选物确认

亲和 Panel 和 MS 不是互相替代关系。亲和平台适合万人队列和已知通路筛选；MS 适合 Panel 外 discovery、PTM/蛋白型和机制解释，但对动态范围和批次效应更敏感。

• 优势：通量高、样本量低、适合万人队列
• 适合：风险模型、pQTL、已知通路筛选
• 适合：开放 discovery、PTM/蛋白型、

MS 路线的核心价值不是把蛋白数做得最大，而是保留肽段证据链，使结果可以回到谱图、肽段、蛋白型、PTM 或候选物验证层面复核。

• MS的核心价值是肽段证据链，而不是单纯追求蛋白数量。

从通量和蛋白证据两个维度看，亲和平台通常通量高但缺少肽段证据；MS 和富集 MS 证据链更完整，但需要更强的 QC 和批次管理。

• 从通量和蛋白证据两个维度看，亲和平台通常通量高但缺少肽段证据；MS 和富集 MS 证据链更完整，但需要更强的 QC 和批次管理。

如果问题涉及肽段、修饰或蛋白型，MS 路线的优势会更明显。亲和读数可以给出候选信号，但通常不能直接回答具体肽段或修饰位点问题。

• 如果问题涉及肽段、修饰或蛋白型，MS 路线的优势会更明显。亲和读数可以给出候选信号，但通常不能直接回答具体肽段或修饰位点问题。

检测灵敏度维度不能单独决定路线。NULISA、Olink/SomaScan、富集 MS 和 PRM 都可能覆盖低丰度目标，但它们的读数机制、可回溯性和验证成本不同。

• 检测灵敏度维度不能单独决定路线。NULISA、Olink/SomaScan、富集 MS 和 PRM 都可能覆盖低丰度目标，但它们的读数机制、可回溯性和验证成本不同。

每个平台都有自己的误差来源。亲和平台要关注表位、适配体和批次；MS 要关注动态范围、缺失值和谱图复杂度；富集路线要关注选择性采样和污染。

• 亲和平台重点检查表位、适配体、批次和跨 panel 一致性。
• MS 路线重点检查动态范围、缺失值、谱图复杂度和采集稳定性。
• 富集路线重点检查选择性采样、污染 marker、回收率和材料批次。

项目设计应把发现、加深和验证分开。亲和平台可以提供发现/筛选信号，MS 提供肽段证据，PRM/ELISA 等正交方法负责候选物确认。

• 研究判断顺序：血液样本前处理与MS验证能力；亲和平台作为发现/筛选路线，必须通过QC和正交验证接入。

易肽-MS 与 Olink 的互补性来自覆盖集合不同。联合分析时要关注两类平台共同出现的候选、仅在某一平台出现的候选，以及这些差异是否符合生物学和技术机制。

• 亲和平台与质谱覆盖不同蛋白集合，适合联合发现。

MS 队列定量会遇到缺失值。ApuQuant 等算法可以降低一部分缺失，但算法处理不能替代批间 QC、原始峰形复核和独立验证。

• 缺失值要先判断是低丰度边界、批次漂移、峰识别错误还是样本质量问题。
• 算法可辅助降低缺失，但不能替代 pooled QC、峰形复核和独立验证。
• 缺失集中在某批次或某分组时，应优先排查技术来源。

缺失值控制需要同时看算法、采集质量和样本批次。若缺失集中在某一批次、某一类样本或某一低丰度区域，应优先判断技术来源。

• 缺失率分布需要按批次、分组、丰度区间和样本类型分层查看。
• 候选物进入验证前，应确认缺失不是由峰形质量或采集窗口造成。
• ApuQuant 类算法适合作为一致性改善工具，不适合作为质量问题掩盖工具。

Transformer 对比学习等方法可通过理论、参考和候选色谱曲线联合打分提升队列定量一致性。它的价值在于辅助峰识别和缺失控制，不应替代 QC 判断。

• 理论、参考和候选色谱曲线联合打分可提高峰识别一致性。
• Transformer 对比学习的输出仍应回到谱图、峰形和 QC 图中复核。
• 算法结论需要和标准肽、pooled QC、批次趋势共同解释。

血液样本的动态范围跨越 mg/mL 到 pg/mL。白蛋白、IgG、补体和凝血蛋白会占据大量信号空间，使低丰度组织泄漏蛋白、EV 蛋白和细胞因子更难被 MS 稳定观察。

• 血液样本的动态范围跨越 mg/mL 到 pg/mL。白蛋白、IgG、补体和凝血蛋白会占据大量信号空间，使低丰度组织泄漏蛋白、EV 蛋白和细胞因子更难被 MS 稳定观察。

血浆不是单一状态。采血管、凝血/抗凝、离心、保存、冻融和运输都会改变样本读数；同一项目内 serum/plasma 不应混用，病例和对照也必须统一前分析条件。

• 血浆保留凝血蛋白
• 病例和对照必须统一采血管、离心、冻融和保存时间。
• 回顾性样本要特别警惕血小板残留、凝血和冻融差异。

高丰度蛋白会通过质量占比、共流出、离子抑制、采集竞争、载体结合和污染放大干扰低丰度检测。统计差异可能来自采样偏差，而不是疾病生物学。

• 高丰度蛋白会通过质量占比、共流出、离子抑制、采集竞争、载体结合和污染放大干扰低丰度检测。统计差异可能来自采样偏差，而不是疾病生物学。

血细胞污染是血液 MS 中重要的高丰度干扰。血红蛋白、血小板和凝血相关 marker 可以帮助识别采血、离心、冻融或富集流程异常。

• 富集项目必须看 contamination marker。

污染 marker 不只用于排除样本，也用于定位问题来源。若污染信号与分组、批次或采血地点相关，后续差异分析需要重新评估。

• 富集项目必须看 contamination marker。

高丰度去除、PCA-N、磁珠富集和 EV 富集都能改变可观测蛋白空间。关键不是单纯增加深度，而是判断偏倚是否可控、是否可复现、是否适合研究问题。

• 降低 albumin/IgG 等高丰度背景
• 低成本、低样本量、适合大队列 MS
• 提高低丰度覆盖、候选物多

P2/Seer/易肽类路线属于 protein corona 选择性采样。它们不是无偏完整血浆，而是通过特定材料表面观察血浆蛋白空间的另一种窗口。

• P2/Seer/易肽 类路线是 corona 采样，不是无偏完整血浆。

血液项目需要从队列设计到验证复盘形成闭环。样本信息表、前处理程序、LC-MS 采集、检索 QC、统计可视化和独立队列验证缺一不可。

• 从队列设计、前处理、质谱检测到数据复盘形成闭环。

DeePB 路线把血清/血浆、磁性纳米材料、选择性采样、DIA-MS 和 PRM/PQ500 验证连接起来。它的目标是扩展可观测低丰度候选空间，同时保留 MS 证据链。

• 定位为“选择性富集 + DIA-MS + 靶向验证”的血液深度质谱方案。

早期性能数据适合说明工作基础和可行性，不能直接作为外部平台横向排名。正式项目仍需按样本类型、批次设计、仪器平台和 QC 标准重新验证。

• 这些数据适合作为现有能力基础，不作为外部平台横向排名。

深度富集方案必须同时证明稳定性、跨物种适配和验证路径。PQ500 等重标肽资源可把 discovery 候选进一步接入定性、校正和半绝对定量。

• 深度富集必须同时证明稳定性和验证路径。
• 人源血液关键蛋白；用于

自动化的核心价值是降低系统性人为偏移。裂解、还原烷基化、酶解、纯化、富集、脱盐、板位和试剂 lot 都应进入可审计记录。

• 板位、试剂 lot、程序版本、反应时间和异常记录
• pooled QC、标准肽、桥接样本和长期趋势图
• 适合研究队列

快速标准化样本制备可减少人员差异和批次漂移。长流程并不一定更可靠，关键是每一步是否可控、可复核、可长期运行。

• 快速、标准化的样本制备降低人员差异和批次偏移。

长期 QC 要同时看板间相关性、定量 CV 和异常样本识别。单次数据好看并不代表平台稳定，长期 pooled QC 和趋势图更能反映运行健康度。

• 适合观察长期漂移

高丰度去除和富集操作要关注容量限制、样本离心、个体差异、保留备份和 co-depletion。异常样本需要能回查原样、流穿和洗脱。

• 样本必须严谨离心，避免纤维蛋白和细胞碎片影响 beads富集
• 去除柱/磁珠有容量限制，输入量不能超载。
• 病例/对照不应差异过大，个体间差异大也会影响富集特异性。
• 保留原样、流穿和洗脱备份，用于异常回查。
• 被 albumin/IgG 携带的蛋白可能发生 co-depletion。

富集前 QC 决定后续数据是否值得解释。样本外观、离心质量、纤维蛋白、细胞碎片、冻融和输入体积都应在上机前记录。

• 富集前先记录样本外观、离心质量、纤维蛋白、细胞碎片和冻融次数。
• 确认输入体积、采血管、保存时间和异常记录后再进入富集流程。
• 不合格样本应优先暂停或标记，不应直接进入差异解释。

富集后 QC 不能只看 protein groups。污染 marker、回收线性、标准肽、可观测空间扩展、批间稳定和缺失率共同决定结果可信度。

• 富集后同时检查污染 marker、protein groups、可观测空间扩展和缺失率。
• 标准肽、pooled QC 和桥接样本用于评估回收和跨批次稳定。
• 异常结果需要回查原样、流穿、洗脱和板位记录。

OmicsCloud 可承接富集后 QC 的集中查看：把污染、缺失、CV、PCA/UMAP 和项目批次放在同一处，帮助判断结果是否可进入统计分析。

• OmicsCloud 可集中查看污染、缺失、CV、PCA/UMAP 和项目批次。
• QC 结论应决定结果是否进入差异分析，而不是只作为附图展示。
• 富集前后的 QC 记录应与样本表、批次表和质谱运行记录关联。

数据端 QC 应先排查批次/QC 是否可控，再进入差异和功能解释。PCA/UMAP、pooled QC CV、缺失率分布和污染 heatmap 是血液项目的基础图谱。

• 判断低丰度缺失是否集中在某批。
• Hb、PF4/PPBP、FGA/FGB/FGG。
• 血液分析可视化可在 OmicsCloud 模块中承接。

送样规范决定数据是否可解释。采血管、离心、分装、冻融、运输、样本信息和异常记录都属于数据链条的一部分。

• 送样不是把管子寄出去，而是把可解释的数据链条一起交出去。

现有能力基础应理解为平台化能力组合：血液前处理、自动化、DIA-MS、PRM/PQ500、OmicsCloud QC 和项目复盘共同支撑血液项目。

• 现有能力基础应理解为平台化能力组合：血液前处理、自动化、DIA-MS、PRM/PQ500、OmicsCloud QC 和项目复盘共同支撑血液项目。

血液蛋白质组学的核心是把复杂样本变成可解释证据。深度必须受 QC 约束，发现、验证和研究评估需要整体设计。

• 血液蛋白质组学的核心是把复杂样本变成可解释证据。
• 血液适合早筛、分型、
• 2. 深度必须受 QC 约束
• 去除和富集能提高覆盖，
• 但必须以污染指数、标准肽