View期刊｜易算高通量、自动化、机器学习方案助力大规模样本标志物筛查

今天分享这篇文章，来自复旦大学刘晓慧、厦门大学翔安创新实验室熊悦婷和广西医科大学附属肿瘤医院舒宏在VIEW期刊（IF 9.7）发表的最新研究成果“The characterization of serum proteomics and metabolomics across the cancer trajectory in chronic hepatitis B-related liver diseases”。该文章基于质谱蛋白组和代谢组发现肝癌发展轨迹中的风险标志物，是刘晓慧和熊悦婷2022年合作发表在EMBO Molecular Medicine颅内动脉瘤标志物研究的姊妹篇。这篇文章在蛋白标志物的基础上进一步整合了代谢标志物的验证，与单一组学标志物组合或 AFP 等经典肿瘤生物标志物相比，诊断效果更加全面、准确、特异和灵敏。

总体标志物筛查策略延续采用四步法：

1. 建立疾病特异性的蛋白血清轮廓谱（探索阶段）；

2. 整合实验和文献中多组学数据，构建一个全面的蛋白/代谢候选标志物库；

3. 大规模全局高效筛选，候选蛋白和代谢分子靶向验证（验证阶段）；

其中易算在该研究中提供的支持，包括：

接下来我们具体看下实验方案与研究思路。

主题：整合蛋白组+代谢组提高疾病阶段性诊断价值

蛋白组：DIA+PRM+机器学习挖掘质谱血清标志物

代谢组：非靶+靶向+机器学习挖掘质谱血清标志物

刊物：View, 2024, Accepted（IF 9.7）

1. 建立疾病特异性的蛋白血清轮廓谱（探索阶段）

• 发现队列（Ⅰ）35例：用于DIA非靶蛋白组检测；

• 验证队列（Ⅱ）246例：用于PRM靶向蛋白组和MRM靶向代谢组检测；

• 独立验证队列（Ⅲ）35例：用于PRM靶向蛋白组和MRM靶向代谢组检测。

• 易肽Micro微量样品制备试剂盒
  

• EasyPept-DeeP低丰度富集前处理试剂盒
  

• EasyPept DeeP低丰度蛋白富集联用AUTO100自动化效果
  

• DIA全面拥抱AI：Spectronaut19助力directDIA成为蛋白质组学定量金标准

• EasyDIA (omicsolution.com)

• omicsolution.com/wkomics/main/

为了完成规模化的3059个靶标蛋白质的验证和确认，需要一个工具：能增加靶向蛋白质组学的覆盖率、节约成本。

2020年，复旦大学乔亮教授、杨芃原教授课题组刘晓慧老师与易算生物在Nature Communications上发表了提升DIA数据分析的算法-DeepDIA。详见【Nat Comm-易算与复旦携手发表DIA深度学习算法】。这个工作，使用深度神经网络的原理，帮你用可检测性分数的阈值来筛选肽段。

我们进一步将该方法拓展应用为DeepPRM，使用深度神经网络的原理，帮助预测肽段的可检测性和保留时间，大大提高了PRM的验证效率。

• 直播回放|PRM案例实操-DeepPRM与SpectroDive强强联合
  

通过优化的机器学习策略最终筛选到两种蛋白质组合 （P13 和 P10）、两种代谢物组合 （M4 和 M3） 和两种蛋白质-代谢物组合 （Com-8 和 Com-12）。

引人注目地是，与 AFP等经典肿瘤标志物相比，该研究筛选到的标志物组合都表现出卓越的准确性、AUC、敏感性和特异性。在区分 LC 与HBV时，整合的蛋白质-代谢物组合 Com-12，比单一蛋白P10/单一代谢M3性能更好，能够密切监测和评估肝病进展。

• 2024-一文抵达易算精选生信下游方案
  

• 2024易算定制分析方案：探索多样化蛋白组学解决策略

• 易算定制分析方案: 探索不同样本量下的蛋白组生物信息学解决策略
  

到这里，对该文章实验和分析思路解读结束。我们再回头看看筛查验证疾病风险因子这件事，关键在于两点：1）发现阶段，基于LC-MS构建大队列的高效、深度、全面的候选标志物库，2）验证阶段，大规模快速靶向定量检测，机器学习获得准确、特异和灵敏的标志物组合。

基于此，我们搭建了完整的血液蛋白组解决方案：

①采用快速低丰度富集试剂盒+自动化的高通量方案进行样本制备，96例样本仅需3-4小时即可直接从血浆/血清到洁净肽段上机，更关键的是血液低丰度蛋白增加3-10倍。

② 高性能质谱DIA谱图配合Spectronaut专业解析软件，可最大限度地发掘深度信息，包括EasyDIA等质控和生信分析平台，可快速有效地收获可信结果与可视化图表。