蛋白质组信息学与数据挖掘-杨冬培训班第一天（103页完整版）
2017-10-29~30 北京蛋白质组研究中心（BPRC，凤凰中心）“生物信息学最新技术——蛋白质组学与质谱分析”高级培训班，杨冬（进化发育蛋白质组学课题组）主讲。本文件为 10-29 第一天讲稿完整版（103 页），与已归档的 10-30 版（67/75 页，侧重数据注释与进化分析）互补：本讲侧重质谱方法学、搜库策略、修饰/多肽组学与蛋白质基因组学。
讲座结构（第一天 5 部分）
- 蛋白质组学及蛋白质组信息学基本概念
- 蛋白质组学实验设计及常用软件（含上机实习）
- 修饰蛋白质组学技术原理及应用
- 多肽组学技术原理及应用
- 质谱数据挖掘和蛋白质基因组学
一、基本概念
- HUPO 定义修正：蛋白质组 = 特定生物系统/实体（特定时空）中存在的所有蛋白质及其相互作用；基因组近乎静态，蛋白质组状态持续变化。
- 描述蛋白质组构成的”四要素”：时（进化/发育/condition）、空（器官组织细胞 OTC）、质（蛋白类别与形式 Isoform/PTM）、量（分子拷贝数）。
- 核心问题：在特定时空，有什么蛋白质？有多少？
- 组学方法论（贺福初 2013）：组学引领生命科学大发现时代。
二、实验设计与搜库软件
可解决的科学问题
- 定性定量鉴定蛋白质组构成
- 差异蛋白质组学：生理/病理过程中蛋白质组动态变化
- 相互作用蛋白质组学：AP-MS/MS（CoIP、TAP、pull-down；EMSA+MS 分离 DNA 结合蛋白），体内/体外策略
- 质谱研究蛋白质修饰及动态变化
- 结论性观点：质谱蛋白质组学是强大的”假设产生机器”
搜库流程主线
Raw data → 格式转换（Thermo/Waters .raw、ABI .wiff、Bruker .baf → mzML/mzXML）→ 选搜索引擎 → 选数据库 → 参数设置 → 搜库 → 质控 → 定性/定量分析 → 数据挖掘。
搜索引擎与软件包
- 商业：SEQUEST(Sorcerer)、Mascot、Phynex、ProteinPilot；Proteome Discoverer、Scaffold、Peaks、Progenesis LC-MS
- 免费：X!Tandem、OMSSA、MassMatrix、MaxQuant、pFind、Inspect、TPP、OpenMS
- 打分模型：启发式（SEQUEST、X!Tandem）vs 概率（Mascot、Andromeda）
- 选型建议：固定一种常用引擎即可，不必多引擎混用；Mascot 与 MaxQuant 认可度最高
搜库参数推荐值（重点表格）
| 参数 | 推荐设置 |
|---|---|
| 固定修饰 | Carbamidomethyl (C) |
| 可变修饰 | Oxidation (M), phospho (STY) |
| 酶切 | trypsin，漏切 2~4（推荐 2） |
| 母离子误差 | 高精度仪器 10~20 ppm |
| 子离子误差 | CID 0.5 Da；HCD 0.1 Da 以下 |
- 正反混合库（decoy）搜库用于后期 FDR 质控。
- 数据库：UniProt（Swiss-Prot/TrEMBL）、RefSeq、Ensembl protein；无蛋白库物种可用 EST/转录组/基因组翻译。
三、修饰蛋白质组学
- 重要性：忽略修饰图谱会低估蛋白表达量（人肝细胞器 BIRM 数据 ~2000 万张谱图仅 ~90 万张高可信鉴定，低图谱鉴定率 4.5%）。
- Unimod 记载修饰 976 种；修饰=质谱数据中氨基酸质量改变（体内 PTM / 体外实验引入 / 氨基酸突变）。
- 鉴定原理：候选肽段库中加入修饰变体肽段常规搜索（如 D→E +14Da）；b/y 离子最常见。
- 两条算法路线：常规修饰鉴定（指定类型，固定+可变修饰搜索）vs 非限制修饰鉴定（不指定类型，发现潜在/新修饰，工具：DeltAMT、pCluster、MODa、pMatch；位点定位：Ascore、PhosphoRS）。
- 质控策略：体外修饰同常规（蛋白 FDR<1%）；高丰度体内修饰与非修饰肽段分开质控；低丰度修饰直接卡值。
- 注意事项：多数引擎限可变修饰 ≤10 个；可变修饰越多灵敏度越低；准确性优先于灵敏度；亚计量修饰难检测。
- 多批次搜库策略：先无修饰定候选蛋白，剩余谱图加可变修饰再搜。
四、多肽组学
- 多肽组 peptidome = 活体生物器官/组织/细胞/体液中全部内源性多肽；填补蛋白质组学与代谢组学之间的空缺。
- 来源：体液（血、乳汁、脑脊液、尿液、毒囊等）、组织、部分植物。
- 与蛋白质组学对比：多肽组全覆盖序列、低丰度、快降解、不依赖基因组（de novo）。
- 应用路线：非原位（血清多肽组）与原位（质谱成像，可获得空间分布与相对丰度，规避”提取完全吗/组成偏好吗”的标志物研究缺陷）。
五、搜库数据库选择与蛋白质基因组学
数据库选择三案例
- Case1 模式生物：冗余度悖论——库越大可搜结果越多，但搜索空间加大导致卡分需上调，可能反而减少鉴定。结论：搜完善且紧凑的库；混合样品只搜主要关心物种（Nat Methods 2015 评论）。
- Case2 有基因组无蛋白库（例 Rhodotorula mucilaginosa）：用 Web server Augustus 做编码蛋白预测（1034 scaffold / 19.98 Mb → 6413 蛋白）。
- Case3 基因组缺乏：EST/SAGE 片段库六相位穷举翻译，或跨物种近缘种搜索。
蛋白质基因组学 Proteogenomics
- 定义：用蛋白质组实验数据精细验证/补充基因组基因注释；广义扩展为整合蛋白质组+转录组+基因组。
- 发展阶段：2007 前概念形成；2008-2013 缓慢；2014 后进入新阶段。
- 用途：修正基因模型（基因内新肽段）、发现新基因（基因间肽段）、Onco-proteogenomics 肿瘤新抗原。
- 待强化：数据质控、可变剪接肽段鉴定（人类 1/4 肽段跨外显子连接位点；spliced-exon graph / de Bruijn graph 缩小搜索空间）、搜索速度。
关联
- 成都培训-蛋白质组信息学及数据挖掘笔记（同培训 10-30 第二天，数据注释/WGCNA/进化分析）
- 蛋白质组质谱数据鉴定与质量控制-杨冬培训讲义
- 关联实体：计算所蛋白质组培训班（OpenViking）
备注
- 提取方法：zipfile+regex 直读 OOXML slide XML（103 页全文）。
- 联系人信息（讲者公开联系方式）见 slide1，笔记不复述私人号码。