欧米问答 | 新冠肺炎类蛋白质组学研究实验思路解析

ꔷ 往期推荐 ꔷ

自2019年年末开始，新冠肺炎肆虐全球，各国的研究者们都致力于研究新冠肺炎的相关发生机制，开发疫苗和特效药物等。在蛋白质组学研究领域，新冠类疾病的研究文章近几年来也在各大主刊上频频现身。

如何用蛋白质组学来研究新冠肺炎？已有的案例包括新冠患者轻重症的判定，提早发现重症患者以及时采取治疗；还有研究新冠肺炎对人身体各器官的损伤机制研究等等。本期欧米问答主要解析3篇新冠类文章研究思路。

本篇为2020年新冠肺炎发生初期即开始着手的研究，目的在于及早发现新冠重症患者以及时采取治疗措施，发表于国际顶级期刊 Cell，文章名为Proteomic and Metabolomic Characterization of COVID-19 Patient Sera。

本篇研究取材人血清样本，将其分成4个组别，分别为健康组（28例）、普通流感组（25例）、新冠轻症组（37例）和新冠重症组（28例）。研究采用TMTpro 16plex高深度蛋白质组学技术和质谱多反应监测 (multiple reaction monitoring, MRM) 靶向技术，鉴定到894种蛋白质和941种代谢产物，描绘了重症患者血清蛋白质组和代谢组学的特征。

本篇研究的实验思路设计如下：

其亮点在于，在得到初步的蛋白质组和代谢组学的结果后，联合蛋白组和代谢组结果做了机器学习，通过一系列的测试，得到一个可以区分轻重症患者的模型，该模型的构建过程如下：在训练集C1中， 18名轻症患者和13名重症患者分别进行了蛋白质组学分析和代谢组学分析；测试集C2用10名未知病情的患者做测试，其中7名患者的轻重型被正确判别；测试集C3用19名未知病情的患者做测试，其中16名患者的轻重型被正确判别。

如何来评价本篇研究中机器学习的好坏？首先，可以以曲线下面积AUC（Area Under Curve）指标来判定，而本篇模型构建的AUC达到了0.957（AUC越接近于1越好）；其次，可以看一下运用模型去判定实际临床病人的轻重型正确与否。在本篇研究中，对一些模型的错判也做了干扰因素说明。

如下图D中的XG45, 临床表现为重症，但是模型中被判定为轻症，原因是患者曾服用中药；下图D中的XV22, 临床表现为轻症，但是模型中被判定为重症，原因是患者本身有HBV感染。除此之外，一些激素治疗，心脏手术史，糖尿病等也会影响模型的正确判断。

新冠肺炎患者多器官损伤的分子病理学仍不清楚，阻碍了有效疗法的开发。本研究为2021年发表于Cell上的名为 Multi-organ proteomic landscape of COVID-19 autopsies 的一篇文章。

研究取材新冠尸检患者的7种组织器官，采用独特的微量组织前处理压力循环技术 (Pressure Cycling Technology, PCT) 并结合TMTpro 16plex高深度蛋白组学对这些不同类型的144个器官组织样本和74个非新冠死亡的样本进行分析，最后研究者共定量到11,394个蛋白，并对其中失调的5,336个蛋白进行深入研究。研究取得了突破性的成果，比如发现新冠肺炎患者的肺组织蛋白酶L1上调，而并非是所熟知的ACE2蛋白。并且，从整体上来看，新冠患者多个器官发生了缺氧、血管生成、血液凝固和纤维化等病变。此外，还发现COVID-19患者睾丸组织间质细胞功能受损或间质细胞数量减少，这导致精子的产生及其运动功能受损。

本文实验思路设计如下：

本文亮点在于，对于不同组织器官的分析做了众多方面的对比研究，并得到了关键结果。下图即为多器官的一些定量结果，该研究采取了个性化的设计方式，将数据形式直观地呈现出来。可以看到，在人体7类器官组织中，脾脏红髓里未鉴定到明显改变的蛋白，而肝脏里改变的蛋白数量最多，这意味着新冠肺炎致死患者中肝脏受到的损伤可能比较大。

与血液蛋白质组相比，尿液蛋白质组的价值在很大程度上被低估，但近年来尿液样本因其无创、量多等优点也逐渐成为组学研究的首选热门样本类型之一，尿液蛋白组在新冠肺炎中的效用目前来说仍是不清楚的，本篇文章致力于探索尿液样本与新冠肺炎的关联性，确定其是否能够预测新冠患者轻重症。本篇为2022年发表于Cell reports上，名为Proteomic and metabolomic profiling of urine uncovers immune responses in patients with COVID-19。

本篇研究取材新冠患者及健康对照组共计115个尿液和血清样本，旨在研究新冠肺炎血液和尿液蛋白的关联性，以及蛋白质和代谢物的相互作用。该研究共定量了 1,494 个血清蛋白，3,854 个尿液蛋白，903 个血清代谢物和 1,033 个尿液代谢物。从蛋白层面分析，单位体积的尿液蛋白表达量在轻、重型 COVID-19 组中与健康组相比明显升高，这个结果提示尿液可能会更灵敏地反应机体疾病水平的变化。

本研究实验设计如下：

本研究的亮点在于对比了尿液和血清样本的诸多组学上的差异，除此之外，还构建了一个尿液样本的机器学习模型， 该研究发现其判定新冠轻重症的预测能力和血清样本构建的模型类似，证明尿液蛋白对于轻重症新冠肺炎的区分能力与血清蛋白基本一致。另外，本实验还进行了较为完整的靶向验证。

在三篇文章中，其中有两篇都用到了机器学习，这里再对机器学习做一个总结：蛋白质组学本质上就意味着研究中海量数据，建议可运用机器学习和深度学习的方法对一些疾病的分子分型等进行研究。机器学习所需的样本数，则需要依据不同的实验目的来具体分析。

若各位对新冠类或者其他疾病类的蛋白质组学或者蛋白质组学的机器学习有兴趣，

可来电咨询(0571) 8678 0630

或是扫码添加服务微信进行咨询