深度视觉蛋白质组学（Deep Visual Proteomics, DVP）的单细胞肿瘤空间表征研究

作者与期刊信息
本研究由丹麦哥本哈根大学诺和诺德基金会蛋白质研究中心的Andreas Mund和Matthias Mann团队主导，于2022年5月19日在线发表于*Nature Biotechnology*，题为《Deep Visual Proteomics Defines Single-Cell Identity and Heterogeneity》。

学术背景
肿瘤异质性是癌症治疗的核心挑战之一。传统方法依赖显微镜下的表型观察或单细胞基因组学技术，但这些方法存在局限性：基因组数据无法直接反映蛋白质功能，而临床常用的福尔马林固定石蜡包埋（FFPE）组织样本又难以提取单细胞转录组。此外，现有蛋白质组学技术因多重检测限制和分析灵敏度不足，难以解析组织微环境中的单细胞蛋白表达差异。为此，研究团队开发了深度视觉蛋白质组学（DVP），旨在通过结合高分辨率显微镜、人工智能和超高灵敏度质谱技术，实现单细胞水平蛋白质组的空间解析，揭示肿瘤进化的驱动机制及潜在治疗靶点。

研究流程与方法
DVP技术流程分为四个关键步骤：

1. 高分辨率成像与细胞分类

   • 使用先进显微镜对FFPE组织切片成像，生成亚细胞分辨率的空间图谱。
     
   • 通过基于深度学习的软件（如AI算法）进行细胞分割与表型分类。例如，在黑色素瘤组织中，团队将肿瘤划分为7个区域，并定义了5种细胞表型类别。
     

2. 激光显微切割与单细胞分离

   • 采用激光显微切割技术（Laser Microdissection）精准分离目标细胞，实现自动化单细胞提取。此步骤解决了传统单细胞分离技术对FFPE样本兼容性差的问题。
     

3. 超高灵敏度质谱分析

   • 使用团队开发的超高灵敏度液相色谱-质谱联用（LC-MS/MS）工作流程（参考文献2），对单细胞级别的蛋白质组进行定量分析。该技术可检测数千种蛋白质，灵敏度达80-100个细胞或250-300个细胞核。
     

4. 生物信息学与数据整合

   • 通过基因集富集分析（GSEA）等工具，将蛋白质表达数据与成像空间信息关联。例如，在黑色素瘤分析中，团队发现肿瘤表层区域具有免疫活性，而内部区域则显示mRNA剪接活性和细胞外基质降解增强。
     

主要结果
1. 单细胞蛋白质组空间异质性
- DVP成功量化了黑色素瘤组织中正常黑色素细胞向恶性细胞的渐进性蛋白表达变化，揭示了肿瘤进化轨迹。数据表明，同一肿瘤内不同区域的细胞表现出显著的蛋白质组差异。

1. 功能性肿瘤分区

   • 表层肿瘤区域富含免疫相关蛋白（如MHC分子），提示免疫治疗潜在靶点；内部区域则高表达基质降解酶（如MMPs），与侵袭性相关。
     

2. 技术验证

   • 对比基因组学数据，DVP直接检测到蛋白质层面的功能差异（如PTM修饰），弥补了基因组技术的不足。例如，某些致癌信号通路（如MAPK）的蛋白活性变化未被转录组数据捕捉。
     

结论与意义
DVP的创新性在于：
1. 技术整合：首次将空间成像、AI分类与单细胞蛋白质组学结合，突破了FFPE样本的分析瓶颈。
2. 临床潜力：为肿瘤分型、进化机制研究和个体化治疗靶点发现提供了新工具。团队提出，未来可通过DVP对癌症活检样本进行常规分析，优化治疗方案。
3. 三维拓展潜力：通过连续切片分析，有望构建肿瘤分子三维图谱，进一步提升空间分辨率至亚细胞结构（如染色体或纳米管）。

研究亮点
- 方法学突破：DVP的灵敏度接近质谱技术极限，可检测少至80个细胞的蛋白质组。
- 跨学科应用：融合病理学、人工智能和蛋白质组学，为“空间多组学”领域树立新标杆。
- 直接临床关联：团队与病理学家合作，验证了DVP在临床样本中的可行性，为其转化铺平道路。

未来方向
研究指出需进一步优化DVP的自动化流程，并开发更高灵敏度的质谱方法以解析亚细胞结构。此外，团队计划通过国际合作推动该技术在癌症精准医疗中的标准化应用。

专家评价
欧洲分子生物学实验室的Wolfgang Huber称其为“一项触及质谱灵敏度极限的技术突破”，*Nature Biotechnology*编辑部则强调其“将数字病理学、深度学习和质谱技术结合的工程壮举”。