蛋白质组学与代谢组学

蛋白质组学和代谢组学是系统生物学的重要组成部分，它们分别从蛋白质和代谢物层面研究生物系统的组成、功能和调控机制。与基因组学和转录组学不同，蛋白质组学研究的是基因表达的最终产物——蛋白质，包括其丰度、修饰状态和相互作用；代谢组学则关注细胞内所有小分子代谢物的整体变化。这两个领域在疾病标志物发现、药物靶点鉴定和系统生物学研究中发挥着不可替代的作用。本节将全面介绍从样本制备到数据分析的完整流程，帮助你掌握蛋白质组学和代谢组学的核心方法。

7.1 蛋白质组学基础

蛋白质组学研究的是一个细胞或组织在特定条件下所表达的全部蛋白质及其功能状态。与基因组不同，蛋白质组的构成不仅取决于基因序列，还受到转录后加工、翻译效率和翻译后修饰等多重因素的调控，因此蛋白质组具有更高的动态复杂性和时空特异性。

7.1.1 核心概念与流程

蛋白质组、转录组和基因组代表了不同层次的生物学信息。基因组包含了一个物种的全部遗传信息，是相对稳定的；转录组反映了特定条件下正在被表达的基因集合，提供了基因表达水平的快照；而蛋白质组则是基因功能的最终执行者，包含了翻译后的所有信息。一个重要的区别在于，mRNA水平的变化并不总是能准确预测蛋白质水平的变化——研究表明，人类细胞中mRNA和蛋白质丰度的相关性通常只有0.4-0.6之间，这意味着相当一部分调控发生在翻译或翻译后层面。这种不一致性使得蛋白质组学研究成为理解生物学过程不可或缺的一环。

蛋白质表达丰度动态范围是蛋白质组学面临的核心技术挑战之一。在一个典型的哺乳动物细胞中，最丰富和最稀少的蛋白质之间的丰度差异可达10个数量级以上（即10^10倍）。例如，白蛋白等高丰度蛋白可能占血清总蛋白质量的50%以上，而某些低丰度的信号分子（如细胞因子）的含量可能只有pg/ml级别。这种巨大的动态范围意味着即使使用最先进的质谱仪器，也无法在一次实验中检测到所有的蛋白质。为了克服这一限制，研究者开发了多种策略：去除高丰度蛋白以释放检测能力、使用分级分离增加覆盖深度、以及采用靶向方法专门检测低丰度蛋白。

翻译后修饰（PTM）多样性极大地扩展了蛋白质的功能空间。目前已知的PTM类型超过400种，其中最常见的包括磷酸化（调节信号转导）、乙酰化（影响染色质结构和酶活性）、泛素化（控制蛋白降解）、糖基化（影响蛋白折叠和定位）、甲基化（参与表观遗传调控）和脂质化（调控膜定位）。PTM可以动态地改变蛋白质的性质——活性、稳定性、相互作用能力和亚细胞定位。一个蛋白质可能有多个不同的PTM位点，这些修饰之间还存在复杂的串扰关系：一种修饰可能促进或抑制另一种修饰的发生，也可能产生协同效应。当你研究蛋白质的功能时，必须考虑PTM的影响，因为很多疾病的分子机制都与异常的PTM密切相关。

蛋白质复合物与相互作用构成了细胞内功能网络的基础。大多数蛋白质不是孤立发挥作用的，而是通过与其他蛋白质形成复合物来执行功能。蛋白质相互作用的模式包括稳定的复合物（如核糖体、蛋白酶体）和瞬时的相互作用（如激酶与底物的结合）。蛋白质组学中的互作分析技术（如酵母双杂交、亲和纯化质谱AP-MS和交联质谱XL-MS）可以系统地绘制蛋白质相互作用网络，这些网络对于理解信号通路和识别药物靶点至关重要。

蛋白质组学实验设计需要仔细考虑多个因素以确保结果的可靠性和可重复性。生物学重复是指来自不同个体或独立培养的样本，用于评估生物学变异；技术重复是对同一样本的重复处理和测量，用于评估技术误差。一般来说，至少需要3个生物学重复才能进行有意义的统计推断。定量策略的选择取决于你的研究目标：如果只需要比较少数几个条件，标记定量方法（如TMT或SILAC）可能是更好的选择；如果需要处理大量样本且预算有限，非标记定量（Label-free）则更具性价比。无论选择哪种策略，随机化处理顺序和盲法分析都是减少偏倚的重要措施。

样本制备是蛋白质组学实验中最关键的步骤之一，直接影响后续数据的质量。蛋白提取通常使用裂解液（如8M尿素或SDS缓冲液）破碎细胞并溶解蛋白质，同时加入蛋白酶抑制剂防止降解。还原烷基化步骤中，二硫苏糖醇（DTT）将半胱氨酸残基的二硫键还原为游离巯基，然后碘乙酰胺（IAA）对这些游离巯基进行烷基化修饰，防止二硫键重新形成。酶解是最常用的蛋白质消化方式，胰蛋白酶（Trypsin）因其特异性和高效性被广泛使用——它在赖氨酸（K）和精氨酸（R）的羧基端切割，产生的肽段长度适中（平均约12个氨基酸），非常适合质谱分析。除了胰蛋白酶外，Lys-C、Glu-C和Asp-N等其他酶也在特殊情况下使用。

多肽标记方法是实现准确定量比较的关键技术。TMT（Tandem Mass Tag）是目前最常用的等压标记试剂，它可以在肽段的N末端和赖氨酸侧链上引入质量标签，最多支持16个样本的同时比较。iTRAQ（Isobaric Tags for Relative and Absolute Quantitation）是类似的技术，但最多支持8路复用。SILAC（Stable Isotope Labeling by Amino acids in Cell culture）是一种代谢标记方法，通过在培养基中加入稳定同位素标记的氨基酸（如^13C_6-Lys和^13C_6^15N_2-Arg），使细胞合成的蛋白质天然携带同位素标签，这种方法特别适合培养细胞的定量比较。Label-free方法不需要化学标记，直接基于谱图计数或峰面积进行定量，操作简单但精度相对较低。

分级分离是提高蛋白质组覆盖深度的常用策略。SDS-PAGE（十二烷基硫酸钠聚丙烯酰胺凝胶电泳）可以将蛋白质按分子量分离成条带，每个条带分别酶解后进行分析。SCX（强阳离子交换色谱）根据肽段的电荷性质进行分离，常作为多维分离的第一维。高pH反相色谱利用肽段在高pH条件下的疏水性差异进行分离，与低pH的反相LC-MS/MS联用可以实现高效的二维分离。这些分级策略虽然增加了实验时间，但可以显著提高低丰度蛋白的检出率。

# 蛋白质组学实验设计示例: 计算所需重复数
library(pwr)

effect_size <- 1.5
power_target <- 0.80
alpha_level <- 0.05

n_per_group <- pwr.t.test(
    d = effect_size,
    sig.level = alpha_level,
    power = power_target,
    type = "two.sample"
)$n

cat(sprintf("每组最少需要 %.0f 个生物学重复\n", ceiling(n_per_group)))
cat(sprintf("总样本数: %d\n", ceiling(n_per_group) * 2))

7.1.2 质谱技术基础

MALDI-TOF（基质辅助激光解吸电离-飞行时间质谱）是蛋白质组学早期发展的重要技术。它的工作原理是将待测样品与基质分子混合结晶后，用激光照射使样品离子化，然后根据离子飞行时间测定其质荷比。MALDI的主要优点是操作简单、耐受杂质能力强、适合高通量分析，因此广泛应用于微生物鉴定（如MALDI Biotyper系统）和组织成像质谱。然而，MALDI-TOF主要用于分子量测定，对于复杂的肽段混合物分析能力有限，因此在现代蛋白质组学中更多用于快速筛选而非深度分析。

ESI（电喷雾电离）是与MALDI互补的重要软电离技术。ESI直接从溶液中产生带电荷的液滴，随着溶剂蒸发，液滴逐渐变小直至离子从表面逸出。ESI的一个独特优势是可以产生多电荷离子，这使得大分子的质荷比落在常规质量分析器的检测范围内。ESI与液相色谱（LC）在线联用（LC-MS/MS）已成为现代蛋白质组学的标准配置，因为LC可以预先分离复杂的肽段混合物，减少离子抑制效应，提高检测灵敏度。

串联质谱（MS/MS）原理是蛋白质鉴定的核心。在MS/MS模式下，首先在一级质谱（MS1）中选择一个特定的母离子（前体离子），将其隔离并碎裂产生碎片离子，然后在二级质谱（MS2）中测量这些碎片离子的质荷比。碎片离子的模式反映了母离子的氨基酸序列——b系列离子包含N末端的片段，y系列离子包含C末端的片段，两者共同构成肽段的"序列梯"。通过解析MS/MS谱图中的b/y离子系列，可以推断出肽段的完整序列，进而鉴定对应的蛋白质。

碎裂方式的选择对MS/MS谱图的质量和适用场景有重要影响。CID（碰撞诱导解离）是最传统的碎裂方式，通过惰性气体碰撞传递能量使肽段断裂，主要产生b和y系列离子，适用于大多数肽段的分析。HCD（高能量碰撞解离）是Orbitrap仪器上常用的碎裂方式，它在高能碰撞池中进行碎裂，产生的离子分辨率更高，特别适合TMT等报告离子的定量分析。ETD（电子转移解离）是一种温和的碎裂方式，通过电子转移引发断裂，主要产生c和z系列离子，能够保留PTM信息，特别适合磷酸化和糖基化等不稳定修饰肽段的分析。

数据依赖采集（DDA）是目前应用最广泛的采集模式。在DDA中，一级扫描会自动选择强度最高的若干个母离子（通常top N个）进行二级碎裂，循环往复。DDA的优势在于可以获得高质量的MS/MS谱图用于数据库搜索鉴定，但其缺点是偏向于高丰度肽段，导致低丰度肽段的漏检率较高。此外，DDA的随机性也导致不同运行之间的一致性较差，不利于精确的跨样本定量比较。

数据非依赖采集（DIA / SWATH）是为了解决DDA一致性问题而发展的新策略。在DIA中，不再选择性触发二级扫描，而是按照预设的质量窗口依次对所有母离子进行碎裂，确保没有遗漏。SWATH（Sequential Window Acquisition of All Theoretical fragment ions spectra）是DIA的一种具体实现，它将整个质量范围划分为连续的窗口（如25 Da宽），逐一采集每个窗口内的所有碎片离子。DIA的优势在于数据的完整性和一致性极佳，非常适合大规模队列研究和临床应用；挑战在于数据处理更复杂，需要专门的算法（如DIA-NN、OpenSWATH）从复杂的混合谱图中提取单个肽段的信号。

平行反应监测（PRM）是一种靶向质谱分析方法，结合了SRM的高特异性和高分辨质谱的高准确性。在PRM中，预先选定目标肽段，在高分辨质量分析器（如Orbitrap）中以高分辨率同时记录该肽段的所有碎片离子，而不是像传统SRM那样只监测特定的几个跃迁通道。PRM的优势在于不需要提前优化跃迁参数，且可以利用高分辨率消除干扰，特别适合验证性研究和多目标同时监测。

靶向质谱（MRM/SRM）是多反应监测/选择反应监测的简称，是三重四极杆质谱上的经典靶向分析方法。MRM通过两级四极杆过滤实现双重选择：第一级四极杆选择特定的母离子，第二级四极杆选择特定的碎片离子，这种双重过滤极大提高了分析的特异性和灵敏度。MRM特别适合临床生物标志物的定量验证，因为它可以在复杂的生物基质中对数百个目标肽段进行高灵敏度和高重现性的绝对定量。

高分辨质谱平台各有特点。Orbitrap（轨道阱质谱）基于离子在静电场中的振荡频率测量质荷比，具有极高的分辨率（最高可达500000以上）和质量精度（< 1 ppm），是目前蛋白质组学研究的主流平台。Q-TOF（四级杆-飞行时间质谱）结合了四极杆的选择性和TOF的高速扫描能力，适合高通量的DIA分析和代谢组学研究。FT-ICR（傅里叶变换离子回旋共振质谱）提供最高的分辨率和质量精度，但成本高昂且维护复杂，主要用于顶级研究实验室的特殊需求。

离子淌度分离（IMS）是在质谱分析之前增加的一维分离维度。IMS根据离子的大小、形状和电荷（即碰撞截面，CCS）的差异进行分离，与基于质荷比的质谱分离正交。IMS可以有效分离质荷比相同但结构不同的离子（如同分异构体），降低背景噪声，提高信噪比。最新的timsTOF Pro平台将捕获离子淌度（TIMS）与PASEF扫描模式结合，实现了超高灵敏度的DIA采集，已成为蛋白质组学研究的新兴利器。

# 质谱原始数据格式转换 (ProteoWizard msConvert)
msconvert input.raw --mzML \
    --filter "peakPicking true 1" \
    --zlib -o output_dir/

7.2 蛋白质组数据分析

蛋白质组数据分析是从质谱原始数据到生物学结论的关键桥梁。这一过程涉及原始数据处理、肽段鉴定、蛋白质定量和功能注释等多个环节，每个环节都有多种工具和方法可供选择。

7.2.1 质谱数据处理

原始数据格式是质谱数据分析的起点。最常见的厂商专有格式是Thermo Fisher的.raw文件和Waters的.raw文件。为了实现跨平台的兼容性，开放格式的转换变得必要。mzML是由HUPO-PSI定义的标准XML格式，保留了完整的质谱信息，是目前推荐使用的交换格式。mgf（Mascot Generic Format）是一种简化的格式，仅包含MS/MS谱图信息，常用于数据库搜索的输入。

峰检测与去噪是将原始轮廓数据转换为离散峰列表的过程。质谱仪检测到的原始信号是连续的轮廓，其中包含真实的离子信号和电子噪声。峰检测算法需要在保留真实信号的同时去除噪声，ProteoWizard的msConvert工具内置了多种峰检测算法。

电荷态解卷积是处理ESI数据时的重要步骤。由于ESI产生的离子通常带有多个电荷，同一个肽段会在质谱图中出现在多个不同的质荷比位置。电荷态解卷积的目标是将这些多电荷信号合并为一个中性质量值。

DIA数据处理需要专门的工具链来应对其独特的数据特征。DIA-NN利用深度学习模型预测谱图库，从而避免了对DDA谱图库的依赖，处理速度快且内存占用低。OpenSWATH依赖于高质量的DDA谱图库，在库匹配方面表现优异。Spectronaut提供了完整的图形界面和自动化工作流。

# DIA-NN 处理DIA数据示例
dia-nnn --f dia_data/*.dia \
    --lib library.spectral_library.tsv \
    --out dia_nn_output/ \
    --threads 16 \
    --qvalue 0.01 \
    --ppm 20 \
    --rt-window 3.0

7.2.2 数据库搜索与肽段鉴定

蛋白质序列数据库是肽段鉴定的参考依据。UniProt是最全面的蛋白质序列数据库，包含Swiss-Prot（手工审核的高质量条目）和TrEMBL（计算机自动注释的条目）。RefSeq是美国NCBI维护的参考序列数据库，Ensembl由欧洲生物信息学研究所维护。

搜索算法决定了如何将观测到的MS/MS谱图与理论肽段进行匹配。Mascot是最早的商业搜索引擎之一。Sequest使用XCorr评分函数。Andromeda是MaxQuant内置的搜索引擎，以速度和准确性著称。MS-GF+使用通用化的评分函数，在各种类型的质谱数据上都表现出色。

错误发现率（FDR）控制是保证肽段鉴定可靠性的核心统计学手段。目标-诱饵库方法是最广泛使用的FDR估计方法，在目标数据库之外添加反向或乱序的假蛋白序列（诱饵库），据此估算总体FDR水平。通常推荐的阈值是PSM-level FDR < 1% 和 Protein-level FDR < 1%。

开放搜索（Open search）是一种强大的无偏鉴定策略，用于发现未知的或意外的PTM。MSFragger是目前最快的开放搜索工具，配合PTM-Shepherd可以对未知质量偏移进行聚类和注释。

# MSstats 差异蛋白分析示例
library(MSstats)

protein_names <- paste0("Protein_", sprintf("%04d", 1:100))
sample_info <- data.frame(
    ProteinName = rep(protein_names, each = 6),
    Condition = rep(c("Control", "Treatment"), each = 3, times = 100),
    BioReplicate = rep(1:3, times = 200),
    Run = rep(1:6, times = 100),
    Intensity = c(
        rlnorm(300, meanlog = 10, sdlog = 0.5),
        rlnorm(300, meanlog = 11, sdlog = 0.5)
    )
)

raw <- MSstats::dataProcess(sample_info, normalization = "globalStandards",
                             summaryMethod = "TMP", censoredCutoff = "minFeature")

comparison <- matrix(c(-1, 1), nrow = 1)
rownames(comparison) <- "Treatment_vs_Control"
result <- MSstats::groupComparison(raw, contrast.matrix = comparison)
head(result$ComparisonResult)

7.2.3 蛋白质定量

标记定量数据分析需要专门的软件来解码等压标记的信息。SILAC数据分析通常使用MaxQuant完成，它会自动识别轻/重同位素标签的配对肽段。TMT/iTRAQ数据分析可以使用MaxQuant、Proteome Discoverer或MSstatsTMT等工具。TMT分析中的比率压缩现象需要注意——由于共洗脱的前体离子干扰，观察到的比值往往小于真实比值。

非标记定量（LFQ）算法有多种实现方式。MaxQuant的LFQ算法采用延迟归一化和最大比对策略，是目前最广泛使用的方法。MS1峰面积定量（iBAQ）估计蛋白质的绝对丰度。谱图计数法简单但精度较低。

归一化方法的选择会影响定量结果的准确性。中位数归一化假设大部分蛋白质的表达量不变。分位数归一化强制所有样本的定量分布相同。LOESS校正强度依赖性偏差。VSN同时进行均值和方差的标准化。

缺失值插补是蛋白质组数据分析中不可避免的问题。KNN插补适合MCAR类型缺失。随机森林插补可以捕捉非线性关系。最小值替换适合MNAR缺失（缺失代表低丰度）。

差异表达蛋白分析：DEqMS专门为蛋白质组数据设计，考虑了方差随丰度变化的特性。limma同样适用。MSstats和DEP也是流行的选择。

# DEqMS 差异蛋白分析
library(DEqMS)
library(limma)

set.seed(123)
n_proteins <- 500
expr_matrix <- matrix(rnorm(n_proteins * 12, mean = 10, sd = 2),
                      nrow = n_proteins, ncol = 12)
rownames(expr_matrix) <- paste0("Protein_", 1:n_proteins)
colnames(expr_matrix) <- paste0(c("Ctrl_", "Treat_"),
                                 rep(1:6, each = 2), rep(c("A","B"), 6))

diff_idx <- 1:30
expr_matrix[diff_idx, 7:12] <- expr_matrix[diff_idx, 7:12] + 3

group <- factor(c(rep("Control", 6), rep("Treatment", 6)))
design <- model.matrix(~group)

fit <- lmFit(expr_matrix, design)
fit <- eBayes(fit)
res_limma <- topTable(fit, coef = 2, number = Inf)

proteinInfo <- data.frame(
    uniqueID = rownames(expr_matrix),
    nPep = sample(1:20, n_proteins, replace = TRUE),
    spInt = runif(n_proteins, min = 1e6, max = 1e9)
)

fit_deqms <- DEqMS(expr_matrix, design, group, proteinInfo)
res_deqms <- topTable(fit_deqms, coef = 2, number = Inf)

cat(sprintf("显著差异蛋白数 (FDR<0.05): %d\n",
            sum(res_deqms$adj.P.Val < 0.05 & abs(res_deqms$logFC) > 1)))

7.2.4 蛋白质注释与功能分析

蛋白质ID映射连接不同数据库和注释资源。biomaRt和clusterProfiler中的bitr函数可以进行批量ID映射。Gene Symbol通常是跨组学整合的最佳中间格式。

GO与KEGG富集分析与转录组学基本相同，使用clusterProfiler即可完成。需要注意的是蛋白质组数据通常包含的基因数量较少，这可能影响统计功效。

蛋白质结构域富集分析使用enrichInterPro函数进行InterPro结构域的富集分析，可以揭示差异蛋白在结构功能层面的规律。

蛋白质相互作用网络分析使用STRING数据库将差异蛋白置于全局互作背景下解读。STRINGdb包可以在R中完成网络分析和hub节点识别。

亚细胞定位注释使用COMPARTMENTS和Human Protein Atlas数据库。分泌蛋白预测使用SignalP，膜蛋白预测使用TMHMM。

# 蛋白质组学功能富集分析
library(clusterProfiler)
library(org.Hs.eg.db)

sig_proteins <- c("TP53", "BRCA1", "MYC", "AKT1", "MTOR",
                  "EGFR", "VEGFA", "BCL2", "CASP3", "CDKN1A")
entrez_ids <- bitr(sig_proteins, fromType = "SYMBOL",
                   toType = "ENTREZID", OrgDb = org.Hs.eg.db)

go_bp <- enrichGO(gene = entrez_ids$ENTREZID, OrgDb = org.Hs.eg.db,
                   ont = "BP", pAdjustMethod = "BH", pvalueCutoff = 0.05)
head(go_bp)

kegg_res <- enrichKEGG(gene = entrez_ids$ENTREZID, organism = 'hsa',
                        pAdjustMethod = "BH", pvalueCutoff = 0.05)
head(kegg_res)

7.3 蛋白质结构预测

蛋白质结构预测是连接氨基酸序列与三维结构的桥梁。近年来AlphaFold2的出现使得高精度蛋白质结构预测进入了实用阶段。

7.3.1 计算预测方法

同源建模（Homology Modeling）基于进化相关的蛋白质具有相似三维结构的原理。SWISS-MODEL是最广泛使用的在线服务器。Modeller允许自定义模板和对齐方式。当序列一致性高于50%时，模型可以达到接近实验结构的精度。

从头预测在没有合适模板时尝试直接从序列预测结构。Rosetta基于物理能量函数和蒙特卡洛采样。AlphaFold2利用深度神经网络从多序列比对中提取信息，在CASP14竞赛中取得了革命性突破。ESMFold完全基于单序列嵌入表示，推理速度比AlphaFold2快一个数量级。

基于深度学习的接触图预测是AlphaFold2成功的关键。注意力机制学习残基间的长程关联，Evoformer在MSA维度和残基维度之间反复交换信息。

pLDDT是AlphaFold2输出的局部置信度分数（0-100），>70为高可信，<50可能无序。RMSD衡量原子位置偏差。TM-score是与大小无关的结构相似性度量，>0.5表示相同拓扑结构。

多聚体结构预测：AlphaFold-Multimer扩展了AlphaFold2用于蛋白质复合物预测。RoseTTAFold-Multimer是另一个可选方案。

蛋白质-配体对接：AutoDock使用遗传算法搜索最优结合构象。Glide提供更精细的打分函数。LeDock适合虚拟筛选场景。

蛋白质-蛋白质对接：ClusPro通过能量聚类筛选结合模式。HADDOCK可整合实验约束引导对接。

# AlphaFold2 pLDDT 分析
def analyze_plddt(json_file):
    import json, numpy as np
    with open(json_file, 'r') as f:
        data = json.load(f)
    plddt = np.array(data[0]['plddt'])
    seq_length = len(plddt)
    print(f"蛋白质长度: {seq_length} 残基")
    print(f"平均 pLDDT: {np.mean(plddt):.1f}")
    print(f">90 (极高置信): {np.sum(plddt > 90)} ({np.sum(plddt>90)/seq_length*100:.1f}%)")
    print(f">70 (高置信):   {np.sum(plddt > 70)} ({np.sum(plddt>70)/seq_length*100:.1f}%)")
    print(f"<50 (可能无序): {np.sum(plddt <= 50)} ({np.sum(plddt<=50)/seq_length*100:.1f}%)")

7.3.2 结构分析与可视化

三维结构查看：PyMOL提供出版级的图像渲染能力。ChimeraX交互体验友好。VMD擅长轨迹数据和动力学可视化。

结构图形生成：表面积展示活性口袋。静电势表面揭示电荷分布。ConSurf投影进化保守性。

结构域注释：CATH按Class-Architecture-Topology-Homology分类。SCOP侧重进化和功能关系。

突变结构效应预测：FoldX使用经验力场快速计算ΔΔG。Rosetta ddG精度更高但成本更大。DeepDDG基于深度学习。

分子动力学模拟（MD）：GROMACS和AMBER是最常用软件。RMSF反映各残基柔性，PCA提取大尺度运动模式。

# FoldX 突变稳定性分析示例
def foldx_ddg_analysis():
    mutations = ["G12D", "G13D", "Q61H", "Q61L"]
    ddg_values = [2.35, 1.87, 3.42, 2.98]
    for mut, ddg in zip(mutations, ddg_values):
        status = "destabilizing" if ddg > 0 else "stabilizing"
        print(f"{mut}: ΔΔG = {ddg:+.2f} kcal/mol ({status})")

7.4 翻译后修饰（PTM）组学

翻译后修饰是蛋白质功能调控的核心机制之一。PTM组学致力于在系统层面上鉴定和定量各种PTM。

磷酸化蛋白质组学是PTM组学中研究最成熟的领域。TiO2（二氧化钛）和IMAC（固定化金属亲和层析）是两种主要的磷酸肽富集方法，两者联合使用可获得更全面的覆盖。磷酸化肽在总肽段中占比通常不到1%，因此富集步骤至关重要。

磷酸肽定位使用PhosphoRS或iProphet计算每个位点的定位置信度。定位概率 > 0.75 为较可靠，> 0.95 为非常可靠。

磷酸化位点基序分析使用Motif-X或iceLogo提取磷酸化位点周围的氨基酸偏好模式，推断上游激酶家族。富含碱性氨基酸对应PKA/PKC，富含脯氨酸对应MAPK/CDK。

激酶-底物推断使用NetworKIN整合序列基序和相互作用网络信息，建立信号传导图谱。

泛素化组学使用K-ε-GG抗体富集泛素化肽段（特征质量偏移+114.043 Da）。挑战包括酶切效率低和泛素链多样性。

乙酰化组学使用抗乙酰赖氨酸抗体富集，在代谢调控中发挥重要作用。

糖基化组学分为N-糖基化（NXS/T共有序列）和O-糖基化（无明确共有序列），后者更具挑战性。HILIC或凝集素亲和层析常用于富集。

氧化还原修饰组学关注半胱氨酸氧化状态变化，使用化学探针标记还原态半胱氨酸。

甲基化组学研究赖氨酸和精氨酸甲基化，需高分辨质谱区分乙酰化（Δ=0.036 Da）。

PTM共发生与串扰分析探索不同PTM在同一蛋白质上的共存关系——磷酸化常促进泛素化降解，乙酰化与泛素化竞争同一赖氨酸位点。

# 磷酸化位点分析示例
phospho_sites <- data.frame(
    gene = c("EGFR", "MAPK1", "AKT1"),
    position = c(992, 185, 473),
    localization_prob = c(0.99, 0.92, 0.88),
    motif = c("[ST]Px[RK]", "[ST]P", "[RK]x[ST]")
)

high_conf <- phospho_sites[phospho_sites$localization_prob > 0.75, ]
cat(sprintf("高置信度位点: %d / %d\n", nrow(high_conf), nrow(phospho_sites)))

7.5 代谢组学分析

代谢组学研究生物体内所有小分子代谢物的整体组成及其变化，最能反映即时生理状态。

7.5.1 代谢组学基础

非靶向代谢组学尽可能全面地检测所有代谢物，适合发现性研究和标志物筛选。靶向代谢组学专注于预先选定的代谢物，使用标准品绝对定量，适合验证性研究和临床检测。

样本采集与淬灭至关重要——代谢物在细胞死亡后迅速变化。淬灭目的是立即终止酶活性，常用液氮速冻或冷甲醇淬灭。原则：越快越好，越冷越好。

代谢物提取：极性代谢物用水-甲醇提取，非极性用氯仿或MTBE。两相提取法可同时获得水相和有机相组分。

检测平台：LC-MS最通用（RP适合非极性，HILIC适合极性）。GC-MS适合挥发性/可衍生化代谢物，重现性好。NMR非破坏性但灵敏度低。CE-MS适合高极性离子型代谢物。

代谢物化学标准品是鉴定的金标准。同位素标记内标（^13C、^15N、氘代）校正制备损失和基质效应。

# 代谢组学数据预处理
set.seed(456)
n_metab <- 200
meta_matrix <- matrix(rlnorm(n_metab * 24, meanlog = 8, sdlog = 1.5),
                        nrow = n_metab, ncol = 24)
missing_rate <- 0.05
meta_matrix[sample(length(meta_matrix), length(meta_matrix) * missing_rate)] <- NA
cat(sprintf("缺失值比例: %.1f%%\n",
            sum(is.na(meta_matrix)) / length(meta_matrix) * 100))

7.5.2 代谢组数据处理

原始数据转换：XCMS（R生态最成熟）、MZmine（GUI友好）、MS-DIAL（日本流行）、OpenMS（命令行管道）。

峰检测、对齐、过滤三步预处理参数对结果影响很大。建议先用默认参数再逐步优化。

缺失值处理：删除高缺失率代谢物（>50%）、最小值填充（MNAR）、KNN/随机森林插补（MCAR）。

归一化：TIC归一化（总离子流）、中位数归一化（鲁棒性好）、PQN（抗稀释效应）、内标归一化（最准确）。

批次效应校正：ComBat（经验贝叶斯）、SVR（QC样本质控）。建议在实验设计中纳入QC pool样本定期穿插进样。

代谢物鉴定遵循MSI四级标准：Level 1（标准品确认）、Level 2（谱图库匹配）、Level 3（分子式推测）、Level 4（未知特征）。HMDB、METLIN、MassBank、KEGG为主要数据库。

# XCMS 数据处理流程示意
library(xcms)
cwp <- CentWaveParam(
    peakwidth = c(5, 30),
    snthresh = 10,
    prefilter = c(3, 10000),
    ppm = 15
)
# xdata <- findChromPeaks(xdata, param = cwp)
# xdata <- groupChromPeaks(xdata, param = PeakDensityParam(bw = 5))
# feature_matrix <- featureValues(xdata, value = "into")

7.5.3 代谢物差异与分类

单变量分析：t检验（两组）、ANOVA（多组）、Wilcoxon/Kruskal-Wallis（非参数）。多重检验校正（BH-FDR）必不可少。

多变量分析：PCA用于整体数据结构和异常值检测。PLS-DA和OPLS-DA是有监督的分类方法，VIP值（Variable Importance in Projection）筛选重要变量。注意OPLS-DA存在过拟合风险，需用置换检验验证。

差异代谢物筛选综合fold-change和FDR两个指标。火山图直观展示分布。

代谢通路富集：MetaboAnalyst是最常用的在线平台。MSEA（Metabolite Set Enrichment Analysis）基于预定义的代谢物集合。Mummichog无需预先鉴定即可直接从m/z特征进行通路富集。

代谢网络可视化：Cytoscape绘制代谢物-基因关联网络。KEGG Mapper将差异代谢物映射到通路图上。

# 代谢组学差异分析与通路富集
library(MetaboAnalystR)

# PLS-DA 分析
# plsda_result <- mva_plsda(meta_matrix, group_info)

# VIP 值筛选
# vip_scores <- get_vip(plsda_result)
# important_metabs <- names(vip_scores[vip_scores > 1.5])

# 通路富集 (MetaboAnalyst)
# msea_result <- msea_metabo_analysis(sig_metabolites, lib_type = "KEGG")
# head(msea_result)

7.5.4 代谢通路与功能解释

代谢通路数据库：KEGG（最全面）、Reactome（人类信号通路详细）、MetaCyc（酶促反应详尽）、SMPDB（人体特有代谢通路）。

代谢物-疾病关联：HMDB包含疾病注释信息。Comparative Toxicogenomics Database链接化学物质-基因-疾病-代谢物关系。

多组学整合：代谢物与转录组/蛋白质组的共变化分析可以发现途径级联效应。例如糖酵解上调伴随葡萄糖消耗增加和乳酸积累。

代谢物生物标志物开发需要经过发现（非靶向）、验证（靶向）和临床评估三个阶段。

代谢流量分析（Fluxomics）使用^13C同位素追踪代谢通路的实际流量，是理解代谢网络动态的重要手段。

# 多组学整合示例: 代谢物-基因共变化分析
cor_matrix <- cor(t(expr_matrix[1:30, ]), t(meta_matrix[1:30, ]),
                  method = "spearman")
sig_cor <- which(abs(cor_matrix) > 0.8 & abs(cor_matrix) != 1, arr.ind = TRUE)
cat(sprintf("显著的代谢物-基因相关对数: %d\n", nrow(sig_cor)))

7.6 多组学整合分析

多组学整合分析旨在融合基因组、转录组、蛋白质组、代谢组和表观组等多层次的数据，构建更全面的生物学理解。

7.6.1 整合策略与统计方法

多组学数据类型各具特点：基因组提供变异信息，转录组反映基因表达，蛋白质组体现最终产物，代谢组反映即时生理状态，表观组揭示调控层面。每种数据类型有不同的维度、噪声水平和统计特性，整合时需要充分考虑这些差异。

基于矩阵分解的方法是多组学整合的主流策略。MOFA（Multi-Omics Factor Analysis）使用贝叶斯因子分析模型，从多个组学数据中识别共享的和特异的变异因子。iNMF（integrative Non-negative Matrix Factorization）扩展NMF到多组学场景，可以发现跨组学的协同变化模式。DIABLO（Data Integration Analysis for Biomarker discovery using Latent component approaches）基于mixOmics框架，使用多块PLS进行有监督的多组学整合和分类。

基于多块偏最小二乘的方法：MB-PLS（Multi-Block PLS）处理多个数据块的联合分析。sPLS（sparse PLS）通过变量选择提高可解释性。mixOmics R包提供了完整的DIABLO/sPLS分析流程。

相关性网络分析：WGCNA（加权基因共表达网络分析）可以扩展到跨组学网络构建。多组学网络中的hub节点代表跨层次的调控枢纽。

贝叶斯整合方法：BIGPE（Bayesian Integrative Group-specific Prior Enrichment）用于多组学差异分析。Bayesian Group Factor Analysis识别共享和特异的变异来源。

基于多核学习的Multi-Kernel Learning为每种组学数据设计核函数，通过核融合实现多源数据的统一建模。

# MOFA 多组学整合分析示例
library(MOFA2)

# 创建 MultiAssayExperiment 对象
# mae <- create_mafelist(list(
#     RNA = rna_matrix,
#     protein = prot_matrix,
#     metabolite = metab_matrix
# ))

# 运行 MOFA
# mofa <- run_mofa(mae, factors = 10, groups = "all")
# plot_variance_explained(mofa)
# plot_factors(mofa, factors = 1:3)

7.6.2 典型整合应用

蛋白质组与转录组相关性分析评估mRNA-蛋白表达一致性。通常中等正相关（r ~ 0.4-0.6），不一致区域可能暗示翻译后调控或PTM的影响。

甲基化与转录组整合：启动子区高甲基化通常与基因表达负相关。EWAS发现的DMR可以通过eQTL数据进一步验证因果关系。

代谢组与转录组整合：共变化通路分析可以发现代谢-基因联合调控模式。例如脂肪酸合成通路的上调伴随ACSL/FASN基因表达增加和脂质中间产物的累积。

基因组变异与蛋白质/代谢物关联：pQTL（protein QTL）和mQTL（metabolite QTL）分析将遗传变异与蛋白质/代谢物水平关联，揭示遗传调控的下游效应。

多组学聚类癌症亚型：TCGA等多组学癌症项目提供了丰富的整合资源。iCluster、SNF（Similarity Network Fusion）等方法可以基于多组学数据识别新的分子亚型。

因果推断整合：孟德尔随机化跨越多个组学层次，利用遗传变异作为工具变量推断因果方向。例如：遗传变异 → DNA甲基化 → 基因表达 → 蛋白质丰度 → 代谢物水平 → 表型的因果链条。

# 多组学整合: mRNA-蛋白表达一致性分析
set.seed(789)
n_genes <- 200
rna_expr <- matrix(rnorm(n_genes * 20, mean = 8, sd = 1.5),
                    nrow = n_genes, ncol = 20)
prot_expr <- rna_expr * 0.6 + matrix(rnorm(n_genes * 20, sd = 1),
                                     nrow = n_genes, ncol = 20)

cor_vec <- apply(1:n_genes, function(i) {
    cor(rna_expr[i, ], prot_expr[i, ], method = "pearson")
})

cat(sprintf("mRNA-蛋白平均相关性: r = %.3f\n", mean(cor_vec)))
cat(sprintf("高度一致 (r > 0.7): %d 个基因 (%.1f%%)\n",
            sum(cor_vec > 0.7), sum(cor_vec > 0.7)/n_genes*100))
cat(sprintf("弱相关或不一致 (r < 0.3): %d 个基因 (%.1f%%)\n",
            sum(cor_vec < 0.3), sum(cor_vec < 0.3)/n_genes*100))

# 相关性散点图 (前6个基因)
plot(rna_expr[1:6, ], prot_expr[1:6, ],
     xlab = "mRNA表达", ylab = "蛋白丰度",
     pch = 19, col = rgb(0,0,1,0.5))
abline(lm(prot_expr[1, ] ~ rna_expr[1, ]), col = "red")

7.7 蛋白质-代谢物相互作用

蛋白质与代谢物之间的相互作用是连接代谢网络和蛋白质功能的关键环节。酶催化代谢反应、变构效应物调节酶活性、小分子配体结合调控信号蛋白——这些相互作用构成了细胞内复杂的调控网络。

酶-底物关系数据库是系统研究蛋白质-代谢物相互作用的起点。BRENDA（BRaunschweig ENzyme DAtabase）是最全面的酶信息数据库，包含EC编号分类、动力学参数（Km、kcat）、底物/产物信息和抑制剂数据。UniPathway整合了UniProt的酶条目和代谢通路信息，提供了从基因到反应到通路的完整映射。KEGG Reaction数据库记录了每一步生化反应的反应式、参与酶和对应的KO（KEGG Orthology）注释。当你需要查询某个代谢物由哪些酶催化生成或消耗时，这些数据库可以提供权威的参考。

蛋白质-代谢物复合物结构可以从PDB（Protein Data Bank）中获取。PDB中约有30%以上的结构包含配体分子，包括辅因子、底物、产物和抑制剂。通过分析这些结构，可以获得结合位点的精确坐标、氢键网络和疏水相互作用模式。PDBe-KB（PDB in Europe - Knowledge Base）对PDB中的配体注释进行了标准化处理，将同一化学实体在不同结构中的出现聚合在一起。RCSB PDB的Ligand Summary工具可以快速查看某个蛋白质家族的所有已知配体。当你想了解某个酶如何识别其底物的三维结构时，PDB搜索是最直接的方法。

代谢物结合位点预测可以在没有实验结构的情况下推断潜在的相互作用。COACH和COFACTOR是基于模板的预测方法，它们通过与已知结构的比对来预测配体结合位点。DeepSite使用卷积神经网络直接从蛋白质三维表面预测小分子结合口袋。FTMap通过在蛋白质表面放置多种探针分子来寻找有利的结合热点区域。对于酶来说，活性位点通常位于保守的结构域中；对于非酶蛋白，变构位点可能位于远离活性中心的位置。当你在蛋白质上发现了一个未知的配体结合区域时，这些预测工具可以帮助评估其生物学合理性。

代谢物对蛋白质活性的调控主要通过变构调节实现。变构效应物结合在酶的非活性部位，引起构象变化从而改变酶活性。经典的例子包括ATP/AMP对磷酸果糖激酶的调控（糖酵解关键步骤）、血红素对ALAS1的反馈抑制（血红素合成途径）。变构数据库ASD（Allosteric Database）收集了已知的变构蛋白及其效应物信息。理解变构调节对于药物开发尤为重要——许多药物的作用机制就是模拟或阻断天然的变构调控。当你观察到某代谢物水平的变化伴随相关酶活性的异常时，变构调节可能是其背后的机制之一。

亲和质谱（Affinity Selection Mass Spectrometry，AS-MS）是一种高通量鉴定蛋白质-代谢物相互作用的实验技术。AS-MS的基本原理是将目标蛋白质与代谢物混合物孵育，然后通过物理分离（如超滤、亲和捕获、尺寸排阻色谱）将与蛋白质结合的代谢物分离出来，最后用质谱检测被富集的代谢物。AS-MS的优势在于不需要预先知道候选配体，可以直接从复杂的天然产物库或代谢提取物中筛选结合物。常见的AS-MS变体包括：AS-MS with Ultrafiltration（超滤法）、Magnetic Bead Capture AS-MS（磁珠捕获法）和SpeedScreen（基于平衡透析的方法）。当你需要筛选某个蛋白质的潜在配体或抑制剂时，AS-MS是一种高效的无偏筛选策略。

# 酶-底物关系查询示例 (使用 KEGGREST)
library(KEGGREST)

# 查询葡萄糖-6-磷酸脱氢酶 (G6PD) 的反应
g6pd_reactions <- keggLink("reaction", "hsa")
g6pd_gene <- "hsa:2539"
cat("G6PD 参与的反应:\n")
print(head(g6pd_reactions[grep(g6pd_gene, names(g6pd_reactions))]))

# 查询特定代谢物的上下游酶
glucose6p_pathway <- keggGet("pathway:hsa00010")[[1]]
cat("\n糖酵解通路中涉及 G6P 的酶促反应:\n")
# 提取通路中的反应节点信息

7.8 空间蛋白质组学与代谢组学

空间组学技术保留了生物样本的空间位置信息，使得研究者能够在组织原位解析蛋白质和代谢物的分布规律。这一新兴领域正在革命性地改变我们对组织微环境和空间异质性的认识。

空间蛋白质组学的核心挑战是如何在保持空间分辨率的同时获得足够的蛋白质覆盖深度。激光捕获显微切割（LCM，Laser Capture Microdissection）结合质谱是目前最成熟的策略之一：首先在显微镜下选择感兴趣的区域（如肿瘤核心区、浸润边缘、基质区），用激光切割并收集微米级的组织碎片，然后进行常规的蛋白质提取和LC-MS/MS分析。LCM-MS可以实现约50-100 μm的空间分辨率，足以区分大多数组织学上的不同区域。GeoMx DSP（Digital Spatial Profiler）是另一种商业化平台，它使用寡核苷酸偶联的抗体进行空间分辨的蛋白质定量，一次运行可同时检测数十种蛋白质。当你需要比较同一组织中不同解剖区域的蛋白质组成时，LCM-MS是最灵活的选择。

MALDI成像质谱（MALDI Imaging Mass Spectrometry，MALDI-IMS）是空间代谢组学和空间脂质组学的核心技术。MALDI-IMS的工作原理是在组织切片表面均匀喷涂基质，然后用激光逐点扫描每个像素点（典型像素大小为10-100 μm），在每个位置获得一张完整的质谱图，最终重建出各代谢物在组织中的空间分布图像。MALDI-IMS无需标记、无需靶向，可以同时检测数百种代谢物和脂质分子的空间分布。它在肿瘤边界划定、药物分布监测和组织病理分型等方面展现出巨大潜力。主要限制包括空间分辨率（受限于激光光斑大小和基质结晶粒度）和对低丰度代谢物的灵敏度不足。当你想在组织切片上可视化代谢物的分布时，MALDI-IMS是目前最强大的工具。

DESI-MS成像（Desorption Electrospray Ionization MS Imaging）是一种常压环境下的原位电离成像技术。与MALDI不同，DESI不需要真空环境和基质喷涂——它直接向组织表面喷射带电的溶剂液滴，使表面的分子解吸并电离进入质谱。DESI的主要优势是样品制备简单（无需基质）、可在常压下操作且对组织无损伤（可用于手术切缘实时分析）。DESI特别适合中等极性代谢物和脂质的成像分析，已被用于术中肿瘤诊断的临床研究中。DESI的空间分辨率通常低于MALDI（约100-200 μm），但在某些应用场景下其便利性和速度优势更为重要。

空间蛋白质组数据的格式需要在标准mzML基础上扩展空间坐标信息。imzML（Imaging mzML）是由HUPO-PSI定义的空间质谱数据标准格式，它将二进制光谱数据（ibd文件）和元数据（XML文件）分离存储，其中包含了每个像素点的x/y/z坐标信息。MSiReader、Cardinal（R包）和SCiLS Lab等软件可以读取imzML数据进行可视化和统计分析。当你处理空间质谱数据时，确保数据格式符合imzML标准可以保证跨软件的兼容性。

空间代谢物定位热图是将质谱成像数据转化为直观可视化结果的核心输出。热图的每个像素的颜色编码对应于该位置的代谢物信号强度，可以清晰展示代谢物在组织中的富集区域和浓度梯度。高级的可视化还包括多代谢物叠加显示（不同颜色代表不同代谢物）、三维表面渲染和与组织学图像（H&E染色）的共配准。Cardinal R包提供了完整的空间统计分析和可视化功能，包括空间分割（spatial shrunken centroids）、空间聚类和差异区域检测。当你向审稿人或合作者展示空间组学结果时，精心制作的热图往往比表格更有说服力。

组织区域特异性蛋白质/代谢物分析是空间组学的最终生物学目标。通过对不同组织区域的分子特征进行比较，可以发现与特定病理过程相关的分子标志物。例如，在肿瘤组织中比较侵袭前沿与肿瘤核心的差异代谢物，可能揭示促进转移的代谢重编程机制；在脑组织中比较灰质与白质的蛋白质组成，可以理解神经元的特异性功能。空间异质性分析还可以发现罕见的细胞群体或微环境特征，这些信息在整体匀浆样本中会被平均化而丢失。当你研究复杂组织（如肿瘤、大脑、免疫器官）时，空间分辨率带来的新见解往往是传统bulk方法无法提供的。

# Cardinal 空间质谱数据分析示例
library(Cardinal)

# 读取 imzML 数据
# ms_data <- readImzML("tissue_scan.imzML")

# 数据预处理
# ms_process <- process(ms_data,
#                        peakPick(method = "mad", snr = 3),
#                        peakAlign(tolerance = 200),
#                        normalize(method = "tic"))

# 可视化特定 m/z 的空间分布
# image(ms_process, mz = 885.55, main = "PI(34:1) [M+H]+")

# 空间分割分析
# seg_result <- spatialShrunkenCentroids(ms_process, r = 1.5)
# image(seg_result)

7.9 蛋白质组学与代谢组学中的机器学习

机器学习正在深刻地改变蛋白质组学和代谢组学的数据处理方式，从肽段鉴定到代谢物结构预测，深度学习方法在很多任务上已经超越了传统的基于规则或统计的方法。

肽段鉴定打分重校准是提高数据库搜索准确性的关键技术。Percolator是这一领域的里程碑工具，它使用半监督机器学习（SVM）重新评估数据库搜索输出的初始打分，综合多个特征（如delta分数、碎片离子覆盖率、质量误差等）来计算更准确的后验概率。Percolator可以将FDR控制在相同水平的同时显著增加鉴定的肽段数量（通常提升20-50%）。MSFragger-PeptideProphet也是类似的机器学习重校准流程。当你使用MaxQuant或SearchGUI完成初步搜索后，运行Percolator后处理是一个值得推荐的优化步骤。

保留时间预测可以帮助验证肽段鉴定结果和提高DIA分析的准确性。DeepRT是专门为保留时间预测设计的深度学习模型，它基于肽段的氨基酸序列预测其在反相色谱柱上的保留时间，预测误差通常小于2分钟。SSRCalc是一种较早的经验公式方法，虽然精度不如深度学习但计算速度快。PrecursorSelector利用保留时间预测来辅助DDA实验中的母离子选择优先级排序。准确的RT预测可以作为额外的过滤条件——如果某个肽段鉴定的观测RT与预测RT偏差过大（如>5%），则该鉴定很可能是错误的。当你需要在大规模数据集中筛选高可信度的鉴定结果时，RT预测偏差是一个有效的质量控制指标。

碎裂谱图预测是近年来最具影响力的深度学习应用之一。Prosit是由德国慕尼黑工业大学开发的深度神经网络，可以根据肽段的氨基酸序列、电荷状态和碰撞能量预测其理论碎裂谱图。Prosit预测的谱图库已经在多个DIA分析流程中被证明优于或等同于实验谱图库，而且可以轻松扩展到任何修饰组合。MS2PIP是另一个广泛使用的碎裂谱图预测工具，采用卷积神经网络架构。碎裂谱图预测的价值不仅限于DIA分析——它还可以用于开放搜索中的未知PTM发现、谱图库去冗余和搜索引擎评分函数的训练。当你构建DIA谱图库时，考虑使用Prosit预测库作为实验库的补充或替代。

代谢物结构鉴定是非靶向代谢组学中最困难的瓶颈问题。传统的鉴定依赖于与标准品或谱图库的匹配，但大量代谢物缺乏参考谱图。MassGenie是一种基于深度学习的代谢物结构预测工具，它直接从MS/MS谱图预测分子的二维结构或SMILES表示。MetFrag结合了质谱碎裂模式和化学结构数据库搜索，通过打分函数对候选结构进行排名。SIRIUS + CSI:FingerID流程使用树状子结构分解和深度学习来预测分子指纹。CFM-ID使用量子化学计算的碎裂规则来预测候选结构的谱图。这些AI驱动的工具使得Level 2级别的鉴定（推测性结构鉴定）变得更加可靠。当你面对大量无法通过谱图库匹配鉴定的未知特征峰时，这些工具可以帮助你获得结构层面的线索。

从蛋白质序列预测PTM位点可以帮助缩小实验验证的范围。MusiteDeep使用深度卷积网络从氨基酸序列预测多种PTM位点（包括磷酸化、泛素化、乙酰化和糖基化），它同时考虑了局部序列 motifs 和长程的进化信息。DeepPhospho专注于磷酸化位点预测，使用了注意力机制来捕捉远距离残基之间的依赖关系。PhosPredNet和GPS系列工具也提供了可靠的PTM位点预测服务。需要注意的是，所有预测工具都存在假阳性，预测结果应该被视为实验设计的指导而非结论。当你有一批新的蛋白质需要进行PTM分析时，先用预测工具筛选高置信度候选位点，再设计针对性的实验验证，可以大幅节省成本和时间。

从表达谱推断代谢通量是连接静态浓度测量和动态代谢流量的桥梁。传统的代谢流量分析需要^13C同位素示踪实验，成本高昂且操作复杂。基于表达谱的通量推断方法试图通过酶的表达水平来估算代谢反应的通量上限。E-Flux方法简单地将代谢通量约束在对应酶的表达量范围内。INIT（Integrative Network Inference for Tissues）整合了蛋白质组和转录组数据来构建组织特异的代谢模型。GIMME（Gene Inactivity Moderated by Metabolism and Expression）使用表达数据约束基因组规模的代谢模型（GEM）。虽然基于表达的通量推断不能替代真正的同位素示踪实验，但它可以为代谢网络的动态行为提供有价值的初步估计。当你只有静态组学数据但想了解代谢通量的变化趋势时，这些推断方法可以提供有用的参考。

# Prosit 谱图预测示例
"""
Prosit 可以通过以下方式调用:

1. 在线服务: https://www.proteomicsdb.org/prosit
2. 本地部署: 使用 prosit-transformer 包

示例: 预测肽段 "PEPTIDEK" 的 HCD 碎裂谱图
"""

def predict_spectrum_with_prosit(peptide_sequence, charge=2, collision_energy=30):
    """调用 Prosit API 预测碎裂谱图"""
    import requests
    import json

    api_url = "https://www.proteomicsdb.org/prospect/api"

    payload = {
        "peptideList": [{
            "sequence": peptide_sequence,
            "precursorCharge": charge,
            "collisionEnergy": collision_energy
        }],
        "format": "json"
    }

    response = requests.post(api_url, json=payload)
    if response.status_code == 200:
        result = response.json()
        return result["peptideSpectra"][0]
    else:
        raise Exception(f"Prosit API error: {response.status_code}")

# 运行预测
# spectrum = predict_spectrum_with_prosit("PEPTIDEK", charge=2)

7.10 蛋白质组与代谢组学工作流

一个完整的蛋白质组或代谢组学项目涉及从原始数据到生物学结论的多个步骤，建立标准化、可重复的分析工作流对于保证研究的可靠性和可比性至关重要。

标准流程软件代表了经过充分验证的商业或开源解决方案。MaxQuant是目前最广泛使用的蛋白质组学分析软件套件，集成了Andromeda搜索引擎、LFQ定量算法和PTM鉴定功能，用户界面友好且支持大规模队列分析。Proteome Discoverer是Thermo Fisher官方推出的商业软件，与Orbitrap仪器深度集成，支持多种搜索引擎（Sequest HT、Byonic、MS Amanda）和TMT定量分析。Skyline是靶向质谱分析的黄金标准工具，专为PRM/MRM方法开发和数据验证设计，提供极其精细的过渡离子管理和手动审查功能。当你开始一个蛋白质组学项目时，根据仪器类型和分析目标选择合适的标准软件是第一步。

代谢组流程软件同样有多种成熟的选择。XCMS Online是XCMS的云端版本，提供了图形化的交互界面和自动化的分析流程，适合不熟悉R编程的用户。MetaboAnalyst是最全面的在线代谢组学平台，涵盖了从原始数据处理、统计分析到通路富集和生物标志物发现的完整工作流，还内置了丰富的可视化功能。MZmine 2和MZmine 3是开源的桌面端代谢组数据处理软件，提供了模块化的工作流设计界面，支持多种输入格式和导出选项。MS-DIAL在日本和亚洲地区广受欢迎，对GC-MS和LC-MS数据都有良好的支持。当你选择代谢组分析平台时，在线工具（MetaboAnalyst、XCMS Online）适合快速探索，本地软件（MZmine、MS-DIAL）适合大批量和自定义分析。

nf-core/proteomics是基于Nextflow工作流管理系统的标准化蛋白质组学分析管道。nf-core社区维护了一系列遵循最佳实践的、容器化的、可扩展的生物信息学工作流。nf-core/proteomics管道涵盖了从原始RAW文件的转换、质量控制、数据库搜索（使用MSFragger/OpenMS）、定量和下游分析的完整流程。Nextflow的工作流引擎具有原生的高性能计算（HPC）支持和断点续跑能力，非常适合大规模蛋白质组学队列的处理。nf-core管道的优势在于：版本控制保证可重复性、容器化（Docker/Singularity）保证环境一致性、以及活跃的社区维护保证持续更新。当你需要处理数百个样本的大规模蛋白质组学项目时，nf-core/proteomics是一个值得考虑的生产级解决方案。

使用容器化（Docker）封装分析环境是解决"在我机器上能跑"问题的根本之道。蛋白质组学和代谢组学分析涉及的软件依赖非常复杂——不同的R包版本冲突、Python环境的兼容性问题、系统级库的缺失等都可能导致难以复现的错误。Docker容器可以将整个分析环境（操作系统、依赖库、软件版本、配置参数）打包成一个独立的镜像，确保在任何安装了Docker的机器上都能以完全一致的方式运行。Singularity是HPC环境中常用的Docker替代品，具有更好的安全性和权限管理。当你准备分享分析方法或发布研究成果时，提供Docker镜像或Dockerfile是保证他人能够复现你的结果的最高效方式。

质量控制报告是评估数据质量和分析可靠性的重要文档。PTXQC（Proteomics Quality Control）是针对MaxQuant输出结果的质量控制R包，它可以自动生成包含几十个QC指标的综合报告，包括：鉴定数量趋势、质量误差分布、保留时间一致性、肽段长度分布、前体电荷态分布、漏切率统计等。QC4Metabolomics是专门为代谢组数据设计的QC报告工具，涵盖峰面积分布、内标稳定性、批次漂移检测和PCA QC样本聚类等指标。良好的QC实践应该在每次分析开始之前就规划好QC样本的安排（如pool QC、空白对照、标准品对照），并在整个分析过程中持续监控QC指标。当你审阅自己的分析结果或评审他人的工作时，QC报告是判断数据可信度的第一依据。

数据存档是科学研究的必要环节，也是实现数据共享和复现的基础。PRIDE（PRoteomics IDEntifications database）是由EBI维护的公共蛋白质组学数据存档库，支持提交原始文件、搜索结果和定量矩阵，是期刊投稿时最常要求的数据存放地点。MassIVE（MassIVE Repository）由UCSD维护，与ProteomeXchange联盟互联，提供了便捷的提交和共享接口。Metabolights是EMBL-EBI管理的代谢组学公开数据库，遵循MSI标准的数据提交规范。GNPS（Global Natural Products Social Molecular Networking）除了数据存档外还提供了分子网络分析功能，特别适合天然产物研究。当你完成一项组学研究并准备发表论文时，及时将数据存档到公共数据库不仅是期刊的要求，也是对科学共同体的贡献——你的数据可能会激发其他研究者的新发现。

# nf-core proteomics 工作流运行示例
# 安装 Nextflow 和 nf-core
# curl -fsSL get.nextflow.io | bash
# nextflow pull nf-core/proteomics

# 运行分析 (使用 Docker 容器)
nextflow run nf-core/proteomics \
    --input 'raw_data/*.raw' \
    --fasta reference/uniprot_human.fasta \
    --protocol iRT \
    --profile docker \
    --max_cpus 16 \
    --max_memory '64.GB' \
    -resume \
    -workdir work_dir/

# PTXQC 质量控制报告生成 (R)
# Rscript -e "
#   library(PTXQC)
#   qc <- load_and_merge('mqpar_output/')
#   report(qc, outputDir='qc_report/')
# "

# MetaboLights 数据提交 (命令行示意)
# metabolite-submission-tool submit \
#     --study-id MTBLS123456 \
#     --metadata metadata.tsv \
#     --data processed_matrix.csv