專訪蘇黎世聯邦理工學院RuediAebersold教授

　　蘇黎世聯邦理工學院的Ruedi Aebersold團隊一直致力于蛋白質組學的研究，其中包括開發將蛋白質組作為一個完整實體加以研究的相關技術。通過與SCIEX合作，該團隊開發了SWATH? 質譜采集技術，這是一種能夠同時碎裂多種多肽的數據非依賴性采集(DIA) 方法。得到的全面數據集可以通過回溯進行再挖掘，從而讓研究獲得盡可能多的信息。

　　Ruedi Aebersold教授，

　　蘇黎世聯邦理工學院生物系負責人

　　Ruedi Aebersold團隊隸屬于瑞士蘇黎世聯邦理工學院生物系，他們研究的重點是快速發展的蛋白質組學領域。該團隊的一大研究重點是持續開發新的蛋白質組分析技術，其中質譜是他們首選的分析技術。生物系負責人Ruedi Aebersold教授解釋說：“基本上，研究蛋白的方式有兩種：基于親和試劑的蛋白質組學方法以及質譜法。基于抗體的試劑很好用；但是，除了人類蛋白質組之外，抗體來源并不豐富；實際上，目前還沒有可用于酵母、老鼠或蒼蠅等物種的系統性抗體庫。對于這些物種以及人類蛋白質組學而言，質譜就是首選方法。在目前可用于分析蛋白質和蛋白質組的工具中，質譜法是最通用、最客觀公正的一種工具。它可以從頭測序鑒定蛋白質，還能在一定程度上對翻譯后修飾進行分析。我們甚至還能通過質譜了解蛋白質是如何折疊和相互作用的。”

　　他接著說道：“我們使用質譜已經有很長時間了，這些年來這項技術有了很大的進步。現在，質譜儀器的靈敏度已大幅提高，分辨率和掃描速度也更高、更快。因此，蛋白質的分析方法也發生了不小的變化。其中的一個重要里程碑就是定量技術的發展，這些技術可以確定蛋白質的豐度；另一個里程碑是軟件的進步，先進的統計工具可以指出結果的對錯，例如蛋白質的鑒定是否正確。第三項重大進步則是從數據依賴性采集或“鳥槍法”測序技術，轉變到數據非依賴性采集的 SWATH 技術。這種轉變目前仍在進行中，但我堅信 SWATH-MS的應用將推動蛋白質組學的變革，尤其是大規模蛋白質組研究項目的變革。”

　　“數據依賴性采集的不足之處在于，重復分析時會得到不同的結果，這完全是因為在特別復雜的樣品中，質譜儀器每次分析的可能是大量多肽的不同部分。SWATH大大緩解了這一問題；它可以同時碎裂多種多肽，而不是一次只碎裂一種多肽。這是技術進步的一個關鍵點，因為這樣可以保證不會再有任何多肽被遺漏，也可以消除隨機性。此外，數據分析也是一大挑戰，因為這種采集方法會生成由來自不同母離子的碎片離子構成的復雜譜圖，傳統的搜索引擎無法對這種譜圖進行有效分析。其實數據非依賴性采集 (DIA)并不是一個新概念，但最初沒能推廣開來，因為當時的質譜在進行數據采集時速度過慢或是表現不佳，而且復雜碎片離子譜圖的評估問題總體上還未能得到解決。但是，當我看到SCIEX TripleTOF?5600+，我立刻清楚地意識到這臺儀器不僅能執行DIA，還能解決數據采集問題。另外，數據分析的難題可以通過引入靶向抽提的策略進行根除。于是，我們與SCIEX 展開合作，一同實施SWATH技術并為其申請了ZL，現在這項技術已被廣泛采用。”

　　“[SWATH] 有一個很大的優點，可以讓我們從數據中最大程度地獲取相關信息……”

　　“SWATH是蛋白質組學的理想之選，我們可以利用這項技術開展研究，例如，基因組的變異性是如何轉化為各種表型的；另外，我們還可以利用這項技術開展生物標記物的研究。歷史上第一次，我們可以對成百上千的相似樣品進行可靠且適度的定量研究，并對它們進行真正有意義的比較，這些樣品可以是類型完全相同但處于不同狀態的細胞、從大量個體采集到的樣品，或是從一個個體的不同組織中采集到的樣品。由于樣品眾多，我們必須在樣品準備階段將實驗誤差降至最低，為此我們采用了壓力循環技術 (PCT)。PCT是一種非常快速的樣品準備方法，它可以規避很多固有的操作誤差，從而獲得可重復的多肽樣品。憑借這項技術，我們還可以并行運行最多 96 個樣品，這真的讓我們受益匪淺。”

　　“對于參考數據的訪問非常關鍵，尤其是在實施高度平行的靶向數據分析策略時。我們與 SCIEX 密切合作，一同構建了一個約由 11,000 種人體蛋白質構成的公共譜庫，還完善了酵母和結核分枝桿菌蛋白質組的譜庫，以及一些與老鼠相關的數據。一些實驗室喜歡針對他們感興趣的特定領域創建本地譜庫；其他實驗室則會使用DIA-Umpire，這個工具可以在分析SWATH數據，或是通常所說的DIA 數據的同時構建內部譜庫。近期，有人將DIA-Umpire與其他四種已發表的蛋白質組工具進行了比較，其中包括我們自己的OpenSWATH 和SCIEX的PeakView?；使用不同的工具分析相同的樣品數據，產生了精確的可比對結果。我們還開發了TRIC，這是一個用于靶向蛋白質組學數據處理的比對工具，特別適用于大樣本量的數據；它會使用樹構建算法非常精確地校準不同樣品中的多肽，從而提高重現性。”

　　Ruedi Aebersold總結道：“ 關于SWATH，有一點特別有意思。它可以對采集的數據進行再挖掘，以尋找原先未曾預想過的蛋白質序列變異或修飾。例如，在通過腫瘤活檢采集到數據集后，新公布的數據可能會表明存在特定的融合或基因組重排現象。SWATH允許我們回頭查看原始數據并進行再挖掘，以確定是否存在或缺失報告的產物。這是一個很大的優點，可以讓我們從數據中最大限度地獲取相關信息；在分析珍貴的和無法再次獲取的樣品時，比如組織活檢，這一點尤為重要。”