Anal.Chem.封面|MALDITOFMS血清多肽指紋圖譜高效檢測新冠

　　英文原題：Rapid Detection of COVID-19 Using MALDI-TOF-Based Serum Peptidome Profiling

　　通訊作者：喬亮，復旦大學；孫薇，國家蛋白質科學中心(北京)；廖璞，重慶市人民醫院

　　作者：Ling Yan (顏令), Jia Yi (易佳), Changwu Huang (黃長武), Jian Zhang (張劍), Shuhui Fu (付書輝), Zhijie Li (李智杰), Qian Lyu (呂倩), Yuan Xu (許媛), Kun Wang (王琨), Huan Yang (楊歡), Qingwei Ma (馬慶偉), Xiaoping Cui (崔小平), Liang Qiao (喬亮), Wei Sun (孫薇), Pu Liao (廖璞)

　　由新型冠狀病毒(SARS CoV-2)引起的新冠肺炎疫情仍在繼續，嚴重威脅著全球公眾健康。截至2021年4月，全球新冠肺炎確診病例累計已超過1.282億例。故迅速檢測該疾病、及時隔離受感染個體顯得尤為重要。目前廣泛使用的基于聚合酶鏈式反應(PCR)和免疫分析的檢測方法存在假陰性和診斷延遲的問題。因此，迫切需要高準確度、快速高通量的新冠肺炎檢測方法用于大規模人群篩查。重慶市人民醫院、復旦大學和國家蛋白質科學中心(北京)等單位的研究團隊合作發展了一種基于基質輔助激光解吸電離飛行時間質譜(MALDI-TOF MS)的血清多肽指紋圖譜分析方法，以高效檢測新冠肺炎。該方法準確、成本低、通量高、樣品消耗少(一次檢測僅需5 μL血清)，不需要苛刻、潔凈的檢測環境，且操作簡便，對于非專業人員非常友好。此外，血清樣本的采集很大程度降低了采樣人員的暴露風險。因此，該方法在大規模人群篩查、常規檢測和診斷應用方面具有巨大潛力，有望在疫情控制中發揮重要作用。相關研究成果近期作為封面文章發表在 Analytical Chemistry 期刊上。

　　研究團隊首先采用MALDI-TOF MS分析了146例新冠肺炎患者和152例對照病例(包括73例臨床癥狀相似的非新冠肺炎患者、33例結核病患者和46例健康人)的血清樣本。使用最小絕對收縮和選擇算子(LASSO)、偏最小二乘判別分析(PLS-DA)和交叉驗證遞歸特征消除(REFCV)共3種機器學習方法對測試集(198個樣本)中的血清多肽譜圖進行特征峰篩選，篩選出25個峰作為新冠肺炎和對照組之間的差異特征峰。

圖1. 基于血清多肽指紋圖譜的新冠肺炎快速篩查診斷模型的建立流程

　　隨后，利用邏輯回歸(LR)、支持向量機(SVM)、隨機森林(RF)、樸素貝葉斯(NB)、梯度增強決策樹(GBDT)、K-最近鄰(KNN)、決策樹(DT)和自適應增強(Adaboost)共8種機器學習方法，以這25個特征峰構建用于新冠肺炎篩查診斷的分類模型。并繪制了已構建的不同機器學習模型的接收器工作特性(ROC)曲線，使用曲線下面積(AUC)評估分類器的性能。由結果可知，所有模型的AUC均高于0.99。其中，LR、SVM、RF、GBDT、DT和Adaboost模型的AUC為1。

圖2. 基于多種機器學習算法的新冠患者血清多肽指紋圖譜差異特征峰篩選

　　緊接著，在獨立于特征峰篩選和模型生成的測試集(100個樣本)中測試了25個特征峰的分類效果，獲得了最佳的分類模型—LR模型，該模型在識別新冠肺炎患者方面顯示出98%的敏感度、100%的特異度和99%的準確率。

圖3. 在100例測試集中使用基于機器學習的分類模型鑒定新冠肺炎患者

　　研究團隊進一步通過血清樣本的蛋白質組學分析對25個特征峰進行注釋，25個特征峰中有15個被鑒定為完整蛋白質或蛋白質片段。經分析，這15個蛋白涉及淀粉樣纖維形成、中性粒細胞脫顆粒、結核分枝桿菌感染、體液免疫反應、受體介導的內吞、急性炎性反應和MAP激酶活性調節等過程。其中，中性粒細胞脫顆粒及急性炎性反應相關蛋白的富集變化已在其它新冠肺炎的組學研究中被報道。

　　在這項研究中，新冠肺炎患者血清的取樣時間從癥狀出現起3至28天不等，涵蓋了相對較長的疾病進展期。所研究的對照組由近一半具有相似臨床癥狀的非新冠肺炎患者(共73例)、33例結核病患者和46例健康人組成。從非新冠肺炎個體中，尤其是具有相似癥狀的非新冠肺炎患者中篩查新冠肺炎患者一直以來都是新冠診斷的難題，意義重大。本項研究中樣本的長期疾病進程覆蓋、對照組樣本組成的多樣化均顯示本方法在新冠肺炎患者快速篩查中有巨大應用前景。

　　論文并列第一作者為顏令碩士、易佳博士、黃長武主任技師和張劍博士，喬亮研究員、孫薇副研究員及廖璞教授為共同通訊作者。該項目得到了國家自然科學基金委員會(National Natural Science Foundation of China)、中華人民共和國科技部(Ministry of Science and Technology of the People's Republic of China)和北京市科委(Beijing Municipal Science & Technology Commission)的支持。