基于机器学习增强DIA质谱技术解析人呼吸道黏液病原体-免疫系统互作蛋白质组图谱

《Proteomics Clinical Applications》：Analysis of Crosstalk Between Pathogens and Immune System in Human Airway Mucus via Machine Learning-Enhanced DIA Mass Spectrometry

本研究针对临床感染样本中微生物蛋白低覆盖度的技术难题，来自研究人员团队采用肽中心机器学习增强（PCML）数据非依赖采集（DIA）液相色谱-串联质谱技术，对肺部感染患者痰液蛋白进行深度分析。单次实验即鉴定近6800种总蛋白和1530种微生物源蛋白，定量变异系数低至0.12，显著优于传统谱库搜索方法。该研究为感染性疾病蛋白质组学研究提供了突破性技术方案，推动蛋白中心转化医学发展。

　　

通过机器学习增强的数据非依赖采集（Data-Independent Acquisition, DIA）液相色谱-串联质谱（LC-MS/MS）技术，研究人员实现了对临床样本中低丰度微生物蛋白质组的深度解析。该方法采用基于神经网络的肽中心机器学习（Peptide-Centric Machine Learning, PCML）算法（Dia-NN），对肺部感染患者痰液蛋白酶解产物进行分析。

实验设计显示，单次检测即可鉴定近6800种总蛋白质和1530种微生物源蛋白质，技术重复间蛋白质定量变异系数（CV）低至0.12。与传统谱库搜索方法（鉴定蛋白数＜1600种，微生物蛋白＜60种）相比，检测灵敏度实现数量级提升。

在两名患者样本中，研究发现慢性肺部感染难以清除的病原体定植现象：铜绿假单胞菌（Pseudomonas aeruginosa）和嗜麦芽窄食单胞菌（Stenotrophomonas maltophilia）。数据集中发现大量毒力因子，包括胰岛素切割金属蛋白酶IcmP（铜绿假单胞菌）和人白细胞介素-10（IL-10）表达诱导因子（嗜麦芽窄食单胞菌）。两种细菌均表现出对宿主恶劣环境的适应性特征，如厌氧能量代谢系统的激活和宿主金属 sequestration 机制的利用。

该研究同步解析宿主痰液蛋白质组，揭示针对病原体的免疫防御机制。这项原理验证性研究为直接分析临床标本提供了新视角，不仅有助于深入理解呼吸道疾病负担和细菌毒力，更为呼吸道感染相关干预研究中的生物标志物发现和药效学反应评估开辟了新途径。