人类和小鼠组织中sORF编码多肽的蛋白质基因组学新发现及其组织特异性表达图谱

本研究通过整合大规模蛋白质组学数据和核糖体图谱技术，系统鉴定了人类和小鼠组织中未被充分表征的小开放阅读框(sORF)及其编码的多肽(SEP)。研究人员开发了高效的过滤策略，发现了包括HNRNPUL2基因上游重叠ORF在内的多个组织特异性表达的新型sORF，其中Tug1 lncRNA编码的保守多肽在视网膜神经元中被首次验证。该研究为揭示sORF的生物学功能提供了重要资源，相关成果发表于《Nucleic Acids Research》。

在生命科学领域，基因组中隐藏着大量长度小于100个氨基酸的小开放阅读框(small open reading frames, sORF)，它们可能编码具有重要功能的微蛋白(sORF-encoded polypeptides, SEP)。然而，由于技术限制和传统基因注释的偏见，这些"基因组暗物质"长期被忽视。现有研究多局限于特定细胞系或有限组织，导致大量组织特异性表达的sORF未被发现。更关键的是，缺乏系统的方法区分真正编码功能性多肽的sORF与翻译噪音，这严重阻碍了对这一新兴基因家族的全面认识。

中山大学孙逸仙纪念医院广东省恶性肿瘍表观遗传与基因调控重点实验室的研究团队联合MIT计算机科学与人工智能实验室等机构，在《Nucleic Acids Research》发表了突破性研究。他们通过整合来自30余种人类组织和7种小鼠组织的10TB规模质谱数据，结合创新的生物信息学分析流程，构建了迄今最全面的sORF编码图谱。研究采用平行化数据库搜索策略，利用MSGFplus进行质谱数据分析，通过类别特异性错误发现率(class-specific FDR)控制假阳性，并整合PhyloCSF进化保守性评分和核糖体图谱(Ribo-seq)数据交叉验证。特别开发了基于PSM计数和谱图匹配分数的过滤标准，有效识别低丰度SEP。

研究结果部分，"Overview of searchable proteomics database"显示，研究者构建了包含UniProt和sORFs.org数据库的联合检索库，分析显示两者肽段重叠率低，暗示大量sORF尚未被实验验证。"Characteristics of the identified sORFs"部分揭示，鉴定到的sORF长度多在20-59个氨基酸之间，60%使用非经典起始密码子(如CTG、TTG)。"Conservation analysis of identified sORFs"通过PhyloCSF-ψ评分系统发现，Tug1 lncRNA编码的142aa多肽在视网膜神经元中表达，其高保守性提示重要功能；而HNRNPUL2基因的127aa上游重叠ORF(uoORF)在淋巴细胞中特异性表达，虽部分区域与主ORF重叠导致PhyloCSF评分异常，但存在明确的翻译启始信号和同义突变约束元件。"Tissue expression profile of novel sORFs"显示，小鼠脑、心脏和睾丸中sORF表达最为丰富，人类扁桃体和肝脏样本因使用多种蛋白酶而检出率更高。"Orthogonal evidence from ribosome profiling data"证实，53%人类和64%小鼠sORF具有核糖体图谱支持，且ORFscore分布显著偏向编码特征。

在讨论部分，研究者指出该工作首次提供了Tug1 lncRNA编码蛋白在视网膜中的实验证据，解决了这一争议性问题。HNRNPUL2 uoORF的发现促使GENCODE更新了注释，凸显了方法学的可靠性。与Wacholder等近期研究形成对话，阐明质谱检出率低主要源于sORF的翻译水平低而非蛋白不稳定性。创新性地提出"多证据整合"过滤策略，突破传统"双肽段规则"对短ORF研究的限制。技术层面建议未来研究应增加样本重复、采用多种蛋白酶消化和富集方法，并探索自上而下蛋白质组学(top-down proteomics)的应用潜力。

这项研究的意义在于建立了迄今最全面的sORF组织表达图谱，为功能研究提供了高质量候选。开发的IPAW分析流程(https://github.com/yafeng/sorf_analysis)将成为领域重要工具。发现的保守性和物种特异性sORF为理解基因调控和进化提供了新视角。特别值得注意的是，某些sORF位于疾病相关基因组区域，暗示其可能参与疾病发生，为后续转化研究指明方向。该工作将推动对"基因组暗物质"的深入探索，拓展我们对蛋白质编码能力的认知边界。