《Analytical Methods》:MALDI spatial proteomics: a mini review of approaches and techniques
编辑推荐:
空间背景在组学领域中变得日益重要。空间蛋白质组学是一个多样化的领域,涵盖多种技术,这些技术能够提供生物样本中蛋白质的位置和身份信息。通过改进批量分析,空间蛋白质组学可以在组织内绘制肽段和完整蛋白质的图谱。本综述专注于基质辅助激光解吸电离(MALDI)在空间蛋白
空间背景在组学领域中变得日益重要。空间蛋白质组学是一个多样化的领域,涵盖多种技术,这些技术能够提供生物样本中蛋白质的位置和身份信息。通过改进批量分析,空间蛋白质组学可以在组织内绘制肽段和完整蛋白质的图谱。本综述专注于基质辅助激光解吸电离(MALDI)在空间蛋白质组学中的应用。方法被分为两大类进行讨论:蛋白质MALDI质谱成像(MSI)和MSI指导的空间蛋白质组学。本文讨论了每种方法的工作流程,并探讨了每种方法面临的挑战。文献中每个类别的最新和技术上有趣的案例被呈现。本综述旨在通过各种可用工作流程的优势、劣势和技术考虑,指导对MALDI蛋白质成像感兴趣的研究人员。
引言部分阐述了空间蛋白质组学的定义和发展,强调其在保留空间背景的同时提供蛋白质鉴定的能力。MALDI质谱成像(MSI)作为一种关键技术,被广泛应用于空间脂质组学和代谢组学,同时也是空间蛋白质组学的重要工具。MALDI的原理包括样品与化学基质共结晶、激光解吸电离以及质谱分析,其软电离特性适合分析大分子。空间蛋白质组学方法通常分为两大类:蛋白质MALDI MSI和MSI指导的空间蛋白质组学,选择取决于生物学问题、样品类型和固定状态。
蛋白质MALDI MSI部分首先介绍了该方法的基本概念,包括自上而下(分析完整蛋白质)和自下而上(分析酶切肽段)两种策略。自下而上方法通过组织上酶切将蛋白质转化为肽段,适用于新鲜冷冻和福尔马林固定石蜡包埋(FFPE)组织。工作流程涉及样品制备、洗涤、酶切、基质沉积和MALDI MSI分析,其中酶切优化对空间分辨率和重现性至关重要。文献案例展示了该方法在前列腺组织和脑组织中的应用,用于蛋白质差异分布分析和机器学习模型训练。
自上而下方法侧重于完整蛋白质的分析,依赖高分辨率质谱系统如傅里叶变换离子回旋共振(FT-ICR)和轨道阱(Orbitrap)仪器,这些系统提供精确质量测量和同位素分辨能力。尽管飞行时间(TOF)系统具有更宽的质量范围,适合检测大分子蛋白质,但存在分辨率限制。文献中介绍了FT-ICR和TOF系统在胰腺和肾脏组织中的应用,用于组织蛋白鉴定。
靶向MALDI-IHC是一种新兴技术,结合免疫组织化学(IHC)原理,使用光可裂解质量标签(PC-MTs)进行多路复用蛋白质成像。PC-MTs由肽质量报告单元、光可裂解连接子和探针反应基团组成,通过抗体靶向结合蛋白质,紫外光解离后释放报告肽段进行MALDI MSI分析。该方法在高空间分辨率下实现靶向蛋白质成像,已应用于扁桃体、脑组织和乳腺癌样本。
MALDI基质的选择和应用对实验成功至关重要。常见基质包括α-氰基-4-羟基肉桂酸(CHCA)、芥子酸(sinapinic acid)、2,4,6-三羟基苯乙酮(THAP)和2,5-二羟基苯甲酸(DHB),它们具有不同的结晶特性和分析性能。应用方法如机器人点样、喷涂和升华影响晶体大小和空间分辨率,其中升华方法避免溶剂诱导的分析物扩散但可能降低提取效率。
数据采集和分析面临挑战,包括低通量蛋白质鉴定和有限的质谱/质谱(MS/MS)前体选择能力。新兴工具如成像平行反应监测-平行累积-串联碎片化(iprm-PASEF)和MALDI-MSI蛋白质组学高分辨率信息学工具箱(HIT-MAP)软件包,有助于提高靶向蛋白质成像和肽段鉴定效率。
MSI指导的空间蛋白质组学部分介绍了该方法的优势,通过初始MSI实验定义感兴趣区域,结合液相色谱-质谱(LC-MS)蛋白质组学提供深度蛋白质覆盖。工作流程涉及MSI分析、区域分割、组织切除(通常通过激光捕获显微切割,LCMD)和LC-MS蛋白质组学。该方法结合了空间信息和色谱分离,克服了MALDI MSI在动态范围和蛋白质鉴定方面的限制。
实验变量包括载玻片基质选择(如导电玻片和聚乙烯萘酸盐玻片)、酶切时机和方法(组织上酶切或管内酶切),以及组织切除技术。文献案例展示了基于脂质或肽段MSI的MSI指导工作流程在小鼠脑组织和前列腺癌中的应用,其中酶切策略根据实验需求调整。
替代LCMD的方法包括液体提取表面分析(LESA)、液体微 junction 微萃取和辅助薄膜微切割,这些方法提供了从组织中收集区域的其他选项,适用于不同实验设置。
未来发展方向聚焦于蛋白质鉴定技术的进步、与其他组学方法的整合以及图像配准方法的改进。iprm-PASEF和HIT-MAP等工具提升了MSI数据的分析能力,而与空间转录组学、免疫组织化学和深度学习模型的结合增强了多模态数据整合。图像配准方法如基于特征的方法和融合模型,支持不同成像模态的数据对齐。
结论部分重申了空间蛋白质组学在组学领域的重要性,强调MALDI技术在空间蛋白质组学中的核心作用。蛋白质MALDI MSI和MSI指导的空间蛋白质组学作为主要方法,各具优势和挑战。本综述旨在为研究人员提供指导,帮助其选择合适的工作流程以解决需要空间蛋白质组学洞察的生物学问题。