《Journal of Hazardous Materials》：Proteomics as an Emerging Tool for Understanding Biotransformation and Toxicological Impacts of Contaminants
编辑推荐：
蛋白质组数据将机制与生物转化和毒理学影响相关联。最新仪器降低蛋白质组学成本并使其实现规模化。大语言模型（Large Language Models, LLMs）促进定制化蛋白质组数据分析。基于人工智能（Artificial Intelligence, AI）的
蛋白质组数据将机制与生物转化和毒理学影响相关联。最新仪器降低蛋白质组学成本并使其实现规模化。大语言模型（Large Language Models, LLMs）促进定制化蛋白质组数据分析。基于人工智能（Artificial Intelligence, AI）的化学探针设计可能实现未来的蛋白质功能验证。电喷雾离子束沉积（Electrospray Ion Beam Deposition, ES-IBD）可能实现未来的蛋白质分离。
该文发表在《Journal of Hazardous Materials》，围绕污染物环境命运与生物影响这一环境生物技术和风险评估核心问题展开。研究人员指出，污染物科学反复面对四个连续问题：Q1哪些污染物持久并形成哪些转化产物（transformation products, TPs）；Q2谁在转化污染物；Q3哪些蛋白参与转化；Q4污染物及其TPs如何影响生物，哪些生物过程支撑毒性和细胞响应。分析化学对Q1不可缺，但降解试验中的持久性还取决于测试系统中是否存在活性生物或酶，因此Q1与Q2、Q3密切关联。宏基因组学（metagenomics）、宏转录组学（metatranscriptomics）和代谢组学（metabolomics）提供互补信息。蛋白质组学（proteomics）被理解为对生物体或微生物群落表达蛋白的质谱测量，可直接访问基因组潜力的蛋白层实现和转录调控，识别表达蛋白及与污染物转化或暴露相关的丰度/修饰变化，适合将污染物转化和TP形成联系到响应生物、通路和候选蛋白，并揭示暴露相关响应和潜在毒性机制。尽管长期被视为昂贵、专门的附加手段，样本制备、质谱和计算工作流进展已降低使用障碍。该文不是全面综述，而是聚焦新兴蛋白质组学技术，特别是蛋白质稳定同位素探测（protein-based stable isotope probing, protein-SIP）、无修饰化学蛋白质组学（chemoproteomics）和制备质谱，并考虑通量、计算和蛋白注释如何扩展环境系统应用。其重要意义在于，蛋白质组学已从实验附加项发展为解决污染物命运、转化和效应核心问题的赋能技术，应嵌入化学分析、全蛋白质组发现和靶向验证相互促进的综合框架。
该文为视角性技术综述，未涉及特定样本队列或来源。主要关键技术方法包括：自动化高通量样本制备；高扫描速率质谱仪器，如 Asymmetric Track Lossless (ASTRAL) 分析器和 Athena Ion Processor (AIP)；人工智能（AI）数据分析工具，如 CHIMERYS、基础模型、大语言模型（LLMs）及 OmicClaw；环境蛋白鉴定资源，如 GlobDB、de novo 肽测序和 Baktfold 功能注释；蛋白质稳定同位素探测（protein-SIP）及其工具 Sipros 4、Sipros 5、Calis-p、MetaProSIP；化学蛋白质组学中的修饰型探针和无修饰热蛋白质组分析（thermal proteome profiling, TPP）、有限蛋白酶解质谱（limited proteolysis mass spectrometry, LiP-MS）；电喷雾离子束沉积（ES-IBD）。
研究结果如下：
1 Introduction（引言）
通过提出Q1-Q4并比较分析化学与不同组学，得出：分析化学可鉴定和定量母体化合物及TPs，但难以解释生物因素；蛋白质组学直接测量表达蛋白，适合连接转化、TP形成与响应生物、通路、候选蛋白，并揭示毒理机制。
2 Recent Advances Enable Proteomics at Scale in Contaminant Science（近期进展使污染物科学中的蛋白质组学实现规模化）
通过总结样本制备、仪器、数据分析、序列资源和功能注释进展，得出：自动化工作流可每周处理多达960个样本且仅需5 h人工时间；ASTRAL和AIP等提高扫描速率和肽鉴定；CHIMERYS、基础模型、LLMs和OmicClaw等加速分析；GlobDB、de novo测序和Baktfold等支持环境蛋白鉴定和注释；成本可接近“$10蛋白质组”，但环境样品成本受基质、分析深度和工作流复杂度影响，不能直接外推到完整protein-SIP或探针实验。
3 Proteomics Links Biotransformation to Active Organisms and Pathways（蛋白质组学将生物转化与活性生物和通路联系起来）
通过社区组成分析、富集培养、低浓度TP233、磺胺甲恶唑、全氟和多氟烷基物质（per- and polyfluoroalkyl substances, PFAS）暴露、田间生物修复和protein-SIP案例，得出：蛋白质组学可识别活性生物、候选酶和通路，提示代谢、共代谢或解毒响应；protein-SIP通过
13C或
15N标记追踪肽段掺入，提供新合成蛋白和合成活性证据，可区分活跃合成生物与不活跃群落成员；但端点测量难以解析直接转化、代谢物同化或交叉取食，时间分辨protein-SIP结合TP化学分析可解析转化步骤。
4 Chemoproteomics Identifies Candidate Protein–Contaminant Interactions in Biotransformation and Toxicity（化学蛋白质组学识别生物转化和毒性中的候选蛋白-污染物相互作用）
通过修饰型探针和无修饰TPP、LiP-MS案例，得出：化学蛋白质组学可直接揭示污染物吸收、转运或转化相关候选蛋白；修饰型探针包括亲和型和活性型蛋白谱分析，通用探针可用于已知酶类，但污染物机制未知时需定制探针，探针合成是瓶颈且结构修饰可能改变活性；无修饰方法利用配体结合诱导的稳定性或构象变化，避免探针合成，TPP和LiP-MS可在复杂蛋白质组中识别互作蛋白，但可能漏低丰度蛋白，且结合不等于转化、转运或抑制，应结合TP分析和计算预测，并用异源表达、基因敲除或活性试验验证。
5 Proteomics Supports Mechanistic Environmental Hazard and Risk Assessment（蛋白质组学支持机制性环境危害和风险评估）
通过讨论新方法学（New Approach Methodologies, NAMs）、不良结局路径（Adverse Outcome Pathways, AOPs）、蛋白丰度和翻译后修饰（post-translational modifications, PTMs）、暗蛋白质组（dark proteome）、Escherichia coli 6-6 polyionene和Daphnia magna微塑料案例，得出：蛋白质组学可无偏发现候选生物标志物、受影响通路和毒性机制，检测生长、繁殖或生存受损前的分子扰动；但污染物诱导的蛋白变化本身不等于毒性，可能为适应性或补偿性响应，需浓度和时间分辨验证、表型锚定及功能验证，多组学和配对样本剂量-反应分析有助于区分适应与不良结局。
6 Electrospray Ion Beam Deposition May Isolate Selected Proteins from Mixtures for Biochemical Validation（电喷雾离子束沉积可能从混合物中分离选定蛋白用于生化验证）
通过介绍电喷雾离子束沉积（electrospray ion beam deposition, ES-IBD）、基质着陆和制备质谱及概念验证，得出：基于天然质谱可将完整蛋白或蛋白复合物气相化、质量选择并沉积到表面或液体中，沉积后结构和酶活可保持，并兼容冷冻电镜；但目前仅限简单人工混合物，蛋白回收效率极低，未来离子传输、沉积效率和表面化学改进可能使其用于从复杂蛋白质组中分离候选生物转化蛋白。
7 Conclusion（结论）
通过总结全文，得出：蛋白质组学已成熟为污染物科学中实用且强大的工具，可识别活性生物、候选酶和通路，帮助区分代谢、共代谢和解毒过程，并灵敏检测生长分析不可见的亚致死效应；样本制备、仪器和数据分析进展降低成本和技术壁垒，使环境相关条件下常规、大规模和时间分辨研究成为可能。
讨论部分强调，蛋白质组学虽已能提名候选蛋白，但复杂环境基质、未知微生物蛋白注释、蛋白丰度与生化活性不等价等问题仍限制机制解释；差异丰度多提供相关性证据，需互补验证。结论部分翻译如下：蛋白质组学已成熟为污染物科学中实用且强大的工具，通过直接洞察驱动污染物生物转化并介导生物体响应的生物机制，补充分析化学和毒理学效应分析。如所示，蛋白质组学能识别活性生物、参与转化的候选酶和通路，帮助区分代谢、共代谢和解毒过程，并灵敏检测基于生长的分析仍不可见的亚致死生物效应。样本制备、仪器和数据分析的最新进展降低了成本和技术壁垒，使环境相关条件下的常规、大规模和时间分辨研究成为可能。同时，重要挑战仍然存在。与定义明确的生物医学系统或模式生物中的许多蛋白质组学应用相反，污染物科学常处理复杂环境基质中的多样微生物群落，使蛋白提取、鉴定、功能注释和生物学解释复杂化。特别是，许多来自表征不足的环境微生物的蛋白仍是假设蛋白或只能赋予宽泛功能，因此增加蛋白质组覆盖度并不自动转化为机制理解。新兴的基于结构和机器学习辅助的注释方法可能日益有助于弥合这一序列到功能缺口。此外，蛋白丰度不等同于生化活性。酶功能可能依赖翻译后修饰、辅因子和底物可得性、抑制、细胞定位、蛋白-蛋白相互作用及其他常规丰度测量未捕获的调控过程。因此，差异蛋白丰度通常提供相关性证据，对假设生成和候选优先级有价值，而非结论性功能分配。建立催化角色或因果机制通常需要互补验证。新兴概念如ES-IBD和基于机器学习的化学生物探针开发指向未来策略，可促进在复杂系统中桥接蛋白身份、结构和功能。在这种工作流中，差异丰度分析将指导假设生成并产生候选蛋白列表，然后可通过使用AI设计的化学探针进行选择性抑制，或通过ES-IBD高通量分离，并通过酶活性试验验证。总体而言，蛋白质组学不再是实验附加项，而是解决污染物命运、转化和效应核心问题的赋能技术。它应嵌入综合、交织的框架，其中化学分析、全蛋白质组发现和靶向验证相互促进假设生成和机制解释。
