Nature Methods：新工具让空间蛋白质组分析更轻松开展

近日，德国马克斯·德尔布吕克中心Fabian Coscia博士领导的团队开发出一种名为openDVP的开源端对端工作流程，其目标是让DVP技术更易于使用、适应和扩展。这项成果于10月22日发表在《Nature Methods》杂志上。

深度视觉蛋白质组学（DVP）是一种新兴方法，能够在特定细胞类型上实现空间分辨的蛋白质组学分析。然而，由于缺乏开源的端对端工作流程，其广泛应用一直受到限制。

近日，德国马克斯·德尔布吕克中心Fabian Coscia博士领导的团队开发出一种名为openDVP的开源端对端工作流程，其目标是让这项技术更易于使用、适应和扩展。这项成果于10月22日发表在《Nature Methods》杂志上。

Coscia实验室参与开发了DVP方法，相关论文于2022年首次发表。2024年，《Nature Methods》杂志将空间蛋白质组学评为年度方法，其中重点提及了DVP方法。 

“我们非常高兴该方法在过去几年中取得了进展，这得益于多个国际团队的共同努力，”Coscia谈道。“但我们也意识到，要进一步发展并被科研界广泛采用，需要开源工具。我们开发了openDVP来填补这一关键缺口。”

DVP融合了高分辨率成像、人工智能和质谱分析，将细胞在组织中的位置与其蛋白质组关联起来。如此精细地对天然组织中的蛋白质进行登记和定量分析，可以加深我们对疾病发展机制的理解。

然而，DVP面临的一大挑战是需要将几个技术上完全不同的步骤串联起来：组织成像、图像分析、细胞或组织区域识别、物理分离、利用质谱技术研究样本，以及后续的数据分析。 

openDVP现在将这些步骤整合到一个模块化的开源框架中。研究团队简化了图像分析流程，并开发出一种快速流程，让人们无需具备专业的计算图像分析知识，即可快速对大量单细胞或感兴趣的区域进行注释、采集和测定。 

他们还引入了一种名为“细胞邻域引导型DVP”的新型组织采样策略，该策略基于反复出现的功能性细胞群来指导组织采集。以癌症为例，肿瘤附近细胞的身份往往可预测治疗效果以及疾病是否会进展。

“但我们对这些细胞实际在做什么知之甚少，”第一作者Jose Nimo说道。他认为，整体的蛋白质组学信息可以提供此类关键信息。

“通过针对这些细胞邻域进行基于质谱的蛋白质组学分析，我们可以了解细胞在特定组织环境中的位置以及它们与哪些细胞进行‘对话’。这一点至关重要，因为细胞并非孤立地发挥作用，其行为会受到周围细胞的强烈影响。” 

为了展示这项技术的性能，研究人员对三种不同组织样本（胎盘、肺腺癌和乳腺癌）中细胞的空间分辨蛋白质组进行了分析和表征。

“openDVP并不局限于特定的组织或疾病，”Coscia解释说。“我们选择这些样本只是为了表明该方法具有通用性，能够为不同细胞环境中的蛋白质功能提供独特的见解。”

例如，在肺癌样本中，openDVP揭示了数十个已有获批疗法的药物靶点。在乳腺癌样本中，该技术发现了与化疗耐药性和癌症复发相关的炎症通路，可能具有药物开发潜力。 

由于该框架是开源且模块化的，研究人员只需更换单个组件或集成新方法即可，无需重建整个流程。这对于大型临床研究尤为重要，因为空间蛋白质组学或许能从分子层面解释患者为何对某种药物治疗不再产生应答。

为了进一步提升该技术的临床实用性，他们计划整合基于组织病理学数据训练的大型人工智能神经网络，以实现组织识别和注释的完全自动化。

研究人员希望将openDVP打造为一个社群平台，使其能够随着成像、人工智能和质谱技术的发展而不断演进。openDVP软件包可通过GitHub免费获取，地址为：https://github.com/CosciaLab/openDVP。