【蛋白组学】宏蛋白组学技术方案与实用策略盘点 | Microbiome（IF：15.5）、Research（IF：11.0）……- 大数跨境

【蛋白组学】宏蛋白组学技术方案与实用策略盘点 | Microbiome（IF：15.5）、Research（IF：11.0）……

丰信生命科学

2024-05-24

导读：文献1：采用重叠群注释指导的基因注释的工具ConDiGA用于精准构建宏蛋白组序列库文献2：HAPs-hyblibDIA--肠道微生物物种的专用高丰度蛋白质数据库文献3：DIA定量宏蛋白质组学研究肠道微

宏蛋白质组学(Metaproteomics)，即对微生物群落蛋白质进行大规模定性与定量分析，以捕捉微生物群落的物种组成、蛋白丰度和生物学功能等信息。

和常规蛋白组检测不同，面向的样本不再是单一来源的物种，而是面向的样本中可能存在几十甚至上百种不同的微生物形成的群落。针对宏蛋白组学项目的方案及应用场景，许多研究者表示关注。我们结合自身项目经验，并参考优质文献，整理了以下7篇精选内容，为您解读宏蛋白组学的先进方法和实用思路。

文献1：采用重叠群注释指导的基因注释的工具ConDiGA用于精准构建宏蛋白组序列库

题目：Contigs directed gene annotation (ConDiGA) for accurate protein sequence database construction in metaproteomics

发表：2024年3月

科研团队：复旦大学乔亮团队、澳大利亚国立大学林宇团队

链接： https://doi.org/10.1186/s40168-024-01775-3

影响因子：15.5 （Microbiome）

应用建议：进行宏蛋白组分析并且拥有宏基因组测序数据时，推荐使用ConDiGA工具，能显著提高数据库物种注释率和可靠性

文献1研究内容

这项研究介绍了一个叫做ConDiGA的工作流程，解决了当前基于宏基因组测序构建的宏蛋白质组数据库物种注释可靠性的问题，其优势体现在注释覆盖率、注释准确性和低丰度物种注释等多个方面。

工作原理分两步：首先，对组装后的重叠群序列（contigs）进行初步注释，再根据基因组覆盖率和分类丰度精选出最可靠的物种。随后基于选定物种的参考基因组进行基因级别的注释。

ConDiGA（MD3）技术与现有的流行注释方法（MD1和MD2）相比较，显示出在注释的准确性、尤其是物种级别的精确分类注释方面的显著优势。1）在12种已知的细菌合成的微生物群落样本的基准测试中，ConDiGA方法的表现优于其他工具，同样在2）真实的粪便样本以及3）模拟微生物群落和粪便样本的混合数据集上也表现出高效性和高稳定性。

文章比较长，我们先看在12种已知的细菌合成的微生物群落样本的基准测试。MD3方案构建的数据库比MD1和MD2构建的数据库识别的蛋白质PG数量显著更多。其中，Kaiju-MD3是最有效的策略，识别了13,537个蛋白质PG，相比之下，UP-S只识别了12,604个蛋白质PG。

以2)真实粪便样本为例来展示注释率。这里收集了一名健康志愿者的粪便样本，并对其进行了宏基因组和宏蛋白组分析。利用BLAST、Kaiju和Kraken2等注释工具，分别通过MD1、MD2、MD3三种策略，从宏基因组数据出发，构建了蛋白质序列数据库。

采用MD3策略的三种工具得到的带有分类注释的蛋白质数量，明显超过了MD1和MD2策略;

在比较不同策略对物种识别的一致性方面，韦恩分析提示MD3策略表现出了在BLAST、Kaiju和Kraken2等多种注释工具之间的最高的一致性。具体来说，通过MD3结合Kaiju的方法能够识别出最多的物种（143种）。覆盖了MD3_BLAST识别的71.3%（57/80）和MD3_Kraken2识别的64.4%（47/73）的物种。更详细的解读以及该工具的使用逻辑见我们既往解读。

看到这里你要说了，假如我没有宏基因组测序数据，我怎么去构建蛋白序列数据库？作为宏基因组或者16S不可得的替代方案，公共蛋白质组序列数据库经常被使用，并且可以提供可能物种的全面覆盖。然而，如此巨大的数据库导致搜索空间扩大，这会降低搜索灵敏度并显著增加搜索时间。

因此，有人提出以高丰度蛋白 (HAP) 数据库可作为构建目标数据库的指引，这个方法通过从微生物数据库中提取所有核糖体和延伸因子蛋白而创建。分两步获得肽的鉴定。第一步，使用HAP数据库和质谱原始数据进行初步搜索，有效识别样品中的高丰度成分，并形成样本特异性蛋白序列数据库。第二步，使用这个特异性数据库再次进行质谱原始数据搜索，从而获得肽段的准确鉴定。

基于这个策略，2024年1月5日，复旦大学化学系的乔亮团队提出了一种基于高丰度蛋白的Hybrid谱图库方法（HAPs-hyblibDIA），用于深度分析DIA宏蛋白质组数据。该方法首先构建了一个基于公共数据库的肠道菌群高丰度蛋白（HAPs）数据库，然后通过基于Spectronaut软件的Hybrid谱图库流程（HAPs-hyblibDIA）对宏蛋白组数据进行搜库鉴定和定量，并通过样本队列验证了该方法的准确性和实用价值。

文献2：HAPs-hyblibDIA--肠道微生物物种的专用高丰度蛋白质数据库

题目：High-Abundance Protein-Guided Hybrid Spectral Library for Data Independent Acquisition Metaproteomics

发表：2024年1月

科研团队：复旦大学乔亮团队

链接：https://doi.org/10.1021/acs.analchem.3c03255

影响因子：7.4 （Analytical Chemistry）

看点：构建基于微生物菌群专用HAP数据库（序列29万+） + Spectronaut 算法搜库，缺一不可

文献2研究内容

在缺乏宏基因组测序数据的情况下，如何构建合适的蛋白质序列数据库解读复杂的宏蛋白组数据是挑战。采用基于高丰度蛋白的Hybrid谱图库方法（HAPs-hyblibDIA）来构建蛋白序列数据库的方法首先，基于公共数据库创建一个专门的肠道菌群高丰度蛋白（HAPs）数据库，然后对DIA质谱数据进行预搜索以选定目标物种。之后，使用Spectronaut Pulsar 算法根据相应的目标物种的蛋白质序列数据库搜索 DDA 和 DIA 原始数据，然后，生成的混合库（hybrid library）分析 DIA 数据。

基于高丰度蛋白的Hybrid谱图库方法（HAPs-hyblibDIA）来构建蛋白序列数据库

序列库HAPs的构成：

该序列库HAPs由公共数据库以及基于宏基因组测序的氨基酸序列合并，共有超过29万条蛋白序列。其中公共数据库包括来自647种物种的159,387条蛋白质。此外，还从1,952个宏基因组（UMGS）中提取了HAPs，将这些HAPs与647种微生物物种的HAPs数据库结合，形成了一个包含295,608条蛋白质的综合数据库。如果你研究人类肠道菌群，这个数据库不能错过。

搜库方案：

使用 Spectronaut Pulsar 算法搜索DDA和DIA原始数据，展示了该策略在识别微生物样本分类组成方面的准确性和灵敏度。DDA和DIA原始数据数据来自合成微生物群落样本和人类肠道微生物样本。除了鉴定深度有了显著提升，且所鉴定的肽段与基于宏基因组测序数据库鉴定的肽段有很大的重叠。此外，通过对结直肠癌患者及对照组的人类肠道微生物样本的分析，验证了HAPs-hyblibDIA策略在生物医学研究中的适用性。

首先，模拟微生物群落：对于 hyblibDIA，来自 12mix 样本的 12 个分级DDA数据和 3 个技术复制的 DIA 数据被组合作为输入文件，由 Spectronaut Pulsar 对三个数据库进行搜索。然后将DIA数据与混合库进行搜索以获得识别结果。

模拟微生物群落：HAPs-hyblibDIA流程所测试的所有的12种目标物种都被正确鉴定，无假阳性鉴定；鉴定的蛋白groups和肽段数量显著多于常规的directDIA。

接下来，再看真实样本。从健康志愿者身上采集一份人类粪便样本，用于宏蛋白质组分析和宏基因组测序。采集了样品的 DIA 和分级 DDA 数据。

人类粪便样本：HAPs-hyblibDIA流程显著高于directDIA鉴定出鉴定出的肽和蛋白，且鉴定的肽段与基于宏基因组测序数据库鉴定的肽段有很大的重叠

为了说明 HAPs-hyblibDIA 管道在临床微生物组研究中的实用性，重新分析了之前发布的结直肠癌 (CRC) 肠道微生物元蛋白质组数据集，其中包括 14 名 CRC 患者和 14 名对照者的DIA 和分级 DDA 数据。

这两组样本建库均采用了HAPs序列库。hyblibDIA方法获得了更多的肽段（41,699个蛋白质和187,278个肽段），相比之下，directDIA获得了38,683个蛋白质和163,967个肽段。同时，hyblibDIA方法筛选到的差异蛋白更多（分别为5,361个和4,635个），COG功能分析结果与先前报道结果总体一致。

你看到这里会问，directDIA是不是就一点优势也没有了？

我们曾经发布过相关项目。directDIA 数据分析的唯一先验知识是蛋白质序列数据库。在这个项目中，directDIA与基于16S rRNA基因测序分类筛选的UniProt蛋白序列组成的数据库和全基因组宏基因组测序构建的数据库两类数据库配合良好，涵盖了目前主流的宏蛋白质组蛋白序列数据库构建方法。

文献3：DIA定量宏蛋白质组学研究肠道微生物群及其相关疾病发病机制

题目：Data-independent acquisition boosts quantitative metaproteomics for deep characterization of gut microbiota

发表：2023年1月

科研团队：复旦大学、上海交通大学医学院、长海医院

链接：https://doi.org/10.1038/s41522-023-00373-9

影响因子：9.2（NPJ Biofilms and Microbiomes）

看点：Spectronaut显著提升了directDIA的性能

项目方案：用宏基因组/ 16S测序建库 +宏蛋白组

文献3研究内容

在本研究中展示了directDIA技术在覆盖度、鉴定准确性及定量精度方面均优于其他质谱定量方法。文章还重点展示了宏蛋白组学中研究肠道微生物群及其相关疾病病理学的应用。样本来自轻度认知障碍（MCI）患者和胰腺癌（PC）患者，以及相应的对照组。每个队列中约 70,000 个微生物蛋白被定量并注释。

基准测试：在基准测试中，评估了LFQ-DIA、LFQ-DDA和TMT在掺入实验室培养细菌的真实人类肠道微生物样本中的性能。通过宏基因组测序确定了粪便样本的细菌组成，并选择了六种未达到可检测丰度的细菌进行培养，按不同比例混合并提取蛋白质，形成掺标样品，使这些细菌蛋白占总蛋白重量的1%。随后，将这些数据与包含六种细菌蛋白质组和粪便样本宏基因组序列的数据库进行比对。

敲黑板：Spectronaut的使用使得directDIA在数据分析方面取得了显著进步，其性能已能够与基于谱图库的DIA相媲美。

在研究中，directDIA在复杂的微生物群落样品中表现出色，超越了基于谱图库的方法。通过与其他常用的质谱定量策略（如LFQ-DDA、带TMT标记的DDA）进行比较，展示了directDIA在蛋白质组覆盖度、定量准确性和精度方面的优势。基准测试结果显示，directDIA平均每次运行定量了18,268±24个蛋白质和70,272±203个肽段，明显优于LFQ-DDA的10,229±13个蛋白质和47,137±95个肽段。此外，directDIA的缺失值更少（91%的蛋白质和88%的肽段每次运行都能检测到），相比之下，LFQ-DDA分别为84%和75%。这些结果表明，directDIA在处理复杂样本时，具备更高的定量准确度和数据完整性，是宏蛋白质组学研究中最具优势的方法。

宏基因组 + 宏蛋白组：共分析22名MCI患者和34名对照组的粪便样本。数据库构建：通过对所有样本的混合进行宏基因组测序，构建了样本特异性的蛋白质序列数据库（包含1,217,422序列）。定量分析：directDIA分析共定量了70,925个蛋白和233,217个肽段。找到MCI患者和对照组之间的1581个差异蛋白。发现大量差异蛋白属于Clostridia、Gammaproteobacteria和Bacteroidetes。这些蛋白在多个功能类别中表现出差异，特别是与核苷酸转运和代谢、细菌外膜组分生物合成等蛋白在MCI患者中丰度更低。

火山图：用于展示病人和对照组之间差异蛋白的变化。分类分布图（Taxonomy Distribution）：展示了差异蛋白属于哪些微生物类别；COG图：显示了各个COG类别中差异蛋白的数量，区分了在病人组和对照组中蛋白的丰度不同。

16S测序建库+宏蛋白组：分析了15名PC患者和15名对照组的粪便样本。数据库构建：利用基于16S rRNA测序过滤的公共蛋白质序列数据库进行分析。directDIA分析共定量了66,196个蛋白和215,655个肽段。且富集分析观察到与PC相关的差异蛋白和代谢途径的变化。分类丰度差异：发现Proteobacteria、Porphyromonadaceae、Streptococcaceae等在PC患者中更为富集。

展示胰腺癌（PC）患者和对照组微生物蛋白基分类丰度差异

综上所述，Spectronaut显著展示了directDIA的性能，使其在数据分析方面能够与基于谱图库的DIA相媲美。在蛋白质组覆盖度、定量准确性和精度方面具有明显优势，其定量的蛋白质和肽段数量显著高于传统方法，同时保持较低的缺失值。这些优势帮助了directDIA成为宏蛋白质组学研究中不可或缺的工具，特别是在需要高覆盖深度和高数据完整性的临床样本分析中，展现出巨大的潜力和应用前景。

再把我们的视线拓展到酿造食品这个领域。接下来介绍两个研究项目。这两个项目的共同特点是都是研究白酒大曲，都用了DIA蛋白组技术，以及都采用宏基因组测序获得的序列用于建库。

文献4&5：宏蛋白质组学揭示白酒发酵大曲特征

文献4于2023年发表在Frontiers in Nutrition, 比较了6道工序×7例重复的42例茅台酒曲宏蛋白组的微生物群落。并结合PRM靶向验证了特定代谢酶活性。

链接：https://doi.org/10.3389/fnut.2023.1139836

文章使用DIA-MS进行定量宏蛋白组学分析，通过宏基因组测序构建蛋白质数据库（1,648,851条蛋白序列）。DIA原始数据由Spectronaut软件分析，PRM原始数据由SpectroDive分析。总共鉴定并定量了3,009个蛋白质、7,872个肽段和82个微生物物种（species）。每个样品平均鉴定了2,672±104个蛋白质和6,720±469个肽段。DIA数据通过directDIA技术，揭示了微生物组成及其在生产周期中的变化。每个生产周期制备的大曲样品中定量的蛋白质和肽数量非常接近，表明本研究中基于DIA的宏蛋白组学测量具有高度可重复性。

再看另一篇文章。

文献5于2022年发表在Frontiers in Microbiology。该研究比较了3种类型（白曲、黄曲、黑曲）在三个季节（春、夏、秋）内的90个茅台酒曲样本，使用DIA-MS技术进行宏蛋白组学分析。总共鉴定和定量了12,155种蛋白质和39,396种肽段。

链接：DOI 10.3389/fmicb.2022.1098268

在每个季节（即春、夏、秋）为每种大曲（即白、黄、黑大曲）采集了 10 个样本，使样本总数达到 90 个。为了建立宏蛋白质组学分析的蛋白质序列数据库，将每个季节和类型的10个样本混合成一个混合样本（即总共9个混合样本），进行宏基因组测序。组装的基因组被翻译成氨基酸序列，形成样本特异性蛋白质序列数据库（1,614,586 条蛋白序列）。用优化的蛋白质提取方法处理 90 个样品，并通过基于 DIA 的液相色谱-串联质谱 (LC-MS/MS) 进行分析。

使用 directDIA 对样本特定数据库搜索 DIA 数据，总共鉴定和定量了 12,155 种蛋白质中的 39,396 种肽。进一步研究了有助于区分三种大曲的分类特征。使用Unipept对物种进行注释，在23,070个带注释的肽段中，有12,462个匹配到93个类（classes），7,539个匹配到449个属(genera)。

结果揭示了大曲类型和季节变化对微生物组成和功能的显著影响：白大曲因发酵程度较低，展现出较高的微生物多样性及季节性稳定性；黄大曲在糖化酶的丰度上显著高于其他两种大曲，有利于原料降解；而黑大曲特别在秋季显示出微生物蛋白质季节性的变化趋势，提示其在碳水化合物和氨基酸代谢方面的活性增强。

你会看到，这两个研究项目均使用大曲和DIA技术，并结合宏基因组测序构建蛋白质数据库。文献4研究重点分析了不同生产周期内的酒曲样本，揭示了微生物组成和代谢路径的变化，并通过PRM验证了特定酶的活性。文献5研究比较了不同类型和季节的酒曲样本，揭示了其分类学和代谢学特征差异。这些发现有望推动白酒品质和风味的进一步优化。

于此同时，我们将目光放在国内和国际的项目。我们将目光投向口腔微生物。接下来的两篇内容取材都来自口腔。

今年1月份，浙江省肿瘤医院程向东、徐志远团队联合西湖大学蛋白质组大数据实验室郭天南团队，合作在Microbiome上发表了新的论文。该研究基于舌苔微生物蛋白鉴别胃癌患者，引起学术界广泛关注。

文献6：舌苔的宏蛋白质组学分析用于胃癌诊断：一项多中心研究

题目：In-depth metaproteomics analysis of tongue coating for gastric cancer: a multicenter diagnostic research study

链接：doi:10.1186/s40168-023-01730-8

影响因子：15.5 （Microbiome）

看点：基于345个舌苔样本，共鉴定出1432种人类蛋白和13,780种微生物蛋白。通过机器学习模型利用50种舌苔微生物蛋白实现了高风险胃癌个体的识别，独立验证队列中AUC达0.91。

文献6研究内容

为了分析胃癌患者与非胃癌患者舌苔蛋白质的差异，研究从中国五个独立研究中心收集了180名胃癌患者和185名非胃癌患者的样本，最终纳入了233个ZJC队列样本和112个多中心队列样本进行研究。

为构建完整的舌苔蛋白质数据库，研究首先进行了宏基因组测序。即随机选取了20个健康个体、20个慢性胃炎患者、20个I–II期胃癌患者和20个III–IV期胃癌患者的舌苔样本。将每组的DNA样本混合，形成四个混合DNA样本并进行测序。测序得到的数据经过拼接并转换成蛋白的氨基酸序列，最后结合宿主的蛋白序列，构建了用于支持DIA-MS蛋白质鉴定和定量分析的数据库。

在搜库方面用到了谱图库的构建。使用DDA（数据依赖性采集）进行两步搜索。第一步，使用FragPipe对每个DDA原始文件进行初步数据库搜索，生成简化的蛋白质数据库。第二步，将所有简化的蛋白质数据库和人类蛋白数据库合并，再次使用FragPipe进行搜索，生成最终的谱图库。

接着，利用PulseDIA技术对所有舌苔样本进行定量分析。DIA数据与生成的最终的谱图库进行对比，实现蛋白质的鉴定和定量分析。通过比较ZJC队列和多中心队列的蛋白质组数据，从所有样本整体看，总共鉴定出1432种人类蛋白和13,780种微生物蛋白。因此这个项目也给了我们如何同时搜宿主和微生物蛋白库的很好的参考。

接下来，使用Unipept软件进行肽段的物种注释；使用eggNOG-mapper进行COG（同源群）注释，使用GhostKOALA进行KEGG（京都基因与基因组百科全书）注释。人源蛋白主要富集在细胞应激和中性粒细胞脱颗粒等途径，微生物蛋白则富集在碳代谢、氨基酸合成等途径。

胃癌患者的舌苔中，某些微生物与较高的胃癌风险相关，而某些菌则与较低的胃癌风险相关。此外，胃癌患者中KRT2和KRT9等角蛋白下调，提示舌表面的物理屏障被削弱。

该研究构建的基于50种舌苔微生物蛋白的机器学习模型，在训练和测试集、另一多中心的独立外部集中的AUC分别为0.96、0.92、0.91。这表明舌苔微生物蛋白可作为胃癌非侵入性诊断的有效生物标志物。

这一项研究的独特性：采用先进的机器学习模型，首次在蛋白水平上鉴定了与胃癌风险相关的微生物菌群，开发了精准的非侵入性胃癌筛查模型。

口腔微生物的宏蛋白质组学是很好的研究方向。我们还注意到上海交通大学生命科学技术学院肖华教授课题组2022年的一篇研究。这一篇文章，作者团队利用独特的方案显著降低了宿主蛋白对微生物鉴定的干扰，提高低丰度微生物蛋白的鉴定，整体上提高了微生物的蛋白鉴定比例。

文献7：基于口腔微生物组宏蛋白质组分析与肺癌研究

题目：In-Depth Metaproteomics Analysis of Oral Microbiomefor Lung Cancer

链接：https://doi.org/10.34133/2022/9781578

研究对象：唾液

影响因子：11 .0（Research (Wash D C)）

看点：开发了一种新的FFIEF-MS蛋白质组学策略，旨在减少宿主干扰并富集低丰度细菌，从而增强口腔微生物组分析的深度。

方案除了分析微生物的蛋白功能、物种构成，还额外分析了物种-功能的联合。

物种-功能的联合图例

通过FFIEF-MS方法，合并的临床样本总共鉴定了22335个具有分类注释的肽，其中12840个是细菌肽，对应于3647个细菌蛋白。同时，人源性肽和蛋白质的数量分别为9495和974。干扰肽的数量减少了52.87%，而细菌肽和种类分别增加了94.97%和44.90%，相比传统蛋白质组学方法显著提升了分析深度。在独立队列中验证了与肺癌相关的细菌，揭示了失衡菌群及其在抑制免疫反应和维持细胞氧化还原平衡中的失调功能。

大家都知道血液需要去掉高丰度蛋白的干扰，但是很少有人会想到宏蛋白的项目中低丰度微生物在群落里执行了多种重要功能，而这些低丰度微生物的作用往往会因高丰度微生物的掩盖作用而在先前的研究中被忽略。因此进一步开发相关的预处理和低丰度富集的实验策略非常关键。

总结

1、富集策略：宏蛋白质组学研究中的一个关键挑战是识别低丰度微生物的蛋白质。文献7中采用了一种新的FFIEF-MS蛋白质组学策略，旨在减少宿主干扰并富集低丰度细菌。这个领域我们将会持续关注。

2、宏基因组组装与搜库：构建准确的蛋白质序列数据库是宏蛋白质组学研究的核心。文献1中的ConDiGA工具和文献2的HAPs-hyblibDIA策略分别提供了两种高效的数据库构建方法。ConDiGA从宏基因组数据出发进行基因的物种分类注释，提高数据库物种注释的覆盖率和准确性。HAPs-hyblibDIA则利用高丰度蛋白引导的混合谱图库进行搜库，显著提升了DIA数据的鉴定深度和灵敏度。在没有宏基因组数据的情况下，高丰度蛋白数据库（HAP）也提供了有效的替代方案。这些技术共同推进了宏蛋白质组学研究的数据库构建和搜库精度。

3、鉴定深度来看：文献1中，ConDiGA方法在12种已知细菌的合成微生物群落基准测试中识别了13,537个蛋白PG，相比之下，UP-S只识别了12,604个蛋白PG。文献2的HAPs-hyblibDIA策略在模拟微生物群落中，鉴定了41,699个蛋白和187,278个肽段，显著多于常规的directDIA。文献3中，MCI患者和对照组的粪便样本定量了70,925个蛋白和233,217个肽段；PC患者和对照组定量了66,196个蛋白和215,655个肽段。文献4和文献5分别研究了白酒发酵大曲特征，文献4中鉴定并定量了3,009个蛋白质和7,872个肽段，文献5中鉴定和定量了12,155种蛋白质和39,396种肽段。文献6通过舌苔宏蛋白质组学分析胃癌诊断，共鉴定出1432种人类蛋白和13,780种微生物蛋白。文献7则采用FFIEF-MS策略对唾液进行深入分析，共鉴定了22,335个肽段，其中12,840个是细菌肽，对应于3,647个细菌蛋白。通过这些研究，可以看出不同的方法和技术手段显著提升了肽段和蛋白质的鉴定深度。以上深度可供大家参考。

4、具体应用：文献3展示了directDIA技术在肠道微生物群及其相关疾病研究中的应用，通过对MCI和PC患者的粪便样本进行宏基因组和宏蛋白质组分析，揭示了疾病相关的差异蛋白。文献6则利用舌苔微生物蛋白质组学对胃癌进行了非侵入性诊断，基于机器学习模型开发了精准的筛查工具。此外，文献4和5的研究揭示了白酒发酵过程中的微生物群落变化，为食品酿造工艺优化提供了科学依据。

蛋白组全流程实操方案

针对宏蛋白质组研究，如果您手头有宏基因组测序数据，我们推荐使用今天分享的构建蛋白序列库新方法——ConDiGA；如果您有16S rRNA测序信息，我们也可以在公共库中筛选物种蛋白序列；如果您目前没有任何测序数据，我们推荐使用无需测序的肠道菌群专用数据库，不同情形不同选择。对于质谱采集和谱图解析，考虑到宏蛋白组样本的复杂性和鉴定深度需求，我们更推荐采用DIA定量模式结合Spectronaut软件数据解析，如果您考虑性价比和实验简便，推荐directDIA方案，如果您想更多鉴定蛋白，推荐谱图库DIA或hybridDIA。更详细的实操方案和产品工具请看下图：