血浆EV分离与蛋白质组/PTM组发现
建立从血浆中顺序分离EV并全面分析蛋白质组及多种PTM的方法，鉴定乳腺癌亚型相关修饰特征。
收集健康对照、LAB和TNBC患者混合血浆样本，差速离心分离大EV和小EV，裂解蛋白后酶解，顺序富集酪氨酸磷酸肽、赖氨酸乙酰肽、丝/苏氨酸磷酸肽和N-糖肽，LC-MS/MS分析，非标定量比较组间差异。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
分析血浆来源细胞外囊泡中的蛋白质翻译后修饰作为乳腺癌亚型的指纹
Profiling protein post-translational modifications in plasma-derived extracellular vesicles as fingerprints for breast cancer subtypes
实验完整度
高包含血浆EV发现队列、细胞系磷酸化验证、PRM靶向验证及机器学习建模，具备功能与机制验证。
主要模型
健康女性血浆EV（n=20混合样本） Luminal A/B乳腺癌患者血浆EV（n=20混合样本） 三阴性乳腺癌患者血浆EV（n=20混合样本） PRM验证队列（41例个体血浆：8对照、19例LAB、14例TNBC）
重点核对
发现阶段使用混合血浆样本（每组n=20），PRM验证使用独立个体样本（n=41），两队列无重叠 EV分离采用20,000×g和100,000×g差速离心，合并大小EV组分 PTM顺序富集：PT66抗体富集酪氨酸磷酸肽，PTMScan富集赖氨酸乙酰肽，PolyMAC-Ti富集丝/苏氨酸磷酸肽，肼化学富集N-糖肽 PRM分析使用700 µL血浆/样本，靶向135个磷酸肽、98个N-糖肽和47个乙酰肽 机器学习采用两步特征选择（后向消除+穷举搜索），5折交叉验证，随机森林分类器
摘要
背景：鉴于乳腺癌研究中的肿瘤异质性至关重要，三阴性、Luminal A/B和HER2等不同亚型需要精确区分以实现有效治疗。本研究引入一种非侵入性方法，通过分析血浆细胞外囊泡中的翻译后修饰蛋白质来区分乳腺癌亚型，这些囊泡在免疫调节和细胞间通讯中发挥作用。检测细胞外囊泡中的磷酸化、乙酰化和糖基化等修饰可提供对乳腺癌动态的见解。对来自Luminal A/B乳腺癌、三阴性乳腺癌和健康个体的101份血浆样本进行了发现和验证实验。结果：该研究成功表征了超过28,000个独特非修饰肽段、5,000个磷酸肽段、680个乙酰肽段和1,300个糖肽段。生物信息学分析显示，在Luminal A/B乳腺癌或三阴性乳腺癌亚型中，815个非修饰蛋白、3,958个磷酸肽段、352个乙酰肽段和895个糖肽段显著过表达。磷酸化和糖基化的PD-L1肽段成为乳腺癌的潜在标志物，无论亚型如何。将发现与文献和PAM50基因签名比对，突出了与较低生存率相关的标志物。研究还报告了123次预定平行反应监测分析，利用机器学习以高准确度 pinpoint 一组特异性修饰位点用于亚型区分。结论：本研究揭示了诊断标志物并增强了对分子景观的理解，有助于更有效和个性化的乳腺癌诊断与治疗。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否通过分析血浆来源细胞外囊泡中的蛋白质翻译后修饰（磷酸化、乙酰化、糖基化）来区分乳腺癌分子亚型（Luminal A/B与三阴性）？
- 核心机制
- EV携带的PTM修饰肽段反映亲本肿瘤细胞的信号通路状态，不同亚型具有特异的PTM模式，如TNBC中EGFR/MAPK/Rho GTPase信号通路相关磷酸化改变和PD-L1糖基化上调，LAB中G2/M期调控异常。
- 主要证据
- 对101份血浆样本（发现阶段混合样本每组n=20）进行PTM组学分析，鉴定28,005个非修饰肽段、5,248个磷酸肽段、1,325个糖肽段和681个乙酰肽段；在41例独立个体样本中通过PRM验证候选标志物，机器学习模型区分LAB与TNBC的AUC分别为0.83和0.84；细胞系EV磷酸化数据与血浆EV数据存在重叠。
- 研究意义
- 研究揭示了具有亚型区分潜力的EV PTM诊断标志物，增进了对乳腺癌分子景观的理解，为更有效和个性化的乳腺癌诊断与治疗策略提供了概念验证。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
生物信息学分析与亚型特异性通路鉴定
通过Reactome富集和PCA分析，揭示LAB和TNBC亚型特异的PTM修饰通路。
对差异修饰蛋白/肽段进行Reactome通路富集、PCA降维分析，并与PAM50基因签名及文献预后标志物比较。
细胞系EV磷酸化蛋白质组验证
验证血浆EV中鉴定的亚型特异性磷酸化蛋白是否也存在于对应乳腺癌细胞系来源的EV中。
培养对照细胞系MCF10A、LAB细胞系MCF7和TNBC细胞系MDA-MB-231，分离EV进行磷酸化蛋白质组分析，与血浆EV磷酸化数据比较重叠。
PRM靶向验证与机器学习分类模型构建
在独立个体样本中验证候选PTM标志物，并利用机器学习筛选能高精度区分乳腺癌亚型的修饰位点组合。
选取135个磷酸肽、98个N-糖肽和47个乙酰肽，在41例独立个体血浆样本中进行123次预定PRM运行，使用Skyline导出数据，采用两步特征选择和随机森林分类器建模，评估ROC曲线。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 酶解 | 脱氧胆酸钠 | -- | -- |
| 月桂酰肌氨酸钠 | -- | -- | |
| 三(2-羧乙基)膦 | -- | -- | |
| 氯乙酰胺 | -- | -- | |
| 赖氨酰内切酶 | -- | -- | |
| 胰蛋白酶 | -- | -- | |
| Sep-Pak C18柱 | -- | -- | |
| 酪氨酸磷酸肽富集 | PT66珠 | -- | -- |
| 赖氨酸乙酰肽富集 | PTMScan | -- | -- |
| 磷酸肽富集 | PolyMAC-Ti硅珠 | Tymora Analytical Operations | -- |
| N-糖肽富集 | 肼磁珠 | -- | -- |
| PNGase F | NEB | -- | |
| GlycoBuffer 2 | NEB | -- | |
| LC-MS/MS | Easy-nLC 1200液相色谱 | Thermo Fisher Scientific | -- |
| LTQ-Orbitrap Velos Pro质谱仪 | Thermo Fisher Scientific | -- | |
| PRM分析 | Orbitrap Fusion三合一质谱仪 | Thermo Scientific | -- |
| 数据分析 | Proteome Discoverer | -- | 2.5.0.400 |
| Perseus | -- | 1.6.15.0 | |
| Skyline | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 血浆样本采集与处理 | 样本来源（Susan G. Komen Tissue Bank和University of Iowa Biobank）、采血管类型（EDTA）、离心条件（3500 rpm 30分钟）、储存温度（-80°C）、发现与验证队列无重叠 阅读提示：Methods中Plasma samples小节及Additional file 2: Data S8患者清单 |
| EV分离 | 血浆体积（发现阶段5 mL）、离心力与时间（20,000×g 1小时和100,000×g 1小时）、洗涤次数、大小EV合并方式 阅读提示：Methods中Extracellular vesicle isolation小节及Fig. 1 |
| 顺序PTM富集 | 各富集步骤的珠体积、抗体类型、孵育时间与温度、洗脱条件、流穿液处理顺序 阅读提示：Methods中Tyrosine phosphopeptides enrichment、Lysine acetylation peptide enrichment、PolyMAC phosphopeptides enrichment和N-glycopeptides enrichment小节 |
| LC-MS/MS与PRM分析 | 色谱柱规格、梯度时间、质谱参数（分辨率、AGC、注入时间、碰撞能量）、PRM靶向列表 阅读提示：Methods中LC–MS/MS小节及Additional file 2: Data S7 |
| 机器学习建模与验证 | 验证队列样本量（8对照、19 LAB、14 TNBC）、每样本血浆体积（700 µL）、特征选择方法、交叉验证策略、超参数设置 阅读提示：Methods中Machine learning approach小节及Fig. 6 |