MaltSci 麦伴科研

Appearance

热门主题报告 / proteomics

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

蛋白质组学如何识别疾病生物标志物？ ​

摘要 ​

随着生物医学研究的迅速发展，蛋白质组学作为一种强有力的技术手段，正在为疾病生物标志物的识别提供新的视角和方法。蛋白质组学涉及对细胞、组织和体液中蛋白质的全面分析，通过定性和定量的方式揭示其在生物体内的功能及其与疾病发生发展的关系。近年来，质谱分析和蛋白质微阵列技术的快速发展，使得蛋白质组学在疾病特异性生物标志物的发现方面展现出巨大的潜力。研究表明，蛋白质组学不仅能够提高早期诊断的准确性，还能为疾病的预后评估和个体化治疗提供新的生物标志物，从而在现代医学中扮演着越来越重要的角色。综述内容包括蛋白质组学的基本概念和主要技术平台，分析其在肿瘤、自身免疫性疾病和代谢性疾病中的应用实例，以及数据处理和生物信息学方法在生物标志物发现中的重要性。总结认为，尽管面临挑战，蛋白质组学在未来医学研究中的重要性和发展方向仍然广阔，尤其是在精准医学和个体化治疗的背景下。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 蛋白质组学的基本概念与技术平台
    • 2.1 蛋白质组学的定义与重要性
    • 2.2 主要技术平台：质谱分析与二维凝胶电泳
  • 3 蛋白质组学在疾病生物标志物识别中的应用
    • 3.1 肿瘤相关生物标志物的识别
    • 3.2 自身免疫性疾病中的蛋白质组学应用
    • 3.3 代谢性疾病的生物标志物研究
  • 4 数据处理与生物信息学方法
    • 4.1 蛋白质组学数据的采集与预处理
    • 4.2 生物信息学在生物标志物发现中的应用
  • 5 临床转化的挑战与前景
    • 5.1 蛋白质组学研究的临床应用现状
    • 5.2 面临的挑战与未来发展方向
  • 6 总结

1 引言 ​

随着生物医学研究的快速发展，蛋白质组学（proteomics）作为一种强有力的技术手段，正在为疾病生物标志物的识别提供新的视角和方法。蛋白质组学涉及对细胞、组织和体液中蛋白质的全面分析，通过定性和定量的方式揭示其在生物体内的功能及其与疾病发生发展的关系。随着技术的进步，特别是质谱分析和蛋白质微阵列技术的快速发展，蛋白质组学在疾病特异性生物标志物的发现方面展现出巨大的潜力[1]。因此，蛋白质组学不仅能够提高早期诊断的准确性，还能为疾病的预后评估和个体化治疗提供新的生物标志物，这使得其在现代医学中扮演着越来越重要的角色。

蛋白质组学的研究意义在于，它能够为疾病的早期诊断、治疗监测和预后评估提供重要的生物学信息。与传统的基因组学研究相比，蛋白质组学更直接地反映了生物体内的功能状态，因为蛋白质的表达和修饰是基因表达的最终产物[2]。因此，蛋白质组学不仅可以帮助我们理解疾病的分子机制，还可以为新药的开发提供潜在的靶点和生物标志物[3]。

当前，蛋白质组学的研究已经取得了显著进展，但在临床应用方面仍面临许多挑战。例如，如何准确地量化复杂生物样本中的蛋白质表达模式，如何开发出高效、可重复的诊断平台，以及如何将研究成果转化为临床应用等，都是当前研究中的重要课题[4]。此外，数据处理和生物信息学方法在生物标志物的发现过程中也起着至关重要的作用[5]。随着技术的不断进步，蛋白质组学的研究正在向精准医学的方向发展，未来有望在疾病的早期筛查和个体化治疗中发挥更大的作用[6]。

本综述将系统地探讨蛋白质组学在疾病生物标志物识别中的应用，内容将组织如下：首先，我们将介绍蛋白质组学的基本概念和主要技术平台，包括质谱分析和二维凝胶电泳等技术；接着，我们将分析蛋白质组学在不同疾病类型中的应用实例，涵盖肿瘤、自身免疫性疾病和代谢性疾病等领域；随后，我们将讨论在生物标志物发现过程中所需的数据处理和生物信息学方法；最后，我们将总结蛋白质组学在未来医学研究中的重要性和发展方向。通过这些讨论，我们希望能够为读者提供对蛋白质组学在疾病生物标志物识别中的全面理解，并展望其未来的发展潜力。

2 蛋白质组学的基本概念与技术平台 ​

2.1 蛋白质组学的定义与重要性 ​

蛋白质组学是研究生物体内所有蛋白质的科学，特别是它们的结构、功能及其相互作用。随着技术的进步，蛋白质组学在疾病生物标志物的发现和临床应用中发挥了重要作用。生物标志物是指能够指示生物体内特定生理或病理状态的生物分子，通常是蛋白质。蛋白质组学通过多种技术平台来识别和验证这些生物标志物，从而推动疾病的早期诊断、预后评估和治疗策略的制定。

蛋白质组学的基本概念在于，通过对细胞、组织或生物体液中蛋白质的全面分析，能够揭示与疾病相关的蛋白质变化。这一过程通常包括三个主要步骤：蛋白质的提取和分离、蛋白质的鉴定以及蛋白质的验证[5]。在这一过程中，质谱技术（MS）和液相色谱-质谱联用技术（LC-MS）是最常用的工具，它们可以在复杂的生物样本中识别和定量成千上万的蛋白质[1]。

在疾病标志物的发现中，蛋白质组学特别关注与疾病状态相关的特定蛋白质的表达模式。例如，通过比较健康组织和肿瘤组织的蛋白质表达，可以识别出在癌症发展过程中上调或下调的蛋白质，这些蛋白质有可能成为新的生物标志物[7]。此外，蛋白质组学还能够揭示蛋白质的翻译后修饰，这些修饰常常影响蛋白质的功能和相互作用，进而影响疾病的发生和发展[8]。

近年来，蛋白质组学技术的进步使得生物标志物的发现变得更加高效和准确。例如，使用无标记质谱技术的蛋白质组学方法，能够在临床样本中快速筛选出潜在的生物标志物，并进行验证[9]。这种方法不仅提高了生物标志物的发现率，还能为个性化医疗提供支持，使得治疗方案能够更好地针对患者的具体病理特征[4]。

综上所述，蛋白质组学通过其系统的分析方法和先进的技术平台，能够有效地识别和验证与疾病相关的生物标志物。这些发现不仅有助于提高疾病的早期诊断能力，还能为制定个性化治疗方案提供基础，具有重要的临床应用价值。

2.2 主要技术平台：质谱分析与二维凝胶电泳 ​

蛋白质组学是研究生物体内蛋白质全组分的科学，尤其在疾病生物标志物的发现方面展现出巨大的潜力。其基本概念是通过对生物样本中蛋白质的分离、鉴定和定量，来揭示疾病的分子机制和潜在的生物标志物。

在蛋白质组学的技术平台中，二维凝胶电泳（2DE）和质谱分析（MS）是最为重要的两种方法。二维凝胶电泳是一种传统的蛋白质分离技术，它通过在两个维度上对蛋白质进行分离，能够有效地处理复杂的蛋白质混合物。然而，二维凝胶电泳存在一些局限性，如自动化程度低、灵敏度不足以及通量有限。因此，近年来，研究者们致力于开发非凝胶基础的蛋白质组分离技术，以便在质谱分析之前有效地分离复杂的蛋白质和肽段[10]。

质谱分析则是蛋白质组学中的关键技术之一，能够对分离后的蛋白质进行快速和准确的鉴定。通过与二维凝胶电泳结合，质谱分析可以对不同样本中的蛋白质进行比较，检测到它们在迁移率上的细微差异，这有助于追踪蛋白质表达的变化、同种异构体、剪接变体及后翻译修饰等[11]。这种结合的技术被称为多维蛋白质鉴定技术，能够更全面地分析生物样本中的蛋白质组分[10]。

此外，蛋白质组学的进步也得益于其他技术的应用，如蛋白质阵列和液相色谱等，这些技术的结合不仅增强了生物标志物的开发潜力，还为临床肿瘤学的诊断、预后和治疗优化提供了新的视角[12]。通过对不同样本的系统比较，蛋白质组学能够识别与特定疾病相关的生物标志物，这些标志物可以用于疾病的早期诊断、治疗反应的监测以及疾病进展的预测。

综上所述，蛋白质组学通过结合先进的分离和分析技术，能够高效地识别疾病生物标志物，为医学研究和临床应用提供了强有力的工具。

3 蛋白质组学在疾病生物标志物识别中的应用 ​

3.1 肿瘤相关生物标志物的识别 ​

蛋白质组学在疾病生物标志物的识别中发挥着重要作用，尤其是在肿瘤研究领域。通过对蛋白质的表达、功能和相互作用进行评估，蛋白质组学能够为肿瘤生物学的研究提供深入的见解。以下是蛋白质组学识别肿瘤相关生物标志物的几个关键方面。

首先，蛋白质组学技术可以通过分析肿瘤组织和患者血清中的蛋白质表达谱来识别潜在的生物标志物。研究表明，肿瘤来源的蛋白质在癌症患者的血清中通常以纳摩尔到皮摩尔浓度存在，这比血清白蛋白的浓度低6到9个数量级，因此在分析过程中需要对血清样本进行预分级，以便更有效地检测这些低丰度的肿瘤相关蛋白[13]。

其次，临床蛋白质组学的主要目标是改善诊断程序，包括对肿瘤细胞生物特征的精确评估，理解癌症的分子发病机制，从而发明新的治疗策略和靶点。例如，针对非小细胞肺癌（NSCLC）的研究显示，蛋白质组学不仅可以提供蛋白质的表达和功能信息，还可以揭示其翻译后修饰，并评估其作为特定疾病生物标志物的价值[14]。

此外，随着生物信息学工具的发展，蛋白质组学数据的管理、分析和解释变得愈加高效。这些工具能够将原始的蛋白质组学数据转化为有用的信息，从而在疾病检测、分子诊断、治疗方案的制定和疾病监测等方面发挥作用[15]。例如，癌症抗原survivin的分析展示了生物信息学在临床蛋白质组学中的应用潜力，证明了其作为癌症免疫治疗靶点的适用性。

最后，蛋白质组学的研究不仅限于肿瘤组织，还涉及细胞系、血浆和血清等多种生物样本的探测。这些研究有助于发现新的生物标志物并阐明肿瘤发生机制，从而推动个性化医疗的发展[16]。

综上所述，蛋白质组学通过多种技术手段的结合，系统性地识别和量化组织或细胞中的动态蛋白质变化，从而促进了肿瘤相关生物标志物的发现，并为早期诊断、预后评估及个性化治疗提供了坚实的基础。

3.2 自身免疫性疾病中的蛋白质组学应用 ​

蛋白质组学在自身免疫性疾病中的应用，尤其是在生物标志物的识别方面，展现出重要的潜力和价值。自身免疫性疾病是一类复杂的疾病，其诊断和分类通常依赖于临床检查、传统实验室检测和影像学研究。随着基因组学和蛋白质组学技术的发展，识别新的生物标志物以指导诊断和治疗决策的能力显著增强。

在自身免疫性疾病的研究中，蛋白质组学通过大规模的蛋白质分析，能够识别和验证与疾病相关的生物标志物。研究表明，淋巴细胞在免疫应答中扮演着重要角色，其蛋白质组分析可以提供有关其功能和在疾病发展中的作用的更多信息[17]。此外，针对自身免疫性疾病的蛋白质组学研究已揭示了多种与疾病相关的蛋白质变化，这些变化可能与疾病的发病机制和进展密切相关[18]。

例如，蛋白质组学在类风湿关节炎（RA）研究中的应用，帮助识别新的诊断生物标志物，这些标志物可以辅助评估疾病活动性、严重程度和治疗反应。通过对RA患者的生物样本（如滑液、血液和尿液）的分析，研究者能够发现与疾病状态相关的特定蛋白质，这些发现为个体化治疗提供了新的思路[19]。

在对自身免疫性疾病的早期诊断和治疗中，蛋白质组学方法的应用显得尤为重要。近年来，研究者们通过高通量技术（如抗原微阵列和质谱）实现了对多种相关分析物的同时测定。这种技术不仅提高了分析的灵敏度和重现性，还在一定程度上解决了传统方法在样本量、试剂消耗和成本等方面的局限性[20]。蛋白质组学的进步使得对多种自身免疫性疾病的生物标志物进行综合评估成为可能，从而推动了个体化医疗的发展。

综上所述，蛋白质组学在自身免疫性疾病中的应用，尤其是在生物标志物的识别方面，展现出其在疾病诊断、分类及治疗决策中的重要作用。通过深入分析蛋白质组，研究者能够发现新的生物标志物，为疾病的早期诊断和个体化治疗提供重要依据。

3.3 代谢性疾病的生物标志物研究 ​

蛋白质组学（Proteomics）在疾病生物标志物的识别中发挥着重要作用，特别是在代谢性疾病的研究中。蛋白质组学的主要目标是全面识别生物样本中的蛋白质，以便深入了解疾病的分子机制，并发现新的生物标志物，这些标志物可以用于筛查、早期检测、诊断、预后评估以及预测特定治疗的反应。

在代谢性疾病的背景下，研究人员通常结合蛋白质组学与代谢组学（Metabolomics）技术，以便从多个层面分析疾病相关的生物标志物。蛋白质组学技术能够识别蛋白质的表达变化，这些变化可能反映了疾病的病理生理过程。例如，在心血管疾病的研究中，蛋白质组学被用来评估蛋白质和代谢物的变化，帮助理解疾病机制并识别新的生物标志物[21]。

具体来说，蛋白质组学通过质谱（Mass Spectrometry）等技术分析生物样本中的蛋白质。这些技术能够提供关于蛋白质丰度变化的信息，从而揭示与特定疾病状态相关的分子特征。在对代谢性疾病的研究中，蛋白质组学不仅能够识别病理状态下的特定蛋白质，还可以探索蛋白质与代谢物之间的相互作用，这对于识别新的生物标志物至关重要[22]。

此外，近年来的研究表明，结合蛋白质组学与其他组学技术（如基因组学和转录组学）可以显著提高对复杂疾病机制的理解，从而推动个性化医学的发展。代谢组学能够识别代谢物的变化，反映细胞的内外部活动，这些信息与蛋白质组学的数据结合后，可以更全面地描绘疾病的生物学特征[23]。

在皮肤疾病如银屑病的研究中，蛋白质组学和代谢组学的结合被用来识别与疾病发生和发展相关的蛋白质和小分子，帮助发现潜在的生物标志物，以改善诊断和治疗方案[24]。综上所述，蛋白质组学通过全面分析蛋白质变化和与代谢物的相互作用，为代谢性疾病的生物标志物研究提供了强有力的工具和方法。

4 数据处理与生物信息学方法 ​

4.1 蛋白质组学数据的采集与预处理 ​

蛋白质组学在识别疾病生物标志物方面发挥了重要作用，主要通过以下几个步骤进行数据的采集与预处理。

首先，蛋白质组学涉及对生物样本中蛋白质的提取和分离。这一过程通常包括从细胞、组织或体液中提取蛋白质，随后使用各种分离技术（如凝胶电泳、液相色谱等）进行蛋白质的分离与富集。这些步骤是确保后续分析能够获得高质量数据的基础[5]。

接下来，识别和定量蛋白质是蛋白质组学的核心步骤之一。现代蛋白质组学广泛使用质谱（MS）技术来实现对蛋白质的鉴定和定量。质谱技术能够分析复杂的蛋白质混合物，提供关于蛋白质种类、数量以及其后转录修饰状态的信息。随着技术的进步，液相色谱-质谱联用（LC-MS）等方法已成为常用的手段，这些方法的灵敏度和准确性使得研究者能够检测到低丰度的生物标志物[1]。

数据处理与生物信息学方法在蛋白质组学中同样至关重要。由于蛋白质组学实验产生的数据量庞大，需依赖生物信息学工具进行数据的管理、分析和解释。生物信息学技术包括数据库的使用、序列比对、预测模型以及统计分析工具等。这些工具帮助研究人员从原始数据中提取有意义的信息，并将其转化为可用于临床应用的知识[15]。

在具体的应用中，蛋白质组学已被用于识别与多种疾病相关的生物标志物。例如，针对癌症的研究表明，蛋白质组学可以通过分析肿瘤样本中的特定蛋白质，发现能够预测疾病进展和治疗反应的生物标志物[16]。此外，针对心血管疾病的研究也利用蛋白质组学技术识别循环蛋白生物标志物，这些标志物能够反映心脏疾病的发生和发展[4]。

综上所述，蛋白质组学通过系统的样本处理、精确的蛋白质识别与定量、以及强大的生物信息学分析方法，为疾病生物标志物的识别提供了强有力的支持。这些技术的结合不仅提高了生物标志物的发现效率，也为个性化医疗的发展奠定了基础。

4.2 生物信息学在生物标志物发现中的应用 ​

蛋白质组学在疾病生物标志物的识别中扮演着重要的角色，利用其强大的分析能力，能够从生物样本中提取和识别出潜在的生物标志物。通过蛋白质组学的高通量和无偏见的分析方法，可以获得关于蛋白质表达模式的丰富信息，从而为疾病的早期诊断和预后提供支持。

在蛋白质组学研究中，生物信息学工具的应用至关重要。这些工具用于收集、处理、分析和解释大量的蛋白质组学数据。具体来说，生物信息学能够帮助研究人员在复杂的蛋白质组数据中识别出具有临床相关性的标志物。例如，通过对不同生物样本（如血清、尿液或组织）中蛋白质的表达进行比较，生物信息学可以揭示出与特定疾病状态相关的蛋白质模式[2][25]。

在具体的研究过程中，通常会经过以下几个步骤来识别疾病生物标志物：首先，通过样本处理和分离技术（如蛋白质提取和分离），获得待分析的蛋白质。接着，利用质谱（MS）等技术对蛋白质进行鉴定和定量。生物信息学工具在这一过程中发挥了关键作用，通过数据挖掘和统计分析，帮助确定哪些蛋白质在健康与疾病状态下的表达存在显著差异[1][26]。

此外，蛋白质组学的研究还可以结合临床数据和其他“组学”技术（如基因组学和代谢组学），提供更全面的生物标志物发现策略。这种多层次的整合方法不仅提高了生物标志物的发现率，还能够更好地理解疾病的病理生理机制[3][5]。

总之，蛋白质组学通过高效的样本分析和生物信息学的支持，能够识别出与疾病相关的生物标志物，为临床诊断和个性化治疗提供了新的思路和工具。这一领域的不断发展将进一步推动疾病诊断和治疗的进步。

5 临床转化的挑战与前景 ​

5.1 蛋白质组学研究的临床应用现状 ​

蛋白质组学在识别疾病生物标志物方面展现出重要的潜力，其应用涵盖了从基础研究到临床转化的多个层面。首先，蛋白质组学通过分析生物样本中的蛋白质表达模式，能够识别与特定疾病相关的生物标志物。这一过程通常涉及对蛋白质进行提取、分离、鉴定和验证的多个步骤。

在蛋白质组学研究中，质量谱（MS）和液相色谱-质谱（LC-MS）等先进的技术手段，使得研究人员能够高效地检测和定量生物样本中的成千上万种蛋白质。这些技术的进步大大扩展了用于识别疾病特异性蛋白和肽标志物的工具箱[1]。通过这些技术，研究人员可以在正常和疾病状态下比较蛋白质的表达差异，从而识别出潜在的生物标志物。

然而，尽管蛋白质组学在生物标志物发现方面取得了显著进展，临床转化仍面临诸多挑战。首先，准确和可重复地量化蛋白质表达谱的能力是一个重要的技术难题。为了实现这一目标，研究者们需要全面定义健康和疾病状态下各种生物区室（如组织、血清和尿液）的蛋白质组，这一过程因蛋白质组的动态范围和复杂性而变得尤为复杂[2]。

此外，开发技术上可行且适用于临床的诊断平台也是一项重大挑战。这些平台需要依赖于对蛋白质组的全面理解，以便能够有效地对多种疾病标志物进行分析[2]。尽管如此，蛋白质组学的临床应用前景仍然广阔，尤其是在早期诊断、疾病监测和个性化医疗等领域。通过对呼吸系统疾病、心血管疾病等领域的研究，蛋白质组学不仅能够帮助识别潜在的生物标志物，还能够为治疗目标的发现提供重要线索[4][27]。

在具体应用中，蛋白质组学的研究成果已逐渐转化为临床工具。例如，蛋白质组模式分析已被用于早期癌症的诊断，尤其是在卵巢癌等领域，展现出高度的敏感性和特异性[25][28]。这些进展表明，尽管面临挑战，蛋白质组学在疾病生物标志物的识别和临床转化中仍具有巨大的潜力和价值。

5.2 面临的挑战与未来发展方向 ​

蛋白质组学在疾病生物标志物的识别中扮演着至关重要的角色，尽管其在临床转化过程中面临诸多挑战。首先，蛋白质组学的高通量和无偏见的方法能够分析蛋白质表达模式的变化，从而揭示与疾病相关的生物标志物[2]。通过结合经典的分析技术（如二维凝胶电泳）与更先进的质谱技术，研究者们能够在正常与病理状态下，对尿液及各种肾脏组织的蛋白质进行全面的目录编制和定量分析[2]。

然而，尽管蛋白质组学在生物标志物发现方面取得了一定的进展，仍然存在一些重要的挑战。首先，蛋白质组的动态范围和复杂性使得在不同生物区室（如组织、血清和尿液）中完全定义蛋白质组成为一项重大挑战[2]。其次，准确和可重复地量化蛋白质组表达谱的能力尚未实现常规化，这限制了其在临床中的应用[2]。此外，开发适用于临床环境的诊断平台也需要依赖于前述两项任务的成果，以便能够对多种疾病生物标志物进行有效的分析[2]。

在临床应用方面，尽管蛋白质组学技术具有识别和量化新型生物标志物的潜力，但从实验室到临床的转化依然面临许多障碍。例如，存在高丰度蛋白（如白蛋白）对低丰度蛋白的检测造成干扰，以及高维数据集分析中可能出现的假阳性关联等问题[29]。此外，对正常血浆蛋白组的生长、发育和年龄效应的理解仍然有限，这也影响了生物标志物的有效性[29]。

未来的发展方向包括通过跨学科的合作来增强蛋白质组学研究的临床相关性。通过整合蛋白质组学专家、基础研究人员、流行病学家和临床医生之间的沟通，能够更好地克服现有的限制[30]。此外，采用更先进的质谱技术和新型蛋白质阵列格式将有助于提高分析的精确性和有效性，从而推动生物标志物的临床转化[7]。

总的来说，尽管蛋白质组学在生物标志物发现方面展现出巨大的潜力，但其临床转化的成功仍需克服多重挑战。未来的研究将需要在技术、方法和跨学科合作等方面持续努力，以实现更有效的疾病早期检测、诊断和治疗策略。

6 总结 ​

本综述系统性地探讨了蛋白质组学在疾病生物标志物识别中的应用，特别是在肿瘤、自身免疫性疾病和代谢性疾病等领域。主要发现包括：蛋白质组学技术，尤其是质谱分析和二维凝胶电泳，能够有效识别与疾病相关的生物标志物，推动早期诊断和个性化治疗的发展。尽管目前蛋白质组学在临床应用方面取得了一定进展，但仍面临诸多挑战，如蛋白质表达量的准确量化、临床诊断平台的开发以及数据处理的复杂性等。未来研究方向应聚焦于跨学科合作，以提高蛋白质组学研究的临床相关性，并通过新技术的应用来克服现有的技术限制，从而实现更有效的疾病检测和治疗方案。

参考文献 ​

  • [1] Akbar Khalilpour;Tugba Kilic;Saba Khalilpour;Mario Moisés Álvarez;Iman K Yazdi. Proteomic-based biomarker discovery for development of next generation diagnostics.. Applied microbiology and biotechnology(IF=4.3). 2017. PMID:28013407. DOI: 10.1007/s00253-016-8029-z.
  • [2] Bernardo C Vidal;Joseph V Bonventre;Stephen I-Hong Hsu. Towards the application of proteomics in renal disease diagnosis.. Clinical science (London, England : 1979)(IF=7.7). 2005. PMID:16232126. DOI: 10.1042/CS20050085.
  • [3] Ian Nordon;Ranjeet Brar;Robert Hinchliffe;Gillian Cockerill;Ian Loftus;Matt Thompson. The role of proteomic research in vascular disease.. Journal of vascular surgery(IF=3.6). 2009. PMID:19497525. DOI: 10.1016/j.jvs.2009.02.242.
  • [4] Maggie P Y Lam;Peipei Ping;Elizabeth Murphy. Proteomics Research in Cardiovascular Medicine and Biomarker Discovery.. Journal of the American College of Cardiology(IF=22.3). 2016. PMID:28007144. DOI: 10.1016/j.jacc.2016.10.031.
  • [5] Raed Abdullah Alharbi. Proteomics approach and techniques in identification of reliable biomarkers for diseases.. Saudi journal of biological sciences(IF=4.4). 2020. PMID:32127776. DOI: 10.1016/j.sjbs.2020.01.020.
  • [6] Ying Jiang;Jian Wang;Aihua Sun;Hongxing Zhang;Xiaobo Yu;Weijie Qin;Wantao Ying;Yanchang Li;Cheng Chang;Xiaowen Wang;Linhai Xie;Wei Liu;Jialin Liu;Xiaomei Zhang;Qunjiao Yan;Yu Zou;Chuanping Zhao;Haofan Sun;Jian Zhang;Shicheng Su;Qiang Gao;Fuchu He. The coming era of proteomics-driven precision medicine.. National science review(IF=17.1). 2025. PMID:40842868. DOI: 10.1093/nsr/nwaf278.
  • [7] Nilofer S Azad;Nabila Rasool;Christina M Annunziata;Lori Minasian;Gordon Whiteley;Elise C Kohn. Proteomics in clinical trials and practice: present uses and future promise.. Molecular & cellular proteomics : MCP(IF=5.5). 2006. PMID:16737951. DOI: 10.1074/mcp.R600008-MCP200.
  • [8] Fleur L Moseley;Katrina A Bicknell;Michael S Marber;Gavin Brooks. The use of proteomics to identify novel therapeutic targets for the treatment of disease.. The Journal of pharmacy and pharmacology(IF=3.2). 2007. PMID:17524226. DOI: 10.1211/jpp.59.5.0001.
  • [9] Thang V Pham;Sander R Piersma;Gideon Oudgenoeg;Connie R Jimenez. Label-free mass spectrometry-based proteomics for biomarker discovery and validation.. Expert review of molecular diagnostics(IF=3.6). 2012. PMID:22616700. DOI: 10.1586/erm.12.31.
  • [10] Pierluigi Mauri;Michaela Scigelova. Multidimensional protein identification technology for clinical proteomic analysis.. Clinical chemistry and laboratory medicine(IF=3.7). 2009. PMID:19527137. DOI: 10.1515/CCLM.2009.165.
  • [11] R Crameri. The potential of proteomics and peptidomics for allergy and asthma research.. Allergy(IF=12.0). 2005. PMID:16134987. DOI: 10.1111/j.1398-9995.2005.00873.x.
  • [12] Amit S Dhamoon;Elise C Kohn;Nilofer S Azad. The ongoing evolution of proteomics in malignancy.. Drug discovery today(IF=7.5). 2007. PMID:17826682. DOI: 10.1016/j.drudis.2007.07.015.
  • [13] Ayodele Alaiya;Mai Al-Mohanna;Stig Linder. Clinical cancer proteomics: promises and pitfalls.. Journal of proteome research(IF=3.6). 2005. PMID:16083271. DOI: 10.1021/pr050149f.
  • [14] Joanna Kisluk;Michal Ciborowski;Magdalena Niemira;Adam Kretowski;Jacek Niklinski. Proteomics biomarkers for non-small cell lung cancer.. Journal of pharmaceutical and biomedical analysis(IF=3.1). 2014. PMID:25175018. DOI: .
  • [15] Vladimir Brusic;Ovidiu Marina;Catherine J Wu;Ellis L Reinherz. Proteome informatics for cancer research: from molecules to clinic.. Proteomics(IF=3.9). 2007. PMID:17370257. DOI: 10.1002/pmic.200600965.
  • [16] Hwee Tong Tan;Yie Hou Lee;Maxey C M Chung. Cancer proteomics.. Mass spectrometry reviews(IF=6.6). 2012. PMID:22422534. DOI: 10.1002/mas.20356.
  • [17] Jiebai Zhou;Zhitu Zhu;Chunxue Bai;Hongzhi Sun;Xiangdong Wang. Proteomic profiling of lymphocytes in autoimmunity, inflammation and cancer.. Journal of translational medicine(IF=7.5). 2014. PMID:24397796. DOI: 10.1186/1479-5876-12-6.
  • [18] Wolfgang Hueber;William H Robinson. Proteomic biomarkers for autoimmune disease.. Proteomics(IF=3.9). 2006. PMID:16786488. DOI: 10.1002/pmic.200600017.
  • [19] Yune-Jung Park;Min Kyung Chung;Daehee Hwang;Wan-Uk Kim. Proteomics in Rheumatoid Arthritis Research.. Immune network(IF=4.1). 2015. PMID:26330803. DOI: 10.4110/in.2015.15.4.177.
  • [20] Mario Plebani;Marina Pittoni;Marilena Celadin;Daniela Bernardi;Monica Maria Mion. Recent advances in diagnostic technologies for autoimmune diseases.. Autoimmunity reviews(IF=8.3). 2009. PMID:18718878. DOI: 10.1016/j.autrev.2008.07.032.
  • [21] Javier Barallobre-Barreiro;Yuen-Li Chung;Manuel Mayr. Proteomics and metabolomics for mechanistic insights and biomarker discovery in cardiovascular disease.. Revista espanola de cardiologia (English ed.)(IF=4.9). 2013. PMID:24776335. DOI: .
  • [22] Daniel Martins-de-Souza. Proteomics, metabolomics, and protein interactomics in the characterization of the molecular features of major depressive disorder.. Dialogues in clinical neuroscience(IF=8.9). 2014. PMID:24733971. DOI: .
  • [23] Minnie Jacob;Andreas L Lopata;Majed Dasouki;Anas M Abdel Rahman. Metabolomics toward personalized medicine.. Mass spectrometry reviews(IF=6.6). 2019. PMID:29073341. DOI: 10.1002/mas.21548.
  • [24] Adrianna Radulska;Iwona Pelikant-Małecka;Kamila Jendernalik;Iwona T Dobrucki;Leszek Kalinowski. Proteomic and Metabolomic Changes in Psoriasis Preclinical and Clinical Aspects.. International journal of molecular sciences(IF=4.9). 2023. PMID:37298466. DOI: 10.3390/ijms24119507.
  • [25] Thomas P Conrads;Ming Zhou;Emmanuel F Petricoin;Lance Liotta;Timothy D Veenstra. Cancer diagnosis using proteomic patterns.. Expert review of molecular diagnostics(IF=3.6). 2003. PMID:12877381. DOI: 10.1586/14737159.3.4.411.
  • [26] G Currie;C Delles. Urinary Proteomics for Diagnosis and Monitoring of Diabetic Nephropathy.. Current diabetes reports(IF=6.4). 2016. PMID:27658932. DOI: 10.1007/s11892-016-0798-3.
  • [27] Luis M Teran;Rosalia Montes-Vizuet;Xinping Li;Thomas Franz. Respiratory proteomics: from descriptive studies to personalized medicine.. Journal of proteome research(IF=3.6). 2015. PMID:25382407. DOI: 10.1021/pr500935s.
  • [28] Timothy D Veenstra;Darue A Prieto;Thomas P Conrads. Proteomic patterns for early cancer detection.. Drug discovery today(IF=7.5). 2004. PMID:15475322. DOI: 10.1016/S1359-6446(04)03246-5.
  • [29] Robert E Gerszten;Frank Accurso;Gordon R Bernard;Richard M Caprioli;Eric W Klee;George G Klee;Iftikhar Kullo;Theresa A Laguna;Frederick P Roth;Marc Sabatine;Pothur Srinivas;Thomas J Wang;Lorraine B Ware. Challenges in translating plasma proteomics from bench to bedside: update from the NHLBI Clinical Proteomics Programs.. American journal of physiology. Lung cellular and molecular physiology(IF=3.5). 2008. PMID:18456800. DOI: 10.1152/ajplung.00044.2008.
  • [30] Harald Mischak;Elena Critselis;Samir Hanash;William M Gallagher;Antonia Vlahou;John P A Ioannidis. Epidemiologic design and analysis for proteomic studies: a primer on -omic technologies.. American journal of epidemiology(IF=4.8). 2015. PMID:25792606. DOI: 10.1093/aje/kwu462.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

蛋白质组学 · 生物标志物 · 质谱分析 · 个体化治疗 · 精准医学

© 2025 MaltSci 麦伴科研