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

空间蛋白质组学如何绘制蛋白质定位图？ ​

摘要 ​

空间蛋白质组学是一个新兴且快速发展的领域，旨在揭示细胞内蛋白质的空间分布及其动态变化。随着高通量技术的进步，该领域为基础研究和临床应用提供了新的视角和工具。蛋白质的亚细胞定位与其功能密切相关，并与多种疾病的发生发展息息相关。因此，深入研究蛋白质的空间分布能够帮助我们更好地理解疾病的本质，寻找新的生物标志物和治疗靶点。当前，空间蛋白质组学主要依赖于质谱技术和成像技术，这两种技术各有优势和挑战。质谱技术能够提供高通量的定量数据，但在解析复杂样本时面临数据分析的困难；而成像技术在空间分辨率上具有优势，但在样本处理和数据获取方面存在一定的局限性。近年来，机器学习等新兴技术的应用显著提升了数据分析的能力，但如何有效整合多种数据来源以提高分析的准确性和可靠性，仍是当前研究的热点。本综述报告系统回顾了空间蛋白质组学的最新进展，包括其基础概念、主要技术平台、在生物医学研究中的应用以及未来发展趋势。我们希望通过这些内容的回顾，为研究人员提供一个全面的视角，促进空间蛋白质组学在基础研究和临床应用中的进一步发展。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 空间蛋白质组学的基础概念
    • 2.1 空间蛋白质组学的定义与发展历程
    • 2.2 主要技术平台概述
  • 3 蛋白质定位的技术方法
    • 3.1 质谱技术在空间蛋白质组学中的应用
    • 3.2 成像技术的进展与挑战
  • 4 空间蛋白质组学在生物医学研究中的应用
    • 4.1 在细胞信号转导中的应用
    • 4.2 在疾病机制研究中的应用
  • 5 空间蛋白质组学的未来发展趋势
    • 5.1 新兴技术的整合与创新
    • 5.2 临床应用前景
  • 6 总结

1 引言 ​

空间蛋白质组学是一个新兴且快速发展的领域，旨在揭示细胞内蛋白质的空间分布及其动态变化。这一研究方向的重要性体现在其对细胞功能、信号转导以及疾病机制的深入理解上。随着高通量技术的进步，空间蛋白质组学不仅为基础研究提供了新的工具和视角，也为临床诊断和治疗开辟了新的途径。近年来，研究者们通过结合质谱分析和成像技术，能够在亚细胞层面获取大量的蛋白质定位信息，从而揭示蛋白质在细胞内的相互作用和动态变化[1][2]。

研究蛋白质的空间定位具有重要的生物学意义。蛋白质的亚细胞定位不仅与其功能密切相关，还与多种疾病的发生发展息息相关。例如，许多癌症的病理机制与特定蛋白质的异常定位密切相关[3]。因此，深入研究蛋白质的空间分布能够帮助我们更好地理解疾病的本质，寻找新的生物标志物和治疗靶点。

当前，空间蛋白质组学的研究现状表明，虽然已经取得了一些重要进展，但仍面临诸多挑战。现有的技术主要包括质谱技术和成像技术。质谱技术能够提供高通量的定量数据，但在解析复杂样本时，数据分析的难度依然较大[4][5]。而成像技术则在空间分辨率上具有优势，但在样本处理和数据获取方面存在一定的局限性[6]。随着机器学习等新兴技术的应用，数据分析的能力得到了显著提升，但如何有效整合多种数据来源以提高分析的准确性和可靠性，仍是当前研究的热点[7]。

本综述报告将系统回顾空间蛋白质组学的最新进展，内容组织如下：首先，我们将介绍空间蛋白质组学的基础概念，包括其定义和发展历程，以及主要技术平台的概述。接着，我们将详细探讨蛋白质定位的技术方法，重点分析质谱技术和成像技术在空间蛋白质组学中的应用及其各自的优势与挑战。随后，我们将探讨空间蛋白质组学在生物医学研究中的应用，特别是在细胞信号转导和疾病机制研究中的实际案例。最后，我们将展望空间蛋白质组学的未来发展趋势，讨论新兴技术的整合与创新，以及其在临床应用中的前景。

通过对这些内容的系统回顾，我们希望为研究人员提供一个全面的视角，促进空间蛋白质组学在基础研究和临床应用中的进一步发展。

2 空间蛋白质组学的基础概念 ​

2.1 空间蛋白质组学的定义与发展历程 ​

空间蛋白质组学是一种研究蛋白质在细胞内和组织中空间分布及其动态变化的学科。其核心概念在于通过高通量技术，尤其是质谱分析和成像技术，来确定蛋白质的亚细胞定位。这一领域的迅速发展得益于显微镜技术、质谱技术和机器学习应用的重大进步，使得对蛋白质空间分布的全面研究成为可能。

空间蛋白质组学的定义是通过分析细胞内蛋白质的空间定位和动态变化，揭示其在生物过程中所发挥的功能。研究表明，蛋白质的亚细胞定位与多种细胞过程和疾病进展密切相关，因此了解蛋白质在不同细胞状态和类型中的位置变化，以及在扰动后的重新定位，对于理解其功能和相关的细胞过程及病理至关重要[8]。

空间蛋白质组学的发展历程可以追溯到传统的细胞分馏和显微镜技术，这些方法虽然有效，但其通量低且仅限于已知组分的分析。近年来，基于质谱的空间蛋白质组学方法（称为“空间蛋白质组学”）的出现，使得可以对来自细胞的整体提取物进行分析，通过重组不同标记的亚细胞分馏来测量蛋白质在细胞内的相对分布[4]。这种方法不仅提高了分析的通量和无偏性，还允许对细胞在不同生理和实验扰动下的蛋白质定位变化进行比较，从而更好地理解细胞如何响应DNA损伤等外部信号[4]。

空间蛋白质组学的主要方法包括荧光成像、蛋白质邻近标记、细胞广泛生化分馏和细胞器纯化等。这些技术的工作流程和数据输出各有不同，适用于不同的细胞生物学场景，但也存在一定的局限性[8]。近年来，机器学习在空间蛋白质组学中的应用日益广泛，它能够处理复杂的数据集，提高数据分析的可靠性和准确性[1]。

在实际应用中，空间蛋白质组学不仅限于基础研究，还逐渐扩展到临床研究领域。例如，在乳腺癌研究中，空间蛋白质组学被用来理解肿瘤组织内细胞异质性的生物学过程，帮助识别早期诊断生物标志物和治疗靶点[3]。通过比较不同的空间蛋白质组学方法，可以为生物医学研究提供更深入的见解，从而推动新疗法的开发和临床应用[3]。

总之，空间蛋白质组学作为一个快速发展的领域，通过整合先进的技术和方法，为理解细胞生物学和疾病机制提供了强有力的工具。

2.2 主要技术平台概述 ​

空间蛋白质组学是一种研究蛋白质在细胞内和组织中的定位及其动态变化的技术，旨在揭示蛋白质的空间分布如何影响其功能及相关的生物过程。空间蛋白质组学的基本概念在于，蛋白质的亚细胞定位是其功能的关键决定因素，而这种定位又与多种生理和病理过程密切相关[2]。

在空间蛋白质组学的研究中，主要采用以下几种技术平台：

  1. 质谱法（Mass Spectrometry, MS）：质谱法是空间蛋白质组学的核心技术之一。通过结合细胞分级和蛋白质标记的方法，研究者能够定量分析不同亚细胞区室中蛋白质的分布。例如，Boisvert等人（2010年）采用质谱法对HCT116细胞中的2000多种蛋白质的相对分布进行了测定，揭示了在稳态条件下，蛋白质主要集中在特定的亚细胞位置[4]。

  2. 成像技术：成像技术，如荧光显微镜和电子显微镜，能够提供蛋白质在细胞内的高分辨率图像，帮助研究者直观地观察蛋白质的分布。例如，Lundberg和Borner（2019年）指出，随着显微镜和数据分析技术的进步，空间蛋白质组学的研究已经能够在细胞层面进行广泛的蛋白质定位调查[2]。

  3. 多组学整合：近年来，随着机器学习和数据整合技术的发展，空间蛋白质组学也开始借助于多种数据源进行分析。例如，Breckels等人（2016年）提出了一种基于转移学习的分类框架，利用多种实验数据源来改善亚细胞蛋白质的分配精度[5]。这种方法能够将来自不同实验和数据源的信息整合在一起，提升对蛋白质定位的准确性。

  4. 定量标记技术：如TMT（Tandem Mass Tag）和SILAC（Stable Isotope Labeling with Amino Acids in Cell Culture），这些技术允许在同一实验中对不同样本进行比较分析。Xu等人（2024年）开发的“SPOT”方法通过在组织切片上直接标记蛋白质，结合定量质谱技术，提供了一种新的空间蛋白质组学分析方式[9]。

空间蛋白质组学的技术平台不断演进，结合了多种分析手段和算法，以应对生物系统的复杂性。通过这些技术，研究者能够深入理解蛋白质在细胞和组织中的空间分布及其生物学意义，为疾病机制的研究和新疗法的开发提供重要依据[1][3]。

3 蛋白质定位的技术方法 ​

3.1 质谱技术在空间蛋白质组学中的应用 ​

空间蛋白质组学是研究蛋白质在细胞内及其周围组织中的定位和动态变化的重要领域。质谱技术在这一领域的应用极为广泛，主要通过高通量的定量分析手段来实现对蛋白质分布的精准映射。

质谱基础的空间蛋白质组学方法能够在细胞和组织层面上获取蛋白质的定位信息。通过对不同亚细胞组分进行质量标记和分离，研究者可以定量分析蛋白质在细胞内的分布。例如，Boisvert等人（2010年）利用质谱技术对HCT116细胞中2000多种蛋白质的相对分布进行了测量，结果显示在稳态条件下，蛋白质主要集中在特定的亚细胞位置，只有少量蛋白质在两个或多个区室中均匀分布[4]。

近年来，质谱成像技术（如MALDI-MSI）在空间蛋白质组学中的应用也取得了显著进展。MALDI-MSI允许直接检测和记录组织中蛋白质的丰度和分布，同时保持空间分布和组织学的完整性，这为复杂组织的无偏分析提供了可能[10]。例如，Piehowski等人（2020年）展示了一种自动化的方法，能够在小鼠子宫组织切片上以100微米的空间分辨率分析超过2000种蛋白质的分布[11]。

此外，机器学习的引入进一步增强了空间蛋白质组学的分析能力。通过整合来自不同实验数据源的信息，研究者能够更准确地预测蛋白质的亚细胞定位。Wang等人（2023年）提出了一种名为DeepSP的深度学习框架，用于从质谱数据集中预测蛋白质的亚细胞定位，显著提高了预测的准确性和稳健性[12]。

总之，质谱技术在空间蛋白质组学中的应用，不仅提供了高通量的蛋白质定位数据，还通过结合机器学习等先进分析方法，提高了数据分析的深度和广度，使得对蛋白质在细胞和组织中分布的理解更加全面。这些技术的结合为揭示生物学过程和疾病机制提供了强有力的工具。

3.2 成像技术的进展与挑战 ​

空间蛋白质组学通过多种技术方法对蛋白质的定位进行映射，主要依赖于质谱和成像技术的结合，以实现高分辨率的蛋白质分布和动态变化的分析。以下是对这些技术方法的详细探讨，包括其进展与面临的挑战。

空间蛋白质组学的核心在于通过质谱（MS）和成像技术获取大规模的空间蛋白质组数据。质谱技术，尤其是基质辅助激光解吸/电离质谱成像（MALDI-MSI），在这一领域中发挥了重要作用。MALDI-MSI能够直接检测和记录组织中蛋白质的丰度和分布，同时保持空间分布和组织学特征，使得复杂异质组织的无偏分析成为可能[10]。然而，MALDI-MSI在同时进行肽段定量和鉴定时仍面临挑战，尤其是在处理高通量数据时。

成像技术的进展为空间蛋白质组学提供了新的视角。通过高分辨率的荧光成像，研究人员能够在细胞或亚细胞水平上捕捉蛋白质的空间分布[2]。此外，基于抗体的成像方法结合质谱技术，使得在组织切片中识别特定蛋白质的空间定位成为可能[13]。这种结合的技术能够实现对复杂组织的高通量分析，提供对不同细胞类型和状态的深入理解。

然而，尽管空间蛋白质组学在技术上取得了显著进展，仍然存在一些挑战。首先，当前的方法在样本处理、通量和蛋白质覆盖率之间存在权衡，这限制了其在临床和基础研究中的广泛应用[13]。其次，如何有效地整合成像数据与质谱数据，以实现单细胞分辨率的蛋白质丰度测量，仍然是一个亟待解决的问题[14]。此外，动态蛋白质重新定位和多重定位的研究也面临着分析方法的限制，需要新的统计模型和计算工具来克服这些挑战[15]。

综上所述，空间蛋白质组学通过质谱和成像技术的结合，正在不断推动对蛋白质定位的理解，尽管在应用过程中仍需面对多方面的挑战。未来的研究将需要继续探索新的技术创新，以提高空间蛋白质组学的准确性和实用性，从而更好地服务于细胞生物学和医学研究。

4 空间蛋白质组学在生物医学研究中的应用 ​

4.1 在细胞信号转导中的应用 ​

空间蛋白质组学是一个重要的研究领域，致力于揭示蛋白质在细胞内的定位和动态变化，进而理解其在生物医学研究中的应用，尤其是在细胞信号转导中的作用。空间蛋白质组学通过多种技术手段，尤其是质谱法和成像技术，能够高效地获取蛋白质在细胞和组织中的空间分布信息。

空间蛋白质组学的基本方法包括质谱（MS）基础的和成像基础的实验技术。这些技术能够生成大规模的空间蛋白质组数据，从而支持对复杂生物系统的分析。具体而言，质谱基础的方法通过分析细胞提取物，能够定量测定细胞内不同亚细胞区域的蛋白质分布。例如，Boisvert等人（2010年）采用质谱基础的空间蛋白质组学方法，分析了HCT116细胞中超过2000种蛋白质在细胞质、细胞核和核仁中的相对分布[4]。这项研究表明，蛋白质在亚细胞位置的分布是高度特异的，并且在细胞应对DNA损伤的过程中，蛋白质的定位会发生显著变化。

此外，空间蛋白质组学在肿瘤生物学中的应用也展现了其重要性。例如，Brožová等人（2023年）强调了空间蛋白质组学在乳腺癌研究中的潜力，指出其能够帮助识别早期诊断生物标志物和治疗靶点，并理解蛋白质表达水平及其修饰对细胞异质性的影响[3]。通过分析乳腺癌组织中蛋白质的空间定位，研究人员可以更好地理解肿瘤微环境及其在疾病进展中的作用。

在细胞信号转导的研究中，空间蛋白质组学能够揭示信号分子在细胞内的动态变化及其相互作用。例如，Lundberg和Borner（2019年）指出，蛋白质的亚细胞定位与其功能密切相关，而空间蛋白质组学的进展使得研究者能够探讨蛋白质在信号转导过程中如何在不同亚细胞区室之间转移[2]。这种动态变化不仅影响细胞的信号传导效率，还可能在疾病状态下导致信号通路的异常激活或抑制，从而引发各种病理变化。

总之，空间蛋白质组学通过其独特的技术手段，能够有效地映射蛋白质的定位，为理解细胞信号转导及其在生物医学研究中的应用提供了强有力的工具。这一领域的持续发展，将为我们揭示更复杂的生物过程及其在疾病中的作用提供新的视角。

4.2 在疾病机制研究中的应用 ​

空间蛋白质组学是一种研究蛋白质在细胞内和组织中的定位与动态变化的跨学科领域，其应用在生物医学研究中尤为重要，尤其是在疾病机制的研究方面。空间蛋白质组学的核心在于高效捕获和分析蛋白质的亚细胞定位，以便深入理解细胞生物学和相关疾病的机制。

首先，空间蛋白质组学通过质谱（MS）和成像等实验方法获取大规模的空间蛋白质组数据。这些数据能够揭示蛋白质在不同细胞部位的分布及其随时间的动态变化。例如，Boisvert等（2010年）利用质谱基础的空间蛋白质组学，分析了HCT116细胞中2000多种蛋白质在细胞质、细胞核和核仁之间的相对分布，并揭示了在DNA损伤条件下蛋白质定位的动态变化[4]。

其次，空间蛋白质组学为理解疾病机制提供了新的视角。以乳腺癌为例，Brožová等（2023年）指出，乳腺癌的异质性是治疗中的主要挑战，而空间蛋白质组学可以帮助识别早期诊断生物标志物和治疗靶点，从而揭示细胞内的生物过程与疾病进展之间的关系[3]。通过比较不同的空间蛋白质组学方法，包括无偏和有偏策略，可以获得关于蛋白质定位和表达水平的全面理解，从而推动临床研究的应用。

此外，空间蛋白质组学还在炎症性肠病及相关结直肠癌的研究中展现出其潜力。Zhang等（2025年）讨论了时空蛋白质组学如何在不同生理或病理条件下进行大规模筛查和分析，从而描绘分子分布和表达变化的精确景观。这些技术能够帮助研究者分析蛋白质在不同细胞类型和状态下的分布，进而揭示其在疾病机制中的作用[16]。

空间蛋白质组学的成功应用依赖于高分辨率的成像技术、质谱技术以及机器学习算法的结合。这些技术的进步使得研究者能够在单细胞水平上捕捉蛋白质的空间分布，提供了细胞类型之间、细胞内结构之间以及细胞与微环境之间相互作用的深入理解。例如，Lundberg和Borner（2019年）强调了通过空间蛋白质组学对人类蛋白质组的研究，揭示了复杂的细胞架构和动态蛋白质转位[2]。

总之，空间蛋白质组学不仅为理解蛋白质的亚细胞定位提供了强有力的工具，也为疾病机制的研究提供了新的视角，促进了生物医学领域的进步。随着技术的不断发展，空间蛋白质组学将在临床研究和药物发现中发挥越来越重要的作用。

5 空间蛋白质组学的未来发展趋势 ​

5.1 新兴技术的整合与创新 ​

空间蛋白质组学是一个快速发展的领域，旨在通过多种技术手段描绘细胞内蛋白质的定位和动态变化。该领域的未来发展趋势主要集中在以下几个方面：新兴技术的整合与创新、数据分析方法的进步以及临床应用的拓展。

首先，空间蛋白质组学通过结合质谱和成像技术，能够实现对蛋白质在细胞内的分布进行高分辨率的定量分析。现有的研究表明，质谱基础的空间蛋白质组学方法可以捕获数千种蛋白质的亚细胞分布，例如在HCT116细胞中，研究者通过空间蛋白质组学方法分析了超过2000种蛋白质在细胞质、细胞核和核仁中的相对分布[4]。随着成像技术的进步，如单细胞成像和多重标记技术的应用，空间蛋白质组学能够在单细胞分辨率下提供更为详尽的蛋白质定位图谱[17]。

其次，数据分析方法的创新也在推动空间蛋白质组学的发展。近年来，机器学习技术在空间蛋白质组学数据分析中的应用日益广泛，这些方法能够处理复杂的蛋白质定位数据，并揭示动态重定位的规律[1]。例如，Bayesian建模被提出作为一种有效的分析框架，以量化蛋白质在不同亚细胞位置的分布不确定性，提供更深入的生物学见解[7]。

此外，空间蛋白质组学的临床应用也在不断扩展。针对特定疾病（如乳腺癌）的研究显示，空间蛋白质组学能够帮助识别早期诊断生物标志物和治疗靶点，从而改善患者的治疗效果[3]。通过高分辨率的蛋白质定位图谱，研究者能够更好地理解细胞异质性及其在疾病进展中的作用[18]。

综上所述，空间蛋白质组学的未来发展将继续朝着技术整合、数据分析创新和临床应用拓展的方向迈进。随着新技术的不断涌现和已有技术的改进，空间蛋白质组学有望在细胞生物学和医学研究中发挥更为重要的作用。

5.2 临床应用前景 ​

空间蛋白质组学是一种重要的技术，旨在研究蛋白质在细胞内的定位及其动态变化。该领域近年来得到了广泛关注，尤其是在理解细胞异质性和疾病进展方面具有重要意义。空间蛋白质组学的主要方法包括基于质谱的技术和成像技术，这些方法能够生成大规模的空间蛋白质组数据[1]。

在空间蛋白质组学中，蛋白质的亚细胞定位是关键因素之一，因为它与蛋白质的生理功能密切相关。研究者通过高分辨率的成像和质谱技术，可以获得蛋白质在细胞内的精确分布。这些技术的进步使得科学家能够在单细胞水平上描绘出细胞的分子景观，从而揭示细胞内部复杂的相互作用网络和动态变化[2]。

空间蛋白质组学的未来发展趋势主要集中在以下几个方面：

  1. 技术整合与创新：随着新技术的不断涌现，空间蛋白质组学将更多地结合其他组学技术，如转录组学和代谢组学，形成多组学整合的研究策略。这种整合将有助于更全面地理解细胞的生物学过程和疾病机制[19]。

  2. 高通量与高分辨率：未来的研究将侧重于提高空间蛋白质组学的通量和分辨率，使其能够在更大范围内进行细致的蛋白质定位分析。这将涉及新型质谱技术和成像技术的开发，例如数字空间分析和高分辨率成像[16]。

  3. 临床应用的拓展：空间蛋白质组学在临床上的应用前景广阔，尤其是在癌症和其他复杂疾病的研究中。通过识别早期诊断生物标志物和治疗靶点，空间蛋白质组学能够为个性化医疗提供重要的信息。此外，空间蛋白质组学技术还可用于监测疾病进展和治疗反应，从而推动精准医学的发展[3]。

  4. 算法与数据分析：随着数据复杂性的增加，机器学习和人工智能将在空间蛋白质组学的数据分析中发挥越来越重要的作用。这些技术将有助于处理和解析大规模的空间蛋白质组数据，进而提取有价值的生物学信息[1]。

总之，空间蛋白质组学在揭示细胞生物学及其在疾病中的作用方面具有巨大的潜力。随着技术的不断进步和应用范围的扩展，空间蛋白质组学有望在基础研究和临床应用中发挥更为重要的作用。

6 总结 ​

空间蛋白质组学的研究揭示了蛋白质在细胞内的空间分布及其动态变化，具有重要的生物学意义。通过质谱和成像技术的结合，研究者能够在亚细胞层面获取大量的蛋白质定位信息，为理解细胞功能和疾病机制提供了强有力的工具。目前，该领域已经取得了一些重要进展，但仍面临技术整合、数据分析和临床应用等方面的挑战。未来的研究方向将集中在新兴技术的整合与创新、数据分析方法的进步以及临床应用的拓展上，以期推动空间蛋白质组学在基础研究和临床医学中的进一步发展。

参考文献 ​

  • [1] Minjie Mou;Ziqi Pan;Mingkun Lu;Huaicheng Sun;Yunxia Wang;Yongchao Luo;Feng Zhu. Application of Machine Learning in Spatial Proteomics.. Journal of chemical information and modeling(IF=5.3). 2022. PMID:36378082. DOI: 10.1021/acs.jcim.2c01161.
  • [2] Emma Lundberg;Georg H H Borner. Spatial proteomics: a powerful discovery tool for cell biology.. Nature reviews. Molecular cell biology(IF=90.2). 2019. PMID:30659282. DOI: 10.1038/s41580-018-0094-y.
  • [3] Klára Brožová;Brigitte Hantusch;Lukas Kenner;Klaus Kratochwill. Spatial Proteomics for the Molecular Characterization of Breast Cancer.. Proteomes(IF=3.6). 2023. PMID:37218922. DOI: 10.3390/proteomes11020017.
  • [4] François-Michel Boisvert;Yun Wah Lam;Douglas Lamont;Angus I Lamond. A quantitative proteomics analysis of subcellular proteome localization and changes induced by DNA damage.. Molecular & cellular proteomics : MCP(IF=5.5). 2010. PMID:20026476. DOI: 10.1074/mcp.M900429-MCP200.
  • [5] Lisa M Breckels;Sean B Holden;David Wojnar;Claire M Mulvey;Andy Christoforou;Arnoud Groen;Matthew W B Trotter;Oliver Kohlbacher;Kathryn S Lilley;Laurent Gatto. Learning from Heterogeneous Data Sources: An Application in Spatial Proteomics.. PLoS computational biology(IF=3.6). 2016. PMID:27175778. DOI: 10.1371/journal.pcbi.1004920.
  • [6] Laurent Gatto;Lisa M Breckels;Kathryn S Lilley. Assessing sub-cellular resolution in spatial proteomics experiments.. Current opinion in chemical biology(IF=6.1). 2019. PMID:30711721. DOI: 10.1016/j.cbpa.2018.11.015.
  • [7] Oliver M Crook;Claire M Mulvey;Paul D W Kirk;Kathryn S Lilley;Laurent Gatto. A Bayesian mixture modelling approach for spatial proteomics.. PLoS computational biology(IF=3.6). 2018. PMID:30481170. DOI: 10.1371/journal.pcbi.1006516.
  • [8] Josie A Christopher;Charlotte Stadler;Claire E Martin;Marcel Morgenstern;Yanbo Pan;Cora N Betsinger;David G Rattray;Diana Mahdessian;Anne-Claude Gingras;Bettina Warscheid;Janne Lehtiö;Ileana M Cristea;Leonard J Foster;Andrew Emili;Kathryn S Lilley. Subcellular proteomics.. Nature reviews. Methods primers(IF=56.0). 2021. PMID:34549195. DOI: 10.1038/s43586-021-00029-y.
  • [9] Yuanwei Xu;T Mamie Lih;Angelo M De Marzo;Qing Kay Li;Hui Zhang. SPOT: spatial proteomics through on-site tissue-protein-labeling.. Clinical proteomics(IF=3.3). 2024. PMID:39443867. DOI: 10.1186/s12014-024-09505-5.
  • [10] G Guo;M Papanicolaou;N J Demarais;Z Wang;K L Schey;P Timpson;T R Cox;A C Grey. Automated annotation and visualisation of high-resolution spatial proteomic mass spectrometry imaging data using HIT-MAP.. Nature communications(IF=15.7). 2021. PMID:34050164. DOI: 10.1038/s41467-021-23461-w.
  • [11] Paul D Piehowski;Ying Zhu;Lisa M Bramer;Kelly G Stratton;Rui Zhao;Daniel J Orton;Ronald J Moore;Jia Yuan;Hugh D Mitchell;Yuqian Gao;Bobbie-Jo M Webb-Robertson;Sudhansu K Dey;Ryan T Kelly;Kristin E Burnum-Johnson. Automated mass spectrometry imaging of over 2000 proteins from tissue sections at 100-μm spatial resolution.. Nature communications(IF=15.7). 2020. PMID:31911630. DOI: 10.1038/s41467-019-13858-z.
  • [12] Bing Wang;Xiangzheng Zhang;Chen Xu;Xudong Han;Yue Wang;Chenghao Situ;Yan Li;Xuejiang Guo. DeepSP: A Deep Learning Framework for Spatial Proteomics.. Journal of proteome research(IF=3.6). 2023. PMID:37314414. DOI: 10.1021/acs.jproteome.2c00394.
  • [13] Yiheng Mao;Yuan Li;Zhendong Zheng;Yanfen Xu;Mi Ke;An He;Fuchao Liang;Keren Zhang;Xi Wang;Weina Gao;Ruijun Tian. All-at-once spatial proteome profiling of complex tissue context with single-cell-type resolution by proximity proteomics.. Cell systems(IF=7.7). 2025. PMID:40345200. DOI: 10.1016/j.cels.2025.101291.
  • [14] Andreas Mund;Fabian Coscia;András Kriston;Réka Hollandi;Ferenc Kovács;Andreas-David Brunner;Ede Migh;Lisa Schweizer;Alberto Santos;Michael Bzorek;Soraya Naimy;Lise Mette Rahbek-Gjerdrum;Beatrice Dyring-Andersen;Jutta Bulkescher;Claudia Lukas;Mark Adam Eckert;Ernst Lengyel;Christian Gnann;Emma Lundberg;Peter Horvath;Matthias Mann. Deep Visual Proteomics defines single-cell identity and heterogeneity.. Nature biotechnology(IF=41.7). 2022. PMID:35590073. DOI: 10.1038/s41587-022-01302-5.
  • [15] Oliver M Crook;Tom Smith;Mohamed Elzek;Kathryn S Lilley. Moving Profiling Spatial Proteomics Beyond Discrete Classification.. Proteomics(IF=3.9). 2020. PMID:32558233. DOI: 10.1002/pmic.201900392.
  • [16] Pengfei Zhang;Xiaohua Tang;Francis Atim Akanyibah;Suping Du;Fei Mao. Spatiotemporal Proteomics: Unveiling Evolving Molecular Landscapes in Inflammatory Bowel Disease and Associated Colorectal Cancer.. Laboratory investigation; a journal of technical methods and pathology(IF=4.2). 2025. PMID:41177255. DOI: 10.1016/j.labinv.2025.104256.
  • [17] Tiangang Wang;Xuanmin Chen;Yujuan Han;Jiahao Yi;Xi Liu;Pora Kim;Liyu Huang;Kexin Huang;Xiaobo Zhou. scProAtlas: an atlas of multiplexed single-cell spatial proteomics imaging in human tissues.. Nucleic acids research(IF=13.1). 2025. PMID:39526396. DOI: 10.1093/nar/gkae990.
  • [18] Ana Martinez-Val;Dorte B Bekker-Jensen;Sophia Steigerwald;Claire Koenig;Ole Østergaard;Adi Mehta;Trung Tran;Krzysztof Sikorski;Estefanía Torres-Vega;Ewa Kwasniewicz;Sólveig Hlín Brynjólfsdóttir;Lisa B Frankel;Rasmus Kjøbsted;Nicolai Krogh;Alicia Lundby;Simon Bekker-Jensen;Fridtjof Lund-Johansen;Jesper V Olsen. Spatial-proteomics reveals phospho-signaling dynamics at subcellular resolution.. Nature communications(IF=15.7). 2021. PMID:34876567. DOI: 10.1038/s41467-021-27398-y.
  • [19] Tiannan Guo;Judith A Steen;Matthias Mann. Mass-spectrometry-based proteomics: from single cells to clinical applications.. Nature(IF=48.5). 2025. PMID:40011722. DOI: 10.1038/s41586-025-08584-0.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

空间蛋白质组学 · 蛋白质定位 · 质谱技术 · 成像技术 · 机器学习

© 2025 MaltSci 麦伴科研