分享一篇發表在Analytical Chemistry上的文章，文章的題目為“Full Window Data-Independent Acquisition Method for Deeper Top-Down Proteomics”，通訊作者為來自北京理工大學的徐偉教授，其研究方向為質譜儀器與分析，結構蛋白質組學。
蛋白質變體是特定基因產生的多種蛋白質形式，在生物進化和生命活動調節中至關重要。TDP通過分析完整的蛋白質，為蛋白質組提供全面視角，在蛋白質異構體表征方面應用廣泛。目前TDP主要采用DDA技術，但該技術因前體離子選擇的隨機性，難以檢測低豐度離子。同時，電噴霧電離產生的蛋白質離子多為多電荷態，前體離子隔離會降低片段離子強度，導致重現性低、信息丟失，影響蛋白質組分析的準確性和全面性。
DIA在自下而上蛋白質組學中取得顯著成果，具有高通量、無偏分析等優點。然而，由于TDP中蛋白質離子在電噴霧質譜中的獨特性質，以及數據分析的復雜性，現有DIA方法難以直接應用于TDP。因此，本研究提出一種機器學習輔助的全窗口數據非依賴采集（FW-DIA）方法，該方法無需對前體離子進行分離，能利用所有前體蛋白離子生成高質量的串聯質譜。
與傳統TD-DDA相比，FW-DIA模式下細胞色素C的串聯質譜片段離子信號增強>50倍 ，序列覆蓋率從7.7%提高到24.3%（>3倍提升）。兩種方法都發現細胞色素C存在乙?；脱t素基團，但DIA模式下含翻譯后修飾（PTM）的氨基酸位置范圍更集中。
?作者應用FW-DIA模式對五蛋白混合物進行分析，不僅成功鑒定出所有五種蛋白質，且提高了序列覆蓋率。例如，溶菌酶的序列覆蓋率從10.6%提升到49.0%。
大腸桿菌核糖體蛋白分析：FW-DIA鑒定出大腸桿菌55種核糖體蛋白中的54 種，而傳統DDA僅鑒定出24種。FW-DIA的最大序列覆蓋率約為67%，還鑒定出多種蛋白質異構體和PTM，如N-末端甲硫氨酸切除、乙酰化和甲基化等。
總之，本論文開發了FW-DIA方法，無需設置前體離子隔離窗口，可增強片段離子強度和多樣性。通過機器學習輔助的去噪模塊和整合多種解卷積方法，提高了質譜解卷積效果。離子配對策略減少了前體選擇偏差，在蛋白質鑒定、序列覆蓋和PTM位點識別方面優于 DDA。
本文作者：LJF
責任編輯：LZ
DOI：10.1021/acs.analchem.4c06471
原文鏈接：https://doi.org/10.1021/acs.analchem.4c06471
