♦ 基于血浆蛋白质组学发现高级别浆液性卵巢癌预后预测模型
图源：文章图片
该文首先收集了20例HGSOC病人术前或新辅助化疗前血浆样本，通过无进展生存时间是否大于18个月，将患者分为预后不良和预后良好两组（各10例），通过label-free蛋白质组学鉴定61个蛋白在预后不良组中显著上调。
同时结合该课题组关于卵巢组织中预后相关蛋白的发现（PMID: 32224886），挑选组织和血浆中均在预后不良组中上调的6个蛋白（GSN, VCAN, SND1, SIGLEC14, CD163, PRMT1）在202例验证队列中通过ELISA验证，发现GSN在两组间显著差异表达；同时GSN和VCAN表达量与预后显著相关。
随后，基于5个血浆蛋白生物标志物（SND1因在发现和验证队列中上下调相反而被排除）及临床信息通过回归模型和逐步选择法挑选其中4个特征：FIGO分期，术后残留，血浆GSN和VCAN表达量用于建模，预测患者是否会在术后18个月内复发。最终基于五折交叉验证，得到的模型AUC为0.779。
https://doi.org/10.1016/j.mcpro.2023.100502
♦ 人工智能在药物研发中的应用与技术—回顾AI制药领域的底层逻辑
图源：文章Figure
“AI制药” 虽然是近年来在资本市场逐渐成为了一个相对受人追捧的名词，但这一领域在学术界却已经历了数十年的发展，积累了相对丰富的技术储备。
尽管对于新型的数据形式和药物种类，现有的研究体系和工具可能尚需调整、打磨，但深入理解这一领域的已有逻辑和资源（包括技术目标、公开数据库及相关量化技术、AI模型的类型及功能等）及其相关局限性，是以蛋白质组为代表的组学技术切入AI制药领域的前提基础。
该综述集中介绍了AI在小分子药物研发领域的技术及相关应用，因内容更接近技术的底层逻辑而非简单的进展总结和罗列，具有良好的参考价值。
综述对AI制药领域的技术目标进行了逻辑性的概括，并对近年来的相关综述文献进行了整体的分类；罗列了领域内可用的公开数据集，介绍了化学分子的数字化模式，以及评估计算工具进行分子性质预测及生成能力的可用参考标准；同时，该综述将AI分析技术就模型架构（Model architecture）和学习范式（Learning paradigm）两个方面进行了详细介绍，非常适合领域的初学者以此为指引进行深入拓展学习。
https://doi.org/10.48550/arXiv.2106.05386
评论：张程
♦ 多能干细胞向肝细胞诱导分化过程的蛋白质组动态变化研究
图源：tum.de
图源：文章Abstract
原代人肝细胞被广泛用于评价药物的肝毒性，但原代人肝细胞数量少，培养难度大。干细胞来源的肝细胞被越来越多地讨论为替代品。
为了更好地了解诱导多能干细胞iPSCs向肝细胞分化过程中的时间序列（5个时间点）下的分子变化过程，作者采用标记定量蛋白质组学TMT方法跟踪~9000个蛋白、~12000个磷酸化位点和~800个乙酰化位点的表达。分析揭示了特定阶段的标记物，即肝内胚层与未成熟肝细胞样细胞之间的主要分子变换，例如，代谢、细胞周期、激酶活性和药物转运蛋白的表达。
将二维(2D)和三维(3D)来源的肝细胞与胎儿和成人肝脏的蛋白质组进行比较，表明体外模型的胎儿状态和重要ADME/Tox蛋白的低表达，并不能用于表征药物代谢动力学和毒理学的相关参数。
以上数据使构建肝细胞发育的分子路线图成为未来研究的宝贵资源。
评论：这篇文章作为一个资源性论文，从时间分辨率的多重蛋白质及其修饰组学的层面上进行剖析，其中联合了单细胞和转录组的数据分析，揭示了每个阶段的特点，和阶段与阶段之间切换时的多层次蛋白质组学的变化，进一步对2D和3D培养进行比较，最后落脚到药物的相关参数评价的具体实践指导价值的评估。
https://doi.org/10.1016/j.celrep.2022.110604
评论：孙耀庭
♦ inSPIRE：一个使用Prosit谱预测提高质谱识别率的开源工具
图源：文章Abstract
这篇文章开发了一个基于Prosit（Bernhard Kuster & Mathias Wilhelm在19年发表的基于深度学习的肽串联质谱proteome-wide预测DOI: 10.1038/s41592-019-0426-7）谱预测的开源工具（inSPIRE），从Mascot、PEAKS或MaxQuant等软件的搜索结果文件或中间文件中获取输入，并与Prosit进行交互，提高了质谱的识别率。
与Prosit相比，inSPIRE具有更高的灵活性和高效性，它能跟多种数据库兼容，并且允许多个文件的数据进行大规模的rescoring。
作者使用一组HLA-I immunopeptidome数据集，通过PSM鉴定比较，多肽识别精度（number of correctly identified peptides over number of identified peptides）和召回率（number of correctly identified peptides over number of correct peptides）等方面表明inSPIRE相比较Prosit具有一定的优势，在相同99%精度下，inSPIRE比Prosit的召回率最高提高了3%。
https://doi.org/10.1016/j.mcpro.2022.100432
评论：薛张芝
