PLATO——探索空間蛋白質組學的變革性平臺。

中國科學院動物研究所趙方慶、冀培豐團隊共同合作，融合人工智能算法、微流控和空間蛋白質組學等技術，并提出人工智能驅動的空間蛋白組學分析技術框架——跨組學數據的并行流投影和遷移學習（PLATO, parallel-flow projection and transfer learning across omics data）。這一成果于2025年1月23日在線發表在《cell》雜志。

圖1. 人工智能驅動的空間蛋白組學分析技術框架——PLATO。

文章亮點

? PLATO可以實現跨整個組織的高分辨率空間蛋白質組學

? 使用質譜法和微流體技術對數千種蛋白質進行空間分析

? 多種組織兼容，從模式生物到人類樣本

? 識別人類乳腺癌中不同的腫瘤亞型和失調蛋白

技術簡介——PLATO框架

PLATO工作流程主要包括平行數據采集和基于人工智能算法的數據分析（圖2）。首行三個連續的冷凍組織切片開始：中間切片用于通過組織學染色或空間組學（例如，空間轉錄組學）生成參考組學數據，而個和一個切片在不同角度進行基于微流體的蛋白質組學分析。每個切片被平行微通道覆蓋，在片上消化后，肽被收集用于LC-MS/MS分析。這些測量被稱為平行流投影，類似于基于射線的斷層掃描。

為了重建蛋白質的空間分布，研究者開發了Flow2Spatial，這是一種遷移學習算法，利用參考組學數據來訓練深度學習模型，用于從平行流預測中預測蛋白質分布。Flow2Spatial并不僅僅依賴于mRNA-蛋白的相關性，而是利用聚類特征和正交投影來推斷空間蛋白質模式。

圖2. PLATO框架的設計與實驗驗證

基于PLATO框架的研究成果

小鼠小腦空間蛋白質組學圖譜

研究者收集了236個組織體素（~100×100×10μm）用于基于激光捕獲顯微解剖（LCM）的空間蛋白質組學（圖3）。除去異常值后，LC-MS/MS分析平均得到1849個蛋白質組。比較PLATO和LCM之間的空間蛋白質組時，觀察到大腦區域之間有很強的Spearman相關性：分子層（0.89）、顆粒層（0.87）、纖維束（0.82）和側隱窩（0.74）。這些相關性與同一地區LCM樣本中觀察到的基線Spearman系數0.80密切匹配。值得注意的是，區域邊界（分子層和顆粒層：0.89，顆粒層和纖維束：0.86）也保持了很高的相關性。20個區域富集蛋白的IF染色證實了它們的空間分布與Flow2Spatial重建結果緊密一致。PLATO與相應的LCM樣本表現出高表達相關性，確證了Flow2Spatial重建的性，這表明PLATO可靠地繪制了蛋白質的解剖位置，具有很高的性。

圖3. 基于PLATO框架的小鼠小腦空間蛋白質組學圖譜。

基于PLATO框架的人乳腺癌空間蛋白質組學圖譜

研究者繪制了一位77歲女性乳腺癌患者的新鮮冷凍乳腺癌樣本的空間蛋白質組圖譜（圖4），該患者被診斷為HER2⁺、ER 70%、PR^?。PLATO使用具有70個平行通道的微流控芯片，每個通道寬25 μm，從兩個角度識別每個通道約4,000個蛋白質基團。聚類分析顯示三個不同的空間聚類：兩個腫瘤區域和一個相鄰區域，與病理學注釋很好地對齊。LCM -蛋白質組分析，收集了145個組織體素（~100×100×10μm）。在腫瘤區域平均每體素發現3500個蛋白，明顯多于相鄰區域。在所有區域（腫瘤1:0.82，腫瘤2:0.85，鄰近：0.81），PLATO和LCM結果之間觀察到高度的Spearman相關性，并且在區域邊界（鄰近和腫瘤1:0.80，鄰近和腫瘤2:0.81）發現類似的強相關性。像素級的比較進一步證實了PLATO的性，IF染色也驗證了PLATO中四個代表性蛋白的空間分布。研究發現兩種腫瘤亞型：腫瘤1 （HER2+, ER?,PR?）和腫瘤2 (HER2+, ER+, PR?)。通過LCM-蛋白質組分析顯示出比臨床診斷（HER2+, ER 70%, PR?）更高的性，因為PLATO顯示70%的ER表達是兩種亞型的復合。此外，與PAM50亞型相關的蛋白在腫瘤1和腫瘤2之間存在差異表達，證實了它們的不同特征。PLATO重建ERBB2提供了比LCM結果更的視圖，提示腫瘤內潛在的異質性。腫瘤1富含細胞外基質（ECM）蛋白，如纖維蛋白-5 （FBLN5）、絲蛋白- a （FLNA）、纖維連接蛋白（FN1）、彈性蛋白（ELN）和LAD1，表明腫瘤表型更具侵襲性。相比之下，腫瘤2富含激素信號相關蛋白，如雌激素受體1 (ESR1)（乳腺癌的臨床生物標志物）和粘蛋白1 (MUC1)（穩定和激活雌激素受體），突出了其特別的生物學和與雌激素信號傳導的關系。

圖4. 基于PLATO框架的人乳腺癌空間蛋白質組學圖譜。

總結

盡管基于成像和抗體的方法近取得了進展，但在空間蛋白質組學中，實現整個組織的深度、高分辨率蛋白質圖譜仍然是一個重大挑戰。PLATO，一個將微流體與深度學習相結合的集成框架，可以在整個組織切片中實現數千種蛋白質的高分辨率映射。我們通過PLATO框架分析小鼠小腦的空間蛋白質組，在一次運行中鑒定了小鼠小腦2564個蛋白質組。將PLATO應用于大鼠絨毛和人類乳腺癌樣本，實現了25μm的空間分辨率，并揭示了與疾病狀態相關的蛋白質組動力學。該方法揭示了空間上不同的腫瘤亞型，鑒定了關鍵的失調蛋白，并為腫瘤微環境的復雜性提供了新的見解。