HCN channels

引言我们身体里的每个细胞都是一个微缩宇宙，里面运行着无数精密复杂的系统。这些系统的核心，是千姿百态的蛋白质（Proteins），它们就像宇宙中的不同星球，执行着各自独特的任务，但更重要的是，它们通过相互作用（Protein-protein interactions）形成复杂的蛋白质网络（Protein networks），共同维持着宇宙的和谐运转。这些蛋白质“朋友圈”的面貌，直接决定了细胞的功能和状态，一旦出现问题，往往是疾病的开端。研究人员多年来绘制了大量蛋白质相互作用图谱，试图揭示生命的奥秘。然而，这些图谱大多像是一张笼统的世界社交地图，无法告诉你具体某个城市（比如肝脏或大脑）里的蛋白质关系是怎样的。因为蛋白质的“社交圈”并非一成不变，它会随着所处的组织（Tissue）、细胞类型甚至细胞状态而高度特异化（Tissue specificity）。缺失了这种“情境”信息，我们对疾病发生机制的理解就像是隔靴搔痒。有没有可能绘制一张真正精细到组织的蛋白质“朋友圈”地图呢？5月2日发表在《Nature Biotechnology》上的重磅研究“A tissue-specific atlas of protein–protein associations enables prioritization of candidate disease genes”，正带来了这样的突破。研究团队创造性地利用大量数据——来自11种人体组织的7,811份蛋白质组学样本的蛋白质丰度信息，通过分析蛋白质在不同样本中的共丰度（Protein coabundance），构建了一份前所未有的组织特异性蛋白质关联图谱（A tissue-specific atlas of protein-protein associations）。令人惊喜的是，这项研究发现蛋白质共丰度是一个极其强大的预测指标，它能非常准确地识别蛋白质之间的关联，甚至在某些方面优于传统的蛋白质共分级（Protein cofractionation）方法。更重要的是，图谱清晰地揭示了蛋白质关联存在广泛的组织特异性——据估计，超过25%的关联是特定于某个组织的！而且，这种差异的驱动力远不止简单的基因表达，更多来自于组织或细胞特有的细胞组分（Cellular components）变化。这张详细的图谱不仅能帮助我们更深入地理解不同组织中细胞结构的独特组成，更提供了一个强大的新工具：它可以帮助我们以前所未有的精度，在复杂的遗传关联位点中，优先筛选出最可能导致疾病的那个“致病基因”（Disease gene），特别是在特定组织相关的疾病中。海量样本汇聚：构建蛋白质关联的基石要绘制一张宏大的图谱，首先需要海量的数据。这项研究收集了来自50项已发表研究的蛋白质组学数据，这些研究涵盖了14种人类组织。样本总数高达7,811份，其中包括来自肿瘤的5,726份样本和来自邻近健康组织的2,085份样本。这些样本为研究团队提供了丰富的蛋白质丰度信息。为了进行更全面的比较，研究人员还为其中约2,900份肿瘤样本和722份健康样本收集了配对的mRNA表达数据。研究人员利用蛋白质共丰度来估计蛋白质对（Protein pair）之间发生关联的可能性。具体来说，他们计算了同一研究中至少在30个样本中都能检测到的一对蛋白质的丰度曲线之间的皮尔森相关系数（Pearson correlation）。相关性越强，说明这对蛋白质共丰度的趋势越一致，它们也就越有可能存在功能关联。为了将这些相关系数转化为易于理解的概率，研究团队使用了逻辑模型（Logistic model）。他们利用已知的稳定蛋白质复合体（比如来自CORUM数据库的数据）作为阳性样本（Ground-truth positives），也就是已知有相互作用的蛋白质对。通过训练逻辑模型，研究人员可以将任何一对蛋白质的共丰度相关系数转化为一个介于0到1之间的概率，表示这对蛋白质发生关联的可能性。这项研究总共汇集了来自不同研究的超过110万个蛋白质对的关联概率，这些数据为构建组织特异性图谱奠定了坚实的基础。共丰度：预测蛋白质关联的有力工具那么，利用蛋白质共丰度来预测蛋白质关联，效果究竟如何呢？研究团队将这种方法与另外两种常用方法进行了比较：mRNA共表达和蛋白质共分级（Protein cofractionation）。蛋白质共分级是一种通过分离细胞组分并分析蛋白质在不同组分中的丰度来推断相互作用的方法，通常被认为是预测物理相互作用的黄金标准之一。为了评估这些方法的性能，研究人员同样使用CORUM数据库中的已知蛋白质复合体成员作为阳性样本，计算了受试者工作特征曲线下面积（Area Under the Curve, AUC）。AUC是一个衡量分类器性能的指标，值越高表示预测准确性越高。结果显示，基于蛋白质共丰度的关联概率在回收已知蛋白质复合体成员方面的表现最优，其平均AUC达到了0.80（标准误 ± 0.01）。这显著优于蛋白质共分级数据（平均AUC 0.69 ± 0.01）和mRNA共表达数据（平均AUC 0.70 ± 0.01）。这一发现非常有意义，它表明仅仅通过蛋白质在不同样本中的丰度变化，就能相当准确地推断出它们的功能关联。更有趣的是，研究人员尝试将mRNA和蛋白质丰度数据结合起来，但这种组合并没有显著提高召回已知复合体成员的性能（平均AUC 0.82 ± 0.01），与单独使用蛋白质共丰度相比，差异不具有统计学意义（P = 0.15）。此外，即使在计算蛋白质共丰度估计之前，先从蛋白质丰度中去除基因表达的影响，得到的AUC也仅轻微下降到0.78（标准误 ± 0.01），差异也不具有统计学意义（P= 0.18）。这强烈暗示，蛋白质共丰度的预测能力主要来自于转录后过程（Post-transcriptional processes）的影响，而不是简单的基因表达水平变化。这意味着，蛋白质的降解、修饰或复合体组装动力学等因素，可能比基因表达本身更能驱动蛋白质之间的共丰度关系，进而反映它们的功能关联。图谱初显：组织特异性关联的面貌既然蛋白质共丰度能够有效地预测蛋白质关联，并且主要反映了转录后过程，那么这些关联是否具有组织特异性呢？研究人员首先通过基因表达数据确认，蛋白质关联概率并非简单地由细胞类型组成（Cell-type composition）差异引起。随后，他们分析了来自所有研究的1,115,405个关联概率，发现来自同一组织的重复队列通常会聚集在一起。例如，来自不同血液样本研究的数据会聚类，来自不同脑组织样本的数据会聚类，来自不同肝脏样本和肺脏样本的数据也表现出类似的聚类模式。这有力地证明了组织来源是导致不同研究队列之间蛋白质关联差异的主要驱动因素。在比较同一组织（AUC 0.71 ± 0.01）和不同组织（AUC 0.56 ± 0.00）对恢复组织特异性关联的能力时，这种差异在所有组织中都具有统计学意义（P < 0.05）。基于不同队列聚类的结果，研究团队将来自同一组织的重复队列的关联概率进行聚合，为11个人体组织计算了单一的组织级关联得分（Association scores）。这种聚合方法被证明是有效的，因为它在恢复已知蛋白质相互作用方面的表现优于绝大多数单个队列（P = 1.3 × 10⁻¹⁰）。值得注意的是，来自肿瘤样本计算得到的关联得分在预测已知蛋白质相互作用方面优于来自健康组织样本的得分（肿瘤AUC 0.87 ± 0.01，健康AUC 0.82 ± 0.01，差异具有统计学意义 P = 8.3 × 10⁻⁵）。这可能是因为肿瘤样本由于遗传异质性等因素，样本间的变异性更大，反而有助于识别更稳健的共丰度模式。尽管如此，肿瘤来源的得分仍然能够很好地恢复健康组织的组织特异性关联（同一健康组织AUC 0.74 ± 0.02，其他健康组织AUC 0.53 ± 0.01，差异具有统计学意义 P = 5.9 × 10⁻⁵）。这些分析共同表明，基于蛋白质共丰度计算的组织级关联得分是可重复的，并且能够代表蛋白质关联在特定组织中的情况。最终，研究人员构建了一份包含1.16亿个蛋白质对在11种人体组织中的关联得分图谱。平均而言，每个组织包含约5600万个蛋白质对的关联得分，其中约1000万个蛋白质对被认为是“可能关联”（Likely associated，得分大于0.5），约49万个蛋白质对被认为是“高可信关联”（Confident associations，得分大于0.8）。这些关联在不同组织中的分布差异很大，只有约99,103个蛋白质对在所有11个组织中都被认为是可能关联的。这初步揭示了蛋白质关联具有显著的组织特异性。组织间的差异：远不止基因表达一个长期存在的观点认为，组织间蛋白质相互作用的差异主要源于基因表达水平的差异——如果一个蛋白质在某个组织中不表达，那它自然也无法参与该组织中的相互作用。这项研究证实，在特定组织中能被检测到的蛋白质，其在同一组织中的表达水平普遍高于其他组织（P = 1.3 × 10⁻⁶）。然而，研究团队发现，组织间（可能关联）关联差异中，只有最高7%可以通过基因表达水平差异来解释，而且这部分解释力主要来自于蛋白质在某些组织中完全检测不到的情况。这进一步支持了先前的发现，即蛋白质共丰度主要受转录后过程驱动，组织间的关联差异并不仅仅是基因表达的简单反映。为了量化组织特异性关联的比例，研究人员发现，在比较同一健康组织和肿瘤组织的重复样本时，约46.3%的可能关联（得分大于0.5）和90.2%的高可信关联（得分大于0.8）在重复样本中仍然被认为是可能关联的。而在比较不同组织之间的关联时，这些比例分别下降到32.9%和54.6%。基于重复样本与不同组织之间的这些概率差异，研究人员估计，在可能的关联中，有18.8%到34.0%（四分位数间距）是组织特异性的。考虑到最高7%的可能关联因为基因表达差异而在其他组织中未被检测到，研究最终估计，超过25.8%（即18.8% + 7%）的可能关联是组织特异性的。这意味着，组织间的蛋白质“朋友圈”不仅面貌各异，而且这种差异的很大一部分是由基因表达以外的因素驱动的，这些因素可能包括组织或细胞类型特有的蛋白质修饰、定位、稳定性或与特定细胞器、结构的关联。细胞组分：组织特异性关联的关键驱动力组织间的蛋白质关联差异是由什么决定的？研究人员通过分析不同组织中可能关联的共享程度来探索这个问题。他们发现，与所有可能关联（平均Jaccard指数 0.19）相比，如果仅限于已知的高通量实验（如酵母双杂交HuRI，Jaccard指数 0.30；AP BioPlex，Jaccard指数 0.41）检测到的相互作用，或者仅限于已知生物学途径（如Reactome，Jaccard指数 0.48）、信号通路（如SIGNOR，Jaccard指数 0.32）中的相互作用，或者物理相互作用（如STRING得分大于400，Jaccard指数 0.56），组织间的相似性会有所增加。如果仅限于人类蛋白质复合体（如CORUM，Jaccard指数 0.74），组织间的相似性则最高。这意味着，已知的蛋白质相互作用，特别是稳定复合体中的相互作用，在不同组织间通常是共享的。然而，研究人员也发现，那些在不同组织中变化较大的关联，往往与特定的细胞组分（Cellular components）相关。例如，大脑组织中与突触（Synapse）相关的组分、喉部组织中与肌肉纤维结构相关的组分、肺部组织中与运动纤毛（Motile cilia）相关的组分以及肝脏组织中与过氧化物酶体（Peroxisomes）相关的组分，其蛋白质关联在不同组织间表现出强烈的差异性。这表明，组织特异性或细胞类型特异性的细胞组分是驱动组织间蛋白质关联差异的重要因素，而且这种差异独立于简单的基因表达差异。研究团队进一步探索了图谱中细胞类型特异性关联的例子。以AP2衔接蛋白复合体（AP2 adaptor complex）为例，它在所有细胞中都具有普遍功能，但在神经元中也有特异性功能。图谱显示，AP2复合体亚基在所有组织中都是共丰度的（平均关联得分0.80）。然而，在与AP2复合体关联且已知与之相互作用（STRING得分大于400）的91个蛋白中，51个突触蛋白（SynGO数据库中的蛋白）在大脑中的关联得分（平均0.54）高于其他组织（平均0.48 ± 0.00，P = 6.7 × 10⁻⁶）。相反，非突触蛋白在大脑中的关联得分（平均0.33）低于其他组织（平均0.43 ± 0.00，P = 1.1 × 10⁻²¹）。这生动地展示了即使是普遍存在的蛋白质复合体，其与不同功能蛋白质的关联也可能具有组织或细胞类型特异性。图谱还能揭示疾病相关的细胞类型特异性关联。例如，血红蛋白（Hemoglobin）蛋白与贫血（Anemia）相关，在图谱中，它们与贫血相关蛋白的可能关联只在血液组织中出现。同样，乳糜微粒（Chylomicron）亚基与克罗恩病（Crohn's disease）相关，它们与克罗恩病相关蛋白的可能关联只在结肠（Colon）组织中出现。纤维蛋白原（Fibrinogen）亚基与肝脏疾病相关，它们与肝脏疾病相关蛋白的肝脏特异性可能关联也被发现。这些例子表明，这份关联图谱可以用来研究蛋白质复合体的组织特异性功能以及疾病基因在特定情境下的关联。研究人员还将这种分析推广到更广阔的层面，系统性地绘制了性状（Traits，基于GWAS数据）与细胞组分之间的关系图谱。他们发现，在所有组织中都得分较高的关系主要涉及核心细胞组分，如核糖体（Ribosome）和剪接体（Spliceosome）（72%的关系相对平均得分大于1.75）。而那些在不同组织中变异最大的关系（变异系数大于0.4）往往涉及组织特异性结构，比如突触组分（Synaptic components）（61%的关系属于这一类）。这些发现再次印证了细胞组分，特别是组织特异性组分，在决定蛋白质集合的组织特异性相关性中扮演的关键角色。疾病基因“C位”：基于图谱的精准排序理解蛋白质关联的组织特异性如何应用于疾病研究？研究团队利用这份图谱来优先排序（Prioritize）疾病相关基因，特别是那些位于遗传关联位点（Loci）的候选基因。已知与疾病基因直接相互作用的蛋白通常更可能是致病基因，并且在成功的药物靶点中富集。为了更深入地探索这一点，研究人员构建了一个针对精神分裂症（Schizophrenia, SCZ）相关基因的大脑相互作用网络，旨在优先排序大脑中那些得分较高且涉及SCZ相关基因的关联。研究始于369个通过GWAS研究与SCZ关联的基因（“起始基因”，L2G得分大于等于0.5）。他们计算了这些起始基因与各自组织中得分最高的25个性状和细胞组分之间的关系。随后，研究人员筛选出那些包含一个SCZ起始基因和一个SCZ相关基因的蛋白质对，并要求它们在大脑中的关联得分高于该组织得分分布的97%分位数（在大脑中平均得分0.73）。由此得到了SCZ相关基因的组织特异性关联网络。令人鼓舞的是，移除SCZ起始基因后，该大脑网络中剩余的基因仍然富集于与SCZ相关的基因，这些证据来自小鼠SCZ表型（Mouse phenotypes）（BH校正P值 1.5 × 10⁻⁵）、SCZ药物靶点（BH校正P值 9.8 × 10⁻⁵）以及GWAS中关联较弱的变异（BH校正P值 1.0 × 10⁻⁷）。与其他组织相比，这种富集性是特定于大脑的。这表明，所提出的方法提供了一种系统性地优先排序组织特异性性状疾病基因的途径。为了进一步验证这些预测的SCZ相关基因关联，研究人员汇编了一个实验验证过的人类大脑相互作用数据集，这些数据主要来自使用人类大脑细胞（AP-MS或CoIP-MS）进行的Pull-down实验。该数据集包含了7,887个与30个“诱饵蛋白”（Bait proteins）相关的人类大脑相互作用。研究人员筛选出该数据集中与SCZ相关的诱饵蛋白，并将组织特异性SCZ相关基因网络过滤到只包含至少一个诱饵蛋白的关联。结果发现，这些SCZ相关基因的关联强烈富集于与SCZ相关诱饵蛋白的Pull-down相互作用中，尤其是在大脑中（log BH校正P值高达84.3），远远高于其他组织（平均log BH校正P值仅为1.8）。这有力地证明了该研究预测的大脑SCZ相关基因关联得到了实验验证，并且确实富集于SCZ相关的互作蛋白。整合多源证据：深入理解并发现新靶点在实验验证的基础上，研究人员从优先排序的大脑SCZ相关基因关联中，筛选出那些也通过Pull-down研究发现的相互作用，构建了一个包含205个已验证的大脑SCZ相关基因相互作用网络。为了简化并突出重点，他们进一步将网络限制在具有先前证据的突触（SynGO）基因。这个可视化网络包含56个蛋白质，通过66个已验证的大脑相互作用连接到3个诱饵蛋白。这些蛋白质中包括3个SCZ药物靶点（临床阶段2或更高）、12个与小鼠SCZ相关的蛋白（IMPC得分大于等于0.5）以及15个与SCZ相关但先前证据较弱的蛋白（OTAR L2G得分小于0.5）。令人惊讶的是，在这205个已验证的相互作用中，只有4个在主要蛋白质相互作用数据库中被报告过。这个网络富集了典型的神经元功能和SCZ相关的细胞组分基因群，比如突触后细胞骨架（Postsynaptic cytoskeleton）（BH校正P值 2.3 × 10⁻⁸）和网格蛋白包被囊泡（Clathrin-coated vesicles）（BH校正P值 9.4 × 10⁻¹⁴）。特别是，与网格蛋白囊泡相关的组分，该网络连接了AP2复合体的所有亚基和网格蛋白与HCN1蛋白的相互作用。有研究表明，HCN通道与TRIP8b直接相互作用，TRIP8b调节HCN通道的运输，并主要与AP2复合体关联。鉴于中间白蛋白阳性（PV）神经元与SCZ之间的已知联系，这些观察结果提示AP2和网格蛋白可能参与了与SCZ相关的PV神经元HCN通道运输的特定障碍。为了提出已验证SCZ相关基因大脑相互作用的潜在界面模型，研究人员利用AlphaFold2预测了205个蛋白质相互作用的结构，包括可视化网络中的所有相互作用。这些预测模型得到的相互作用置信度（pDockQ得分平均0.28）高于CORUM（平均0.13）和HuMAP（平均0.25）中已知复合体成员的模型。总共识别出15个中等置信度的相互作用（界面预测模板建模ipTM得分大于0.5）。这其中包括所有三个14-3-3蛋白（YWHAG, YWHAH, YWHAZ）与HCN1的大脑特异性结合（平均关联得分0.82）。这三个模型的预测界面重叠，位于HCN1的C端无序区域（残基775-802），包含一个预测的14-3-3结合位点（中心位于S789，预测结合位点ipTM得分平均0.75）。这一结合位点已通过Pull-down实验验证，且已知14-3-3蛋白与HCN1的结合依赖于S789的磷酸化，这种相互作用可能抑制HCN1的降解。最后，该网络还包含15个位于与SCZ遗传关联位点的基因，它们作为致病基因的证据相对较弱。考虑到它们与SCZ相关基因的相互作用，这些基因更有可能因其功能作用而成为潜在的致病基因。例如，AP2B1, ATP2B2和SYNGAP1这三个基因的L2G得分（分别为0.457, 0.264和0.251）低于研究设定的0.5截止值，但由于它们与SCZ相关基因的相互作用而被优先排序。另一个例子是PAFAH1B1，虽然其L2G得分较低，但它在突触组分中富集，且与另一种突触蛋白RHOA存在相互作用。尽管PAFAH1B1作为致病基因的证据较弱，但其与大脑疾病（如抑郁症）的关联以及其在突触的特异性位置和表达，使得它在抑郁症相关的优先级排序中被提升。这些例子表明，结合遗传学数据、组织特异性网络和AlphaFold2结构预测，可以构建一个整合的网络，增强对疾病机制的理解并助力靶点优先排序。所预测的疾病-基因关联倾向于组织特异性，这可能意味着所提出的靶点也更安全。绘制涵盖人体所有组织的蛋白质相互作用图谱，一直是一个巨大的挑战。这项研究利用大规模蛋白质组学样本的蛋白质共丰度，构建了一份全面的组织特异性蛋白质关联图谱，包含了1.16亿个蛋白质对在11个组织中的关联得分。研究证实，蛋白质共丰度是预测蛋白质功能关联的有力工具，其准确性甚至优于蛋白质共分级和mRNA共表达。这份图谱成功地重建了已知的蛋白质复合体和更大的细胞结构组织，并揭示了蛋白质关联存在显著的组织特异性，其中超过25%的关联是组织特异性的，而基因表达差异仅能解释其中不到7%。组织特异性的细胞组分，如突触，被发现是驱动组织间差异的主要因素。该图谱不仅能揭示蛋白质复合体和细胞组分的组织特异性功能，还能关联性状与细胞组分，并为疾病基因的优先排序提供依据。研究以精神分裂症为例，展示了如何利用图谱构建SCZ相关基因在大脑中的相互作用网络，并通过Pull-down实验和AlphaFold2结构预测对这些关联进行验证。结果显示，通过结合多种证据来源，可以有效地筛选出更可能为致病基因的候选者，即使他们在遗传关联位点上的证据相对较弱。这种方法为理解复杂疾病（特别是神经系统疾病）的分子机制提供了新的视角，并为发现更具组织特异性的药物靶点奠定了基础。当然，共丰度推断的“蛋白质关联”并非都是直接的物理相互作用，这是一种功能层面的关联，它可能受到蛋白质复合体稳定性、蛋白质定位、翻译后修饰等多种因素的影响。未来的研究可以进一步整合更多数据源（如蛋白质修饰组学、空间蛋白质组学等）以及更先进的计算方法，来完善这份图谱，并区分不同类型的蛋白质关联。尽管如此，这份组织特异性蛋白质关联图谱已经为我们提供了一张前所未有的蛋白质“朋友圈”地图，有望加速对复杂疾病机理的理解，并为精准医疗和药物开发带来新的突破。参考文献Laman Trip DS, van Oostrum M, Memon D, Frommelt F, Baptista D, Panneerselvam K, Bradley G, Licata L, Hermjakob H, Orchard S, Trynka G, McDonagh EM, Fossati A, Aebersold R, Gstaiger M, Wollscheid B, Beltrao P. A tissue-specific atlas of protein-protein associations enables prioritization of candidate disease genes. Nat Biotechnol. 2025 May 2. doi: 10.1038/s41587-025-02659-z. Epub ahead of print. PMID: 40316700.声明：本文仅用于分享，不代表平台立场，如涉及版权等问题，请尽快联系我们，我们第一时间更正，谢谢！往期热文：Cell | 颠覆认知！不是被动扩散，CD36介导内吞才是许多“大块头”药物入胞的秘密通道Nature Methods | mScarlet3-H：红色荧光蛋白的新一代王者！Nature Methods | 告别“平面时代”！光学显微镜如何带你看清3D细胞世界的秘密？Nature | 帕金森病新曙光！iPS细胞人体试验结果揭晓，安全有效性初显！Cell | 实时见证“基因之吻”：Oligo-LiveFISH高精度追踪增强子-启动子动态互作Nature Biotechnology | 重磅综述：不止CAR-T！唤醒免疫“特种部队”，工程化先天细胞开启抗癌新纪元

DRUGAI尽管蛋白–蛋白相互作用图谱已取得显著进展，其在不同组织中的特异性仍研究不足。在本研究中，研究人员基于蛋白质共丰度可预测功能关联的前提，整合并分析了来自11个人体组织的7,811个蛋白质组学样本的蛋白丰度数据，构建了一个组织特异性的蛋白相互作用图谱。研究人员发现，该方法不仅能复现已知的蛋白复合物，还能揭示细胞的更大结构组织。稳定蛋白复合物的相互作用在各组织中高度保守，而细胞类型特异性的结构（如突触成分）则是组织间差异的重要驱动因素。研究结果显示，超过25%的蛋白关联具有组织特异性，其中不到7%可归因于基因表达差异。针对脑组织，研究人员通过突触体的共分级实验、脑源拉下数据的人工整理以及AlphaFold2结构建模，对蛋白相互作用进行了验证。进一步地，研究人员还构建了与精神分裂症相关基因的脑组织相互作用网络，表明该方法可用于在与脑疾病相关的基因座中功能优先筛选候选致病基因。蛋白–蛋白相互作用决定了细胞的物理结构和功能，其异常可能导致疾病。尽管近年来质谱技术和高通量筛选方法的进步推动了蛋白互作的研究，现有数据库多为不具上下文的全局互作信息，而实际互作在不同组织或细胞状态中具有高度特异性，且不到一半的蛋白可在所有组织中检测到。为理解细胞类型特异功能、识别药物靶点以及构建系统级细胞模型，明确蛋白互作的组织特异性至关重要。以往研究常借助基因表达数据推测组织特异性互作，但mRNA共表达对预测蛋白互作的准确性有限。相比之下，蛋白共丰度（coabundance）被证明更能准确预测蛋白关联，因为复合物亚基往往协同表达并以特定化学计量组装，未配对亚基则倾向降解。在本研究中，研究人员基于7,811个人体样本的蛋白质共丰度数据，构建了涵盖11种组织、约1.16亿对蛋白的组织特异性蛋白关联图谱。该图谱不仅复现了已知复合物，还揭示了功能模块间的关系，并为疾病相关基因提供了上下文关联线索。研究人员以脑组织为例，结合多种互补数据验证该图谱在组织特异性致病基因和互作优先排序中的应用价值。研究结果基于蛋白共丰度的全基因组蛋白关联评分研究人员首先收集了癌症队列的蛋白质丰度数据，汇总了来自14种人体组织的50项蛋白质组学研究，包含5,726个肿瘤样本和2,085个邻近健康组织样本，并配套收集了其中2,930个肿瘤样本和722个健康样本的mRNA表达数据。利用蛋白复合物成员在转录和翻译后水平的共调控特性，研究人员计算了基于丰度数据的蛋白–蛋白关联概率。具体而言，先对数据进行对数转换和中值归一化，再在每项研究中对至少在30个样本中被共同检测的蛋白对计算皮尔逊相关系数。随后，以已知蛋白复合物亚基为正例（来自CORUM数据库），利用逻辑回归模型将相关性估计转换为蛋白关联概率。通过与蛋白共分级和mRNA共表达等方法对比，研究人员发现蛋白共丰度在复现已知蛋白复合物上表现最佳（AUC=0.80），优于蛋白共分级（AUC=0.69）和mRNA共表达（AUC=0.70）。将mRNA与蛋白丰度联合使用并未进一步提升识别能力，且剔除基因表达后所得共丰度估计仍表现良好，提示预测能力主要源于翻译后调控而非基因表达。因此，研究人员最终仅使用蛋白共丰度来计算蛋白关联概率。构建组织特异性蛋白关联图谱研究人员进一步验证了同一组织的不同研究是否能反映一致的组织特征。通过聚类分析，发现相同组织的样本之间具有较高一致性。定义“组织特异性”的蛋白关联为：在某一组织中关联评分高于95百分位且在其他组织中低于0.5。使用“留一法”验证后发现，这些组织特异性关联主要由相应组织的样本所复现，说明组织来源是蛋白关联差异的关键驱动因素。聚合相同组织的研究数据后，研究人员为11个人体组织生成了统一的蛋白关联评分。在已知蛋白互作的复现能力上，组织层级的评分优于任何单个队列，且肿瘤来源数据的表现优于健康组织。这些评分反映了肿瘤的遗传异质性及样本之间的变异。研究人员还利用健康组织得出的特异性关联，用肿瘤样本数据进行验证，结果显示一致性良好，进一步验证了该图谱的可靠性和代表性。最终，研究人员构建了一个涵盖116,000,000对蛋白的组织特异性关联图谱，平均每个组织包含约5,600万对蛋白评分，其中约1,000万对具有较高关联性（评分>0.5），约49万对属于“高可信关联”（评分>0.8）。组织间差异并非由基因表达驱动尽管蛋白互作的前提是基因在组织中被表达，但仅约7%的组织间蛋白关联差异可归因于基因表达差异。因此，蛋白共丰度反映的是翻译后层级的调控，进一步强调其独立于转录水平的预测价值。各组织特异性关联比例在健康组织与肿瘤组织配对比较中，46.3%的“可能关联”以及90.2%的“高可信关联”可被对方组织所复现。而在不同组织间，这些比例分别下降至32.9%和54.6%。研究人员据此估计，约有25.8%的蛋白关联具有组织特异性。各组织复现其特异性细胞组分通过比较组织间的Jaccard相似系数发现，已知蛋白复合物等稳定互作在多个组织间保持一致，而与信号转导或时空调控相关的动态互作则更多体现组织差异。此外，特定组织（如大脑、喉部、肺、肝）中的细胞结构成分（如突触、纤毛、过氧化物酶体）表现出显著的组织特异性，说明这些结构是组织差异的重要来源。图谱揭示细胞类型特异性互作以神经特异的AP2适配蛋白复合物为例，研究人员发现其在大脑中的关联更强，尤其是与突触相关蛋白的互作，而非突触蛋白则在大脑中互作较弱。研究人员还识别出如血红蛋白与贫血、乳糜微粒与克罗恩病、纤维蛋白原与肝病等组织特异的疾病相关互作。组织特异的表型与细胞结构关联进一步，研究人员通过GO注释与OTAR数据库中GWAS基因，系统评估了表型与细胞结构之间的组织特异性关系。例如，在大脑中与强迫症（OCD）相关的15个细胞成分几乎均为神经元特异，且在剔除GWAS已关联基因后，这些成分仍富集药物靶点、小鼠模型致病基因或低置信GWAS基因，说明该方法可用于识别与疾病相关的潜在功能模块。验证精神分裂症相关基因的脑组织互作研究人员构建了一个脑组织中与精神分裂症（SCZ）相关基因的互作网络。将GWAS关联的369个SCZ起始基因与其组织特异性关联基因筛选组合，识别出高置信互作对。进一步使用脑组织中实验验证的拉下质谱互作数据对预测结果进行验证，显示SCZ相关互作在脑组织中显著富集。研究人员从中筛选出205个已验证的脑组织SCZ互作对，并利用AlphaFold2预测其结合结构。其中三个14-3-3蛋白与HCN1之间的互作被高置信预测，且其结合界面位于HCN1的C末端无序区，中心位点S789已被实验证实具有磷酸化依赖性结合能力。此外，该网络中包含15个GWAS位点下的弱置信SCZ候选基因，其与SCZ核心基因的功能互作表明其可能为更可能的致病候选者。基于共分级的突触特异性互作组作为蛋白关联图谱的最终应用，研究人员聚焦于突触的互作网络。为此，研究人员从大鼠脑组织中提取并纯化了突触体（synaptosome），作为验证脑组织蛋白互作的另一种手段。利用尺寸排阻色谱（SEC）将突触体分为75个组分，随后通过液相色谱-质谱联用（LC-MS/MS）进行检测，共鉴定出3,409种蛋白，包括CCT复合物等已知复合物，其组分在不同组分中表现出高度相关性（平均相关系数为0.96）。研究人员对突触体的分级谱图进行了预处理，并计算了4,276,350对蛋白在组分中的共丰度值，以评估它们的共分级程度。为提高互作评分的置信度，研究人员整合了大鼠突触体、体内小鼠脑组织及人类胶质母细胞亚细胞分级的共分级数据，基于所有三套数据中均被检测的直系同源蛋白构建了逻辑回归模型（以CORUM数据库中的复合物为正例）来估算互作概率。最终构建的突触互作组包含1,619种蛋白之间的1,309,771对互作概率，优于任何单独数据的预测能力。该互作组中，24%的蛋白为SynGO数据库标注的突触蛋白，49%在小鼠脑中已被报道为突触富集，56%曾在小鼠突触体的交联-MS中被鉴定。所有已知交联互作在本研究中均被检测，其关联评分显著高于其他蛋白对（0.59 vs 0.37）。此外，突触蛋白之间的互作显著强于非突触蛋白之间的互作，尤其在脑组织中更为明显。验证脑疾病相关基因的突触互作突触富集蛋白之间的互作在脑组织中更可能发生。基于此，研究人员构建了一个仅包含突触蛋白的互作网络，这些蛋白在SynGO数据库中被定义或在小鼠脑中被认为突触富集，同时在大脑中共丰度高、在突触体中共分级概率高。最终得到的网络包含37,318个验证过的蛋白互作，且这些互作主要为脑组织特异性，仅20%在大多数其他组织中被认为是可能互作，仅有极少数被现有蛋白数据库（STRING、HuMAP、IntAct、BioPlex）收录。研究人员进一步筛选与脑疾病相关的突触蛋白互作。这些疾病来源于GWAS研究，相关基因在小鼠表型库（IMPC）或药物靶点数据库（ChEMBL）中有支持，且其关联在脑组织中显著高于其他组织。最终筛选出727个高置信突触互作，这些互作在突触体和脑组织中的关联评分分别为0.7和0.81。研究人员使用AlphaFold2对这727个互作对进行结构预测，发现其预测得分（pDockQ）显著高于CORUM或HuMAP中的已知互作；其中105对具有中等置信度（ipTM > 0.5），部分互作在小鼠突触体的交联-MS中有实验支持。优先筛选脑疾病的突触致病基因在这些互作网络中，研究人员发现部分基因虽然在遗传位点上的证据较弱，但由于其与已知疾病基因存在验证过的突触互作，可能是更有可能的致病基因。例如：ADHD：MDH1、CADPS2、PIK3C3精神分裂症（SCZ）：TOM1L2、AP2B1、PSD3、MYO18A、ATP2B2、TMX2阿尔茨海默病：CLPTM1、MADD孤独症：ATP2B2、ATP2A2单相抑郁症：MADD双相障碍：ATP2A2其中大多数基因在脑组织中的表达位居前列，支持其致病潜力。此外，研究人员还发现某些突触互作对虽非L2G评分最高基因，但具有其他支持证据。例如，PAFAH1B1 与 RHOA 的互作在突触互作图谱中被确认，两者皆与抑郁症相关。虽然PAFAH1B1在其位点上的L2G评分不最高，但其在大脑中的表达更强、更特异，且编码突触蛋白，支持其作为潜在致病基因。这一案例表明，结合亚细胞结构与组织特异性研究，可构建更具生理意义的蛋白互作网络，并助力组织相关疾病基因的筛选。讨论尽管已有大量蛋白互作图谱，但组织间的差异性仍未被全面理解。蛋白共丰度相比mRNA共表达在预测互作方面更为准确。本研究进一步证实其优于传统共分级分析结果。值得注意的是，即使去除由mRNA表达变化导致的丰度差异，也不会显著影响预测性能，说明蛋白互作更多受翻译后调控机制控制，如过量亚基的降解等。研究人员的分析结果具有高度一致性：相同组织的不同队列具有类似的蛋白关联模式，肿瘤组织与健康组织的评分可互相验证，关键复合物在所有组织中均被高质量预测。约46%的可能关联与90%的高置信关联可在健康与肿瘤组织中重现，为组织特异性生物学研究提供可靠假设。研究人员估算约25%的蛋白关联具有组织特异性，而其中因基因表达差异导致的比例仅占7%。细胞类型特异的结构（如突触）是造成组织间蛋白关联差异的重要因素，翻译后修饰也可能是潜在机制之一。最后，该图谱也支持在组织水平上探索性状与细胞结构之间的关系，特别是在脑组织和突触功能方面的应用表现突出。研究人员展示了多个脑相关疾病中与已知致病基因或药物靶点富集的验证互作，并提出了一种基因优选策略，有助于候选药物靶点的识别。组织特异性的网络与AlphaFold2模型的结合为理解疾病机制和靶点筛选提供了整合性工具，且具备提高靶向治疗安全性的潜力。整理 | WJM参考资料Laman Trip, D.S., van Oostrum, M., Memon, D. et al. A tissue-specific atlas of protein–protein associations enables prioritization of candidate disease genes. Nat Biotechnol (2025). https://doi.org/10.1038/s41587-025-02659-z

《慢性心力衰竭“新四联”药物治疗临床决策路径专家共识 》强调，射血分数降低的心衰患者若无禁忌证，应尽早启动“新四联”治疗方案，包括血管紧张素受体脑啡肽酶抑制剂（ARNI）/血管紧张素转换酶抑制剂（ACEI）/血管紧张素Ⅱ受体拮抗剂（ARB）、钠-葡萄糖共转运蛋白2抑制剂（SGLT2i）、β受体阻滞剂和盐皮质激素受体拮抗剂（MRA）。 心率作为干预靶点之一，在协同优化心衰患者的治疗与管理中起着至关重要的作用。 南京鼓楼医院学者在《中国循环杂志》发表的一项研究表明，慢性心衰患者在“新四联”治疗方案的基础上，联用伊伐布雷定有利于改善长期预后，且安全性良好。 作者认为，伊伐布雷定是优化当前心衰治疗策略的一种必要补充。 伊伐布雷定是一种窦房结起搏 If 电流选择性抑制剂，在减慢心率的同时不影响心肌收缩力和心脏传导，于2005年在欧洲被批准上市治疗稳定性冠心病，2015 年在中国获批上市用于慢性心衰的治疗。 回顾性收集 2021年3月至2022年6月在南京鼓楼医院住院治疗的656例慢性心衰患者的临床资料，应用伊伐布雷定患者为观察组（n=295），未使用伊伐布雷定患者为对照组（n=361）。两组患者均采用“新四联”药物治疗方案治疗。倾向性评分匹配后观察组和对照组分别有268例患者匹配成功。 生存曲线分析显示，观察组主要终点事件（17.9% vs. 25.0%）、心衰恶化再住院（14.9% vs. 22.0%）和全因再住院的发生率（20.9% vs. 28.0%）均低于对照组。两组的心血管死亡累积发生率与全因死亡累积发生率的差异均无统计学意义。 多因素Cox比例风险回归模型分析显示，应用伊伐布雷定与1年主要终点事件（HR=0.684）和心衰恶化再住院（HR=0.637）发生风险降低显著相关。 两组患者的心动过缓、心房颤动、视力模糊、肾功能损伤、高血压发生率差异均无统计学意义。 相关阅读 “一药多效”，不仅减重、降糖，还能治心衰！NEJM：死亡风险降低38%，生活质量更高 “一举四得”！《柳叶刀》：新药不仅降糖、减重、降血脂，还降低心衰风险 不仅减重、降糖，还可治心衰！《柳叶刀》：司美格鲁肽可降低心血管和死亡风险 司美格鲁肽再添新效！不仅能减肥，还可治心衰 | 2024 ACC 欢迎投稿：学术成果、前沿进展、临床干货等主题均可，点此了解投稿详情。 参考资料 [1]陈琮玲, 吴韩, 张若彬, 等. “新四联”背景下伊伐布雷定治疗慢性心力衰竭的有效性和安全性. 中国循环杂志, 2024, 39(3): 256-260. DOI: 10.3969/j.issn.1000-3614.2024.03.007.  [2]葛均波, 霍勇, 杨杰孚, 等. 慢性心力衰竭 “新四联” 药物治疗临床决策路径专家共识[J]. 中国循环杂志, 2022, 37(8): 769-781. DOI: 10.3969/j.issn.1000-3614.2022.08.003. 免责声明：药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作信息交流之目的，文中观点不代表药明康德立场，亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。 分享，点赞，在看，传递医学新知