📚 课程目录第1章蛋白质组学定量概述

第1章蛋白质组学定量概述：LFQ与TMT技术简介、应用场景与选择依据

聊蛋白质组学定量，咱们得先从最核心的问题开始：你想知道样本里有哪些蛋白，更想知道它们在不同条件下怎么变的。

说白了，就是「谁多了，谁少了」。

我刚开始接触这个领域时，就被各种定量技术绕得头晕。LC-MS/MS、DIA、DDA、TMT、iTRAQ、LFQ…… 每个缩写背后都是一套复杂的流程。但实际做项目多了，你会发现，核心其实就两大类：标记定量和非标记定量。

咱们这一章，就把这两大阵营里最火的两位——LFQ（非标记定量）和TMT（串联质谱标签定量），掰开揉碎了讲清楚。

在所有定量实验开始前，你得先问自己一个问题：我到底要什么？

是要每个蛋白的绝对拷贝数？还是更关心多个样本之间的相对变化？是要检测尽可能多的蛋白，还是确保那几个关键蛋白的定量误差极小？

不同的答案，指向的就是完全不同的技术路线。我见过不少新手，上来就选最贵、看起来最酷的技术，结果数据出来了，不但回答不了生物学问题，反而引入了一堆系统误差。

实际上，LFQ 和 TMT 就是解决这个矛盾的两个典型代表。一个追求「无干扰的原始」，另一个追求「高通量的稳定」。

  核心观点： 没有绝对最好的定量方法，只有最适合你实验设计的方法。

LFQ，全称 Label-Free Quantification，中文叫非标记定量。这名字很直白——不给样本加任何化学标签。

它的工作流程，可以简化成三步：

优点很明显：操作简单、成本低、蛋白鉴定深度高。因为没有标记步骤，所以能鉴定的肽段理论上不受限制，对于「发现型」的蛋白质组学项目，LFQ 是很好的起点。

但缺点也同样突出：定量误差大、对操作一致性和仪器稳定性要求极高。你想想看，每个样本是分开跑的，哪怕机器状态有一丁点波动，或者样品前处理时蛋白提取效率不同，这些误差都会直接叠加到最终的定量结果里。

我个人的经验： 在做 LFQ 实验前，一定要做预实验来评估仪器状态。我习惯跑一个标准品（比如 HeLa 细胞裂解液），看基峰色谱图和色谱峰容量的稳定性。如果变异系数（CV）超过 20%，我会建议先调谐仪器再正式上样。

TMT，全称 Tandem Mass Tags，是标记定量的主力军。它用一套化学性质相同、但质量数不同的标签，同时标记多个样本。

处理起来是这么玩的：

酶解与标记： 每个样本的肽段分别与一个特定的 TMT 标签反应。
混合进样： 将所有标记好的样本混合成一个样本，一次性上机检测。
二级质谱定量： 在 MS2 中，标签被碎裂，产生 Reporter Ions（报告离子）。不同质量数的 Reporter Ions 的强度，就代表了对应样本中该蛋白的丰度。

它的最大优势是：一次运行最多可以同时分析 16 个样本（TMTpro），极大提高了通量，且从根本上消除了 LC-MS 运行间的仪器漂移。因为你所有比较的样本是在同一个体系里完成鉴定的。

代价也很直接：成本高、操作复杂、存在「比例压缩」效应。混合样本里，高丰度肽段的信号会抑制低丰度肽段的信号，导致定量比值向 1 趋近。

避坑指南： 我曾经在做一个多时间点的 TMT 项目时，因为标记效率不均，导致某一通道的定量值整体偏低。后来排查发现是标记试剂储存不当，部分标签失效了。从那以后，我养成了一个习惯：对所有 TMT 试剂做标记效率验证后，再混合样本。

下面这张 SVG 图，我把 LFQ 和 TMT 的核心逻辑、优缺点、以及选择依据串在一起了。你一看就能明白两者的定位。

我整理了一个表格，把两者在几个关键维度上的差异列出来。下次做实验设计的时候，直接拿出来对照一下就行。

一个我常用的折中方案： 如果项目预算中等，但又想追求高通量，可以先用 LFQ 做一个初步筛选，找出感兴趣的差异蛋白。然后针对这些候选蛋白，设计一个 TMT 实验进行靶向验证。这样既能控制成本，又能保证关键结论的可靠性。

好了，这一章我们把 LFQ 和 TMT 的底牌都亮出来了。从原理到优缺点，再到实战选择，你应该心里有数了。理解了这些基础，我们后面几章讲具体怎么跑流程、怎么处理数据，你才不会迷失在细节里。

第1章 蛋白质组学定量概述：LFQ与TMT技术简介、应用场景与选择依据