5.4 蛋白质鉴定：肽质量指纹与数据库检索

5.3 节解决了「称重」：MALDI-TOF 给出一组肽段质量，ESI-LC-MS/MS 给出一张张碎片谱图。但仪器输出的只是一列数字——哪个数字属于哪种肽段、哪组肽段来自哪种蛋白质，仍是悬而未决的身份问题。本节讨论把测量还原为身份的计算环节：肽质量指纹（PMF）如何用一个质量集合在数据库中反查蛋白质；串联质谱的序列证据如何更锐利地约束候选；检索算法如何打分、假发现率如何控制；以及为什么「鉴定到蛋白」本质上是一次统计推断。这一节的方法学几乎全部诞生于 1993–2007 年间，构成了现代蛋白质组学的计算骨架（Gibson & Muse, 2009）。

5.4.1 肽质量指纹图谱（PMF）

1993 年，Henzel、Pappin、Yates 等课题组几乎同时证明了一件在当时颇出人意料的事：对一个经二维凝胶（5.2 节）分离的近似单一蛋白的斑点，仅凭一组精确的肽段质量，就足以在序列数据库中反查出它的身份（Henzel et al., 1993）。这一方法后来被称为肽质量指纹图谱。

PMF 的完整流程可拆为四步（图 5.4-1）：

1. 斑点切取与胶内酶切：从凝胶上切下目标斑点，先还原二硫键、烷基化封闭半胱氨酸，再用胰蛋白酶(trypsin)原位酶切。胰蛋白酶高度专一——只在 Lys（K）与 Arg（R）的 C 端侧切割（紧随其后的残基为 Pro 时除外），产生的肽段平均约 9–10 个残基，质量大多落在 700–3 000 Da，恰好是 MALDI-TOF 最擅长的量程。
2. 质量测量：MALDI-TOF 测出全部肽段质量。MALDI 离子几乎全为单电荷 [M+H]⁺，m/z 即约等于肽段质量，谱图干净、读数直接（5.3 节）。
3. 数据库理论酶切：对数据库中每条蛋白质序列做理论酶切(in silico digestion)——计算机按同一规则（K/R 的 C 端，P 除外）把序列剪开，加上水的质量与氢，算出每条理论肽段的质量。参数上通常允许 1–2 个漏切位点(missed cleavage)，即酶未能在某个位点如期切割而产生的更长肽段。
4. 匹配与打分：在给定质量容差内统计实测质量与各候选理论质量的符合数目，结合序列覆盖率(sequence coverage)（被匹配肽段覆盖的序列比例）、质量误差分布等证据给候选排序。

「数匹配」只是第一步，关键要回答：多少个匹配会出于偶然。Pappin 等的 MOWSE 算法率先把 PMF 检索变成概率题：按肽段质量分箱赋给每个匹配一个概率，再合并成「该候选的全部匹配纯出于偶然」的联合概率（Pappin et al., 1993）。Mascot 沿用这一框架并将其表述为对数得分（Perkins et al., 1999）：

按式 (5.4-1)，得分 80 意味着偶然概率约 10⁻⁸；软件再按库规模给出对应 p<0.05 的显著性阈值（常在 60–70 分上下浮动）。实务中还须综合核查：序列覆盖率是否足够、候选蛋白的理论分子量与 pI 是否与凝胶位置吻合、是否有角蛋白或胰酶自切等污染峰被误计入。PMF 的高效与廉价使它长期占据 2D 凝胶斑点鉴定的主流，但它有明确的适用边界：其一，数据库要小而完整——模式生物的基因组已测序、注释可靠，随机命中的期望数可控；其二，样品要纯——单个凝胶斑点近乎单一蛋白，每个峰都为同一身份投票。一旦换成复杂混合物，PMF 迅速失效：数十种蛋白的肽段混在同一张峰表里，每种蛋白只贡献少数几个峰，而任何候选的理论质量集中总有零星数值恰好落进容差窗口，匹配计数失去特异性；数据库越大，这种「撞库」的期望值越高。此外，翻译后修饰与序列变异会让实测质量系统性偏离理论值，进一步削弱匹配。这些局限正是串联质谱路线兴起的原因（5.4.2 节）。

5.4.2 串联质谱的序列证据

PMF 只利用了「质量」这一标量信息；串联质谱的碎片谱则携带序列信息。如 5.3 节所述，母离子经碰撞诱导解离（CID）后沿肽键断裂，产生带 N 端的 b 离子与带 C 端的 y 离子两族互补碎片，而相邻 b（或 y）离子的质量差恰好等于一个氨基酸残基的质量。于是有两条利用路径。

其一为从头测序(de novo sequencing)：从一张完整而精确的二级谱中，把 y（或 b）阶梯逐级相减，读出肽段的全序列。它不依赖数据库，因此适用于数据库缺如的情形——基因组未测序的物种，可先 de novo 读出肽段序列，再到近缘物种的库中做同源检索。de novo 的代价是对谱图质量要求苛刻：阶梯中缺一级，其后所有残基的归属都要重新拼合；质量误差逐级累积；最著名的硬伤是 Leu 与 Ile——两者残基质量同为 113.084 Da，CID 谱对此原理上不可区分，只能记作 L/I。

其二为序列标签(sequence tag)检索（Mann & Wilm, 1994）：不必读出全序列，只从谱图中可靠地读出一小段（常为 3–4 个残基）连续序列，连同标签两侧的区域质量，构成一个四元组——「前区质量 + 短标签 + 后区质量」（图 5.4-2B）。检索时，两侧质量先把数据库中的候选肽段锁定在一个很窄的质量窗口内，再用短标签做序列级过滤：一段质量误差受控的短标签即可把候选集合压缩到个位数，过滤极其锐利；又因为标签短，即使谱图只局部清晰也常能读出，灵敏度亦佳。该框架还天然容错——标签之外的区域内允许存在突变或修饰（质量被两侧区域质量吸收），适合跨物种与修饰肽段的检索。可以说，序列标签以最小的序列代价换取了接近全序列的判别力。

5.4.3 数据库检索算法与假发现率控制

鸟枪法实验动辄产生 10⁴–10⁵ 张 MS/MS 谱图，每张都要与数据库中数以万计的理论肽段逐一比对——这只能交给算法。经典的两条技术路线代表了两种打分哲学。

相关打分：SEQUEST。对候选肽段按设定的碎裂规则「生成理论谱」——枚举各种长度与电荷态的 b/y 离子（可含中性丢失峰），再把实测谱与理论谱做比较。SEQUEST 先以共享峰计数（shared peak count，实测与理论共有峰的数目）快速预筛出少数候选，再对入围者计算交叉相关(cross-correlation, XCorr)：将理论谱沿 m/z 轴平移、与实测谱处处求相关，以真实位置上的相关值相对平移背景的超出量作为得分（Eng et al., 1994；Yates et al., 1995）。XCorr 看重两张谱「整体形状」的吻合，对个别噪声峰与缺峰不敏感，这是它长期流行的原因。

概率打分：Mascot。延续 MOWSE 的概率框架并推广到 MS/MS：对每个「谱图—肽段」配对，估计其出于偶然的概率，再按式 (5.4-1) 的形式取对数作为离子得分；蛋白得分由其肽段得分聚合而来（Perkins et al., 1999）。其思想可用贝叶斯语言重述：给定观测谱图，候选序列为真的后验概率取决于似然（该序列产生这张谱图的可能性）与先验（库中出现该肽段的几率）——得分高者，即「偶然解释起来最勉强」的候选。

无论哪种算法，检索都要先划定搜索空间，即设定哪些理论肽段「存在」。除母离子质量窗口外，最重要的约束是酶特异性与漏切位点数：限定胰酶酶切、允许至多 1–2 个漏切，把候选肽段约束到生物学上合理的子空间，既省算力，也压低随机命中。修饰的设定则是双刃剑：固定修饰(fixed modification)（如样品制备中烷基化 Cys 的 +57.021 Da）对所有相关残基一律加上；可变修饰(variable modification)（如磷酸化 +79.966 Da、甲硫氨酸氧化 +15.995 Da）则允许「有或无」——这让每条肽段的理论形式按潜在位点数呈 2 的幂次膨胀。

膨胀的搜索空间与海量谱图相乘，使蛋白质组学成为一部名副其实的多重检验机器：即便单张谱图的假阳性率低至 10⁻³，10 万张谱图仍会期望产生约 100 条假肽段鉴定。第 4 章在转录组学中遇到的同样问题，在这里由目标—诱饵策略(target-decoy strategy)给出了一个构造性的解（图 5.4-3）。

5.4.4 从肽段到蛋白的推断问题

至此鉴定的基本单位始终是肽段：一张谱图、一条肽段序列、一个得分。但生物学想要回答的是「鉴定到了哪些蛋白质」——这一步并非简单汇总，而是一次真正的推断。麻烦来自共享肽段(shared peptides)：同基因家族的旁系同源体、可变剪接异构体、共享结构域或重复序列的蛋白质，往往含有完全相同的肽段。一条肽段若同时来自蛋白 A 与蛋白 B，它就无力裁定「A 还是 B 确实存在于样品中」；只有唯一肽段(unique peptides)——仅出现于一个蛋白编码条目的肽段——才具区分力。长度不足以落入唯一区域的蛋白，遂成鉴定上的「灰区」。

通行解法是简约蛋白推断(parsimonious protein inference)：在能解释全部鉴定肽段的前提下，取最小的蛋白集合（Nesvizhskii & Aebersold, 2005）。这在计算上是集合覆盖问题：图 5.4-4 中，肽段 P1 仅见于 A、P4 仅见于 C，故 A、C 必入集合，而 A 与 C 又恰好解释了共享肽段 P2 与 P3——蛋白 B 的全部证据都被覆盖，无法独立确认。若两个蛋白的肽段证据完全相同（互相不可区分），则应合并为一个蛋白组报告。相应的报告规范要求：给出蛋白分组、区分 unique 与 shared 肽段计数；蛋白水平的 FDR 估计也远比肽段水平复杂——「两条肽段都真」并不保证「它们指向的蛋白都在场」。蛋白水平的结论，本质上是统计推断而非直接观测。

5.4.5 工作流、数据标准与检索库

把前述环节串起来，便得到鸟枪法蛋白质组学(shotgun proteomics)的标准流水线：样品制备（变性、还原、烷基化）→ 胰酶酶解——整个蛋白质组被「打散」成肽段混合物 → 反相液相色谱逐步洗脱分离 → 质谱仪在洗脱过程中按数据依赖模式逐一挑选母离子做 MS/MS → 谱图检索与打分 → 目标—诱饵 FDR 过滤 → 简约蛋白推断；其后的定量策略（标记或无标记）属于5.5 节的主题。它与二维凝胶路线代表了两种分离哲学，各有清晰的得失。

规模化的另一面是数据标准。各厂商质谱的原始输出格式互不相通，社区遂制定了开放的 mzML 标准统一谱图数据（含仪器参数与谱图）；鉴定结果——得分、FDR、蛋白推断——连同原始谱图一并存入 PRIDE 等公共知识库，经 ProteomeXchange 联盟互通，使结果可再分析、方法可再评估。（原书出版于 2009 年；此处按其后定稿并通行的社区标准补充。）

最后是检索库的选择，它本身就是一项统计决策。UniProtKB 的两个层次代表了权衡的两端：Swiss-Prot 条目经人工审校，注释一致、冗余受控，检索空间小、随机命中少，但可能不含新发现的异构体；TrEMBL 由计算注释自动生成并随翻译数据增长，覆盖面广，却引入冗余与预测序列——库变大，找到真身的概率提高，同时随机命中的期望与显著性阈值一并抬高（式 5.4-1 的库规模依赖即在于此）。以窄库检索、宽库核对，是常见的折中。至此，「谁在场」的问题有了完整的方法学答案；「各有多少」的问题，交给下一节。