分享一篇发表在Analytical Chemistry上的文章，文章的题目为“Full Window Data-Independent Acquisition Method for Deeper Top-Down Proteomics”，通讯作者为来自北京理工大学的徐伟教授，其研究方向为质谱仪器与分析，结构蛋白质组学。

蛋白质变体是特定基因产生的多种蛋白质形式，在生物进化和生命活动调节中至关重要。TDP通过分析完整的蛋白质，为蛋白质组提供全面视角，在蛋白质异构体表征方面应用广泛。目前TDP主要采用DDA技术，但该技术因前体离子选择的随机性，难以检测低丰度离子。同时，电喷雾电离产生的蛋白质离子多为多电荷态，前体离子隔离会降低片段离子强度，导致重现性低、信息丢失，影响蛋白质组分析的准确性和全面性。

DIA在自下而上蛋白质组学中取得显著成果，具有高通量、无偏分析等优点。然而，由于TDP中蛋白质离子在电喷雾质谱中的独特性质，以及数据分析的复杂性，现有DIA方法难以直接应用于TDP。因此，本研究提出一种机器学习辅助的全窗口数据非依赖采集（FW-DIA）方法，该方法无需对前体离子进行分离，能利用所有前体蛋白离子生成高质量的串联质谱。

与传统TD-DDA相比，FW-DIA模式下细胞色素C的串联质谱片段离子信号增强>50倍 ，序列覆盖率从7.7%提高到24.3%（>3倍提升）。两种方法都发现细胞色素C存在乙酰化和血红素基团，但DIA模式下含翻译后修饰（PTM）的氨基酸位置范围更集中。

​

作者应用FW-DIA模式对五蛋白混合物进行分析，不仅成功鉴定出所有五种蛋白质，且提高了序列覆盖率。例如，溶菌酶的序列覆盖率从10.6%提升到49.0%。

大肠杆菌核糖体蛋白分析：FW-DIA鉴定出大肠杆菌55种核糖体蛋白中的54 种，而传统DDA仅鉴定出24种。FW-DIA的最大序列覆盖率约为67%，还鉴定出多种蛋白质异构体和PTM，如N-末端甲硫氨酸切除、乙酰化和甲基化等。

总之，本论文开发了FW-DIA方法，无需设置前体离子隔离窗口，可增强片段离子强度和多样性。通过机器学习辅助的去噪模块和整合多种解卷积方法，提高了质谱解卷积效果。离子配对策略减少了前体选择偏差，在蛋白质鉴定、序列覆盖和PTM位点识别方面优于 DDA。

本文作者：LJF

责任编辑：LZ

DOI：10.1021/acs.analchem.4c06471

原文链接：https://doi.org/10.1021/acs.analchem.4c06471