2024年12月，国际蛋白质组学领域开创者、国家蛋白质科学中心贺福初院士和蛋白质组学领军人物、瑞士苏黎世联邦理工学院Ruedi Aebersold教授，联合近百名国际科学家，在Nature上发表题为“π-HuB：the proteomic navigator of the human body”的重要专家论述。该论述详细阐释了国际重要合作计划π-HuB——人体蛋白质组学导航计划。该计划核心目标是推动疾病风险评估和诊断，识别新的药物靶点，优化治疗策略并实现智能医疗保健，为未来 10 年蛋白质组学研究指明关键方向，例如：针对 10 个器官近 50 种疾病的组织及体液（如血浆）蛋白质组学，开展精准医学模式的研究。
机体衰老是细胞、组织和器官衰老的综合体现，是慢性病的重要风险因素；体液蛋白质组学能够反应机体的整体状态，为研究衰老机制提供了一种强有力的工具。接下来，我们将通过几篇精选章，更深入地了解体液蛋白质组学如何助力衰老研究。
01▕ 血浆蛋白质 vs 器官衰老及疾病预测
文献名称：Organ aging signatures in the plasma proteome track health and disease
发表期刊：Nature
影响因子：64.8
主要内容：
研究者对 5 个独立队列的 5676 名成年人的 4979 种血浆蛋白质进行检测，构建了人群血浆蛋白质组学图谱；通过机器学习构建了 11 个主要器官的衰老模型，探讨血浆蛋白质组指征人体各器官衰老过程，并预测疾病和衰老效应。
血浆蛋白质组学vs器官衰老
02▕ 房水/玻璃体液 vs 细胞衰老
文献名称：Liquid-biopsy proteomics combined with AI identifies cellular drivers of eye aging and disease in vivo
发表期刊：Cell
影响因子：64.5
主要内容：
研究者对 120 例健康人群及患者的房水和玻璃体液进行了蛋白质组学分析，与来自所有已知眼细胞类型的单细胞转录组学相结合，追踪检测到 5953 种蛋白质的细胞起源，识别出数百种细胞特异性蛋白质标记。研究者还开发了一种人工智能（AI）模型来评估单个细胞老化，可以准确评估眼睛的分子年龄，还可以应用于揭示与年龄无关的，疾病特异性细胞类型加速衰老途径。
TEMPO模型揭示房水/玻璃体液VS细胞衰老
03▕ 血浆蛋白质组学 vs 慢性疾病
文献名称：Proteomic aging clock predicts mortality and risk of common age-related diseases in diverse populations
发表期刊：Nature Medicine
影响因子：58.7
主要内容：
该研究整合了UK Biobank，China Kadoorie Biobank，FinnGen队列的蛋白质表达数据与临床数据。利用 UK Biobank 中涵盖的 2897 种血浆蛋白质的蛋白质组数据，借助 LightGBM 等机器学习模型开发出一个蛋白质年龄预测模型，探讨了其在不同人群中预测重大疾病发病率和死亡率的作用，并识别出 204 种能够准确预测实际年龄的蛋白质，发现蛋白质组老化评分与 18 种主要慢性疾病（包括心脏病、肝病、肾病、肺病、糖尿病、神经退行性疾病和癌症）的发生、多发病状况以及全因死亡风险相关。
研究设计和分析方法概览
04▕ 血浆蛋白质组学 vs 大脑衰老
文献名称：Plasma proteomics identify biomarkers and undulating changes of brain aging
发表期刊：Nature Aging
影响因子：17
主要内容：
该研究利用机器学习模型和基于多模态磁共振成像的大脑数据评估了UK Biobank中 10949 名健康参与者的大脑年龄差距（BAG）。在 1705 个脑成像衍生表型（IDP）中，研究团队筛选了 864 个与大脑年龄有关的IDP，用于针对BAG贡献者的蛋白质组范围的关联研究。基于 4696 名参与者的 2922 种血浆蛋白质图谱，研究人员发现了 13 种与BAG显著相关的血浆蛋白质，其与大脑特征或疾病之间显著相关。
研究设计和分析方法概览
通过以上文章，我们得以洞察体液蛋白质组学在衰老研究中的巨大潜力。这项技术可以精确而深入地绘制体液蛋白质的表达图谱，结合机器学习可以更深层次地挖掘体液蛋白质和衰老的关系，发现细胞、组织、器官衰老的蛋白质分子时钟，解析衰老的分子机制，挖掘衰老相关慢性疾病的标志物，为理解衰老过程提供了强有力的工具和有效的解决方案。
