《npj Systems Biology and Applications》：The complexome contextualizes proteomics data to fingerprint biological states and highlight perturbed functional modules in disease
编辑推荐：
为解决多组学整合与疾病功能失调模块挖掘难题，研究人员开展基于蛋白质复合体组（Complexome）的蛋白质组学数据整合研究，构建了人及模式生物复合体组资源，实现了组织特异性功能指纹图谱绘制及线粒体氧化磷酸化（OXPHOS）等疾病相关复合体扰动精准识别，为系统生物学提供新工具。
在生命科学飞速发展的今天，我们拥有了窥探细胞内部运作的“超级显微镜”——各种组学技术。蛋白质组学（Proteomics）能告诉我们细胞里有哪些蛋白质、有多少，但就像只拿到了一堆零件清单却不知道它们怎么组装成机器。特别是当面对癌症、遗传病等复杂疾病时，单看某个蛋白质的变化往往难以解释全貌，科学家们急需一种方法，能把零散的蛋白质数据“拼装”回它原本的功能模块（如蛋白质复合体）中，从而真正看懂细胞在健康与疾病状态下的功能差异。这正是《npj Systems Biology and Applications》上这篇研究所要解决的核心挑战。
为了回答这个问题，研究团队没有选择从零开始“盲拼”，而是巧妙地利用了一个精心整理的“组装说明书”数据库——蛋白质复合体组（Complexome）。他们开发了一个新的生物信息学框架，将实验测得的蛋白质组数据“投射”到这个已知的复合体网络上。简单来说，就是先搞清楚细胞里通常有哪些标准的“功能机器”（复合体），再看疾病状态下哪些“机器”缺零件了或者变样了。他们首先用来自不同人体组织的蛋白质数据测试了这个方法，成功绘制出了能代表不同组织独特功能的“复合体指纹图谱”。更重要的是，当他们把来自患有遗传性代谢缺陷病人成纤维细胞的蛋白质组数据输入系统后，成功捕捉到了线粒体氧化磷酸化（OXPHOS）复合体以及其他相关复合体的显著异常。这不仅验证了方法的精准性，也揭示了疾病背后隐藏的系统性功能紊乱。
主要技术方法
研究利用生物信息学整合策略，核心是基于Python构建的分析框架。技术路线主要包括：1. 构建与整合：从公共数据库整合获得高质量蛋白质复合体组（Complexome）数据集；2. 数据映射：将定量蛋白质组学数据（如来自患者成纤维细胞队列）映射至复合体网络；3. 功能解析：通过差异分析与模块化检测，识别在特定生物状态（如疾病）下发生显著扰动的功能模块。
研究结果
1. 构建基准 Complexome 作为功能整合骨架
研究人员首先从公共数据库整合并严格筛选了高质量的蛋白质复合体数据，构建了一个覆盖人类及多种模式生物的 Complexome 数据集。这个数据集不同于简单的基因列表，它包含了蛋白质复合体的完整亚基组成和结构信息，为后续分析提供了可靠的“功能背景”骨架。当把组织特异性蛋白质组数据映射到这个骨架上时，研究发现不同组织呈现出截然不同的复合体丰度模式，这些模式就像“指纹”一样，独特地定义了该组织的生物学活动状态。这证明 Complexome 能有效将抽象的蛋白质列表转化为有生物学意义的功能图谱。
2. 疾病状态下的 Complexome 重塑识别
为了验证该方法在疾病研究中的效力，研究团队分析了一组来自经基因确诊的代谢缺陷病患者成纤维细胞的蛋白质组数据。通过对比患者与健康对照的复合体丰度 profile，算法成功“揪出”了已知与疾病密切相关的分子机器——线粒体氧化磷酸化（OXPHOS）复合体。这些复合体在患者样本中表现出显著的丰度扰动，直接印证了其能量代谢功能障碍的病理基础。
3. 发现延伸的线粒体功能模块扰动
除了预期的 OXPHOS 复合体，分析还揭示了更广泛的线粒体功能网络异常。一些与 OXPHOS 功能协同或结构相关的辅助复合体也发生了显著变化。这一发现表明，疾病的分子影响往往不局限于单一通路，而是会波及整个功能网络。通过 Complexome 的系统视角，研究揭示了疾病背景下功能模块的协同失调，提供了比单一靶点更全面的病理机制视图。
结论与意义
该研究成功证明，利用精心整理的蛋白质复合体组（Complexome）作为骨架整合蛋白质组数据，是一种强大且通用的策略。它解决了传统单蛋白质分析难以捕捉功能模块扰动的痛点，将数据解读提升到了系统水平。这种方法不仅能够为疾病机制研究提供新的线索（如发现新的协同失调模块），其提供的开源软件工具更为领域内研究者提供了一个标准化分析平台。未来，随着更多高质量复合体数据的补充，这一框架有望成为连接分子表型与临床表型的关键桥梁，推动精准医学的发展。
