構(gòu)建迄今規(guī)模zui大的小鼠多器官N -糖蛋白組數(shù)據(jù)庫。聚焦小鼠四個關(guān)鍵腦區(qū)開展時空維度糖蛋白組學研究，揭示糖基化在衰老及神經(jīng)退行性疾病中的變化規(guī)律，并搭建在線數(shù)據(jù)庫 NGlycoMiner，為相關(guān)研究提供數(shù)據(jù)支持。

《Nature Communications》（簡稱 “Nat Commun"）是自然科研（Nature Research）旗下的國際頂級開放獲取（Open Access）綜合性學術(shù)期刊，2010年正式創(chuàng)刊，旨在發(fā)表自然科學領(lǐng)域（涵蓋生物、化學、物理、地球科學、醫(yī)學等）具有重要科學意義、但未達到《Nature》主刊突破性高度的原創(chuàng)研究成果，填bu了頂級主刊與專業(yè)子刊間的發(fā)表空白。

出版周期： Bimonthly；

影響因子：2024-2025最新影響因子為15.7，五年影響因子為17.2；

ISSN：2041-1723；

發(fā)文量：2024 年發(fā)文量為10749篇；

版面費：$6790.00/篇；

一、研究背景

蛋白質(zhì)糖基化作為廣泛存在的關(guān)鍵蛋白質(zhì)翻譯后修飾，其聚糖結(jié)構(gòu)具有多樣性、復雜性與動態(tài)性，對蛋白質(zhì)功能影響深遠，在生理與病理過程中均發(fā)揮核心作用。N-糖蛋白由聚糖連接多肽鏈特定天冬酰胺殘基形成，其合成受多種因素調(diào)控，識別糖蛋白并表征位點特異性聚糖，對解析健康與疾病機制至關(guān)重要。但基于質(zhì)譜的N-糖蛋白質(zhì)組學面臨諸多挑戰(zhàn)，如異質(zhì)性、糖肽豐度低、富集不wan全，且質(zhì)譜圖質(zhì)量差、復雜，導致光譜識別率低、jia 發(fā)現(xiàn)率高。雖科研人員優(yōu)化樣品制備、改進技術(shù)與開發(fā)軟件，仍未達理想識別深度與精度。此前用pGlyco 2.0構(gòu)建的小鼠數(shù)據(jù)集，已無法滿足當前AI算法對糖肽光譜研究的高質(zhì)量訓練數(shù)據(jù)需求，成為領(lǐng)域瓶頸。

二、關(guān)鍵技術(shù)總結(jié)

樣本處理：選取小鼠多種組織（腦、肺、腎、肝、心臟）及疾病模型腦區(qū)樣本，采用含蛋白酶抑制劑的裂解緩沖液勻漿組織，經(jīng)DTT還原、IAA烷基化、丙酮沉淀處理蛋白質(zhì)，再用yi蛋白酶單獨消化或與Lys-C、Glu-C組合消化蛋白質(zhì)，最后通過Sep-Pak C18柱脫鹽。

糖肽富集：采用ZIC-HILIC和Sepharose CL-4B兩種方法。ZIC-HILIC法將肽段加載到含 ZIC-HILIC介質(zhì)的微柱，經(jīng)多步洗滌后梯度洗脫；Sepharose CL-4B法讓肽段與介質(zhì)振蕩結(jié)合，洗滌后孵育回收糖肽。

液相色譜-質(zhì)譜分析：常規(guī)組織樣本用Orbitrap Fusion質(zhì)譜儀結(jié)合Proxeon EASY-nLC II液相色譜泵，以特定流動相和梯度洗脫；疾病模型腦區(qū)樣本用配備FAIMSpro接口的Orbitrap Exploris 480質(zhì)譜儀與Easy-nLC 1200系統(tǒng)聯(lián)用，采用不同梯度洗脫，均通過HCD fragmentation獲取MS/MS數(shù)據(jù)。

數(shù)據(jù)處理與分析：從UniProt下載小鼠蛋白質(zhì)數(shù)據(jù)庫，用pGlyco3、StrucGP、MSFragger-Glyco、Glyco-Decipher四種軟件進行數(shù)據(jù)庫搜索；基于XIC面積定量，采用總強度歸一化處理數(shù)據(jù)；通過Python和R進行生物信息學分析，包括二級結(jié)構(gòu)分布分析、PCA、層次聚類、Pearson相關(guān)分析、GO和KEGG通路富集分析，以及WGCNA構(gòu)建共調(diào)控網(wǎng)絡(luò)。

驗證與數(shù)據(jù)庫構(gòu)建：用Western blot 分析驗證糖蛋白表達，通過PNGase F處理去除N - 糖鏈輔助驗證；基于Django Web框架、MySQL數(shù)據(jù)庫、Python后端及HTML/CSS/JavaScript 前端，結(jié)合Nginx和uWSGI構(gòu)建N-GlycoMiner 數(shù)據(jù)庫，整合實驗數(shù)據(jù)與文獻數(shù)據(jù)。

三、主要研究成果

1、小鼠N-糖蛋白組學研究綜合工作流程

選取了五種小鼠組織進行深度分析，包括腦、肺、腎、肝和心臟；使用了三種酶解方案以zui大化肽段覆蓋度：Trypsin（yi蛋白酶）、Trypsin + Lys-C、Trypsin + Glu-C；Trypsin + Glu-C；采用ZIC-HILIC（親水相互作用色譜）和Sepharose CL-4B（基于凝集素的富集）兩種糖肽富集策略以捕獲更廣泛的糖肽；共進行了154次 LC-MS/MS運行，總耗時 936小時（39天），最終獲得了685萬張 包含氧鎓離子的糖肽質(zhì)譜圖（Glyco-spectra）。

使用四款主流糖蛋白組學軟件（pGlyco3, StrucGP, MSFragger-Glyco, Glyco-Decipher）對數(shù)據(jù)進行聯(lián)合搜索和鑒定，以評估各軟件性能并提高鑒定可信度。展示了不同組織中鑒定到的糖肽數(shù)量，證明了數(shù)據(jù)集的深度。分析了同一糖基化位點上連接不同聚糖的現(xiàn)象。通過圖表對比，直觀顯示了糖基化模式在不同組織間的顯著差異。

對阿爾茨海默病（AD）、帕金森病（PD）、衰老和年輕對照組的小鼠海馬體、前額葉皮層、紋狀體、和黑質(zhì)進行了時空分析。旨在揭示糖基化在腦老化與神經(jīng)退行性疾病中的時空特異性變化。

構(gòu)建了一個名為 N-GlycoMiner 的在線數(shù)據(jù)庫平臺。用戶可查詢本研究中所有鑒定到的糖蛋白、糖基化位點和糖型的詳細信息。網(wǎng)站提供理論糖基化分析功能，用戶可上傳FASTA文件，自動預測潛在的N-糖基化位點和生成模擬糖肽。整合了AlphaFold2預測的蛋白結(jié)構(gòu)，并在結(jié)構(gòu)上標注已鑒定的糖基化位點。

核心結(jié)果是通過一個極其全面和深入的工作流程，整合了多維度的實驗設(shè)計、多軟件的數(shù)據(jù)分析、疾病時空模型以及一個強大的數(shù)據(jù)庫資源，成功構(gòu)建了迄今為止最大、最深度的小鼠N-糖蛋白組圖譜，為揭示糖基化在生物學中的復雜作用提供了強大的數(shù)據(jù)基礎(chǔ)和研究平臺。

2、多軟件鑒定結(jié)果的綜合評估與數(shù)據(jù)質(zhì)量驗證

鑒定數(shù)量差異：四款軟件（pGlyco3, StructGP, MSFragger-Glyco, Glyco-Decipher）共鑒定出約104萬個糖肽譜圖匹配（GPSMs），但各軟件鑒定數(shù)量存在顯著差異。在前體、糖型層次上，各軟件鑒定數(shù)量排名一致（Glyco-Decipher > MSFragger-Glyco > pGlyco3 > StructGP）；但在糖基化位點、糖蛋白層次上，排名出現(xiàn)變化，揭示了不同軟件的設(shè)計偏好和局限性。僅有 160,928個GPSMs（占總GPSMs的15.5%） 被所有四款軟件一致鑒定為相同的糖肽前體，被視為高可信度數(shù)據(jù)。基于軟件間的一致性，提出了一個四級可信度系統(tǒng)：

高可信度 (High-confidence): 四款軟件一致 (15.5%)；中可信度 (Moderate-confidence): 至少兩款軟件一致 (37.7%)；低可信度 (Low-confidence): 僅一款軟件鑒定 (38.7%)；模糊鑒定 (Ambiguous): 不同軟件給出wan全不同結(jié)果 (8.1%)；其中，pGlyco3表現(xiàn)出最高的一致性，而MSFragger-Glyco雖然靈敏度高（鑒定數(shù)量多），但與其他軟件的不一致性也最高。

使用不同可信度的數(shù)據(jù)集重新訓練了DeepGP和DeepGlyco等AI模型，使用中高可信度數(shù)據(jù)合并訓練的模型，其預測譜圖與實驗譜圖的余弦相似度中位數(shù)高達0.95，性能優(yōu)于文獻中已報道的模型，使用中高可信度數(shù)據(jù)訓練的模型，在保留時間（IRT）預測上也表現(xiàn)出更高的準確性（皮爾遜相關(guān)系數(shù)更高），5折交叉驗證表明，基于高可信度數(shù)據(jù)訓練的DeepGlyco模型預測結(jié)果極其穩(wěn)定且準確（點積中位數(shù)>0.986）。

去除模糊鑒定后，最終構(gòu)建的數(shù)據(jù)集包含：91,972個 wei一前體糖肽，62,216個wei一糖型，8,939個糖基化位點，4,563個糖蛋白；本研究鑒定到的糖蛋白和糖基化位點數(shù)量遠超UniProt數(shù)據(jù)庫中的記錄，分別多出2,847個糖蛋白和5,177個位點，極大地擴展了已知的小鼠N-糖蛋白組圖譜。盡管投入巨大，但總譜圖的鑒定率僅為11.6%，仍有88.4%的譜圖未被鑒定，凸顯了當前糖蛋白組學技術(shù)在譜圖解析能力上的巨大挑戰(zhàn)和未來改進空間。

研究通過多軟件交叉驗證，構(gòu)建了一個具有可信度分級的、超大規(guī)模且高質(zhì)量的小鼠N-糖蛋白組數(shù)據(jù)集。該數(shù)據(jù)集不僅本身規(guī)模，而且能顯著提升AI模型的預測性能，為糖蛋白組學領(lǐng)域的算法開發(fā)和生物學發(fā)現(xiàn)提供了寶貴的資源。同時，結(jié)果也客觀地揭示了當前技術(shù)仍存在解析度不足的局限性。

3、小鼠N-糖蛋白組的綜合分析

質(zhì)譜分布分析結(jié)果表明，完整糖肽分子量主要分布在 2000-6000 Da 范圍內(nèi)，而去糖基化肽段質(zhì)量多在 1000-2500 Da 之間，與理論預測（所有含N-X-S/T/C序列的肽段）的分布相比，揭示了質(zhì)譜技術(shù)在可檢測質(zhì)量范圍上的局限性。腦組織中的聚糖整體上明顯小于其他組織，這表明大腦擁有獨特的糖基化譜，提示其糖基化功能可能與其他器官不同。利用AlphaFold2和DSSP分析了糖蛋白的二級結(jié)構(gòu)。結(jié)果顯示，N-糖基化位點更多地位于Coil（無規(guī)卷曲）和 Bend（彎曲）區(qū)域，其次是 β-strand（β-折疊） 和 Turn（轉(zhuǎn)角） 區(qū)域。構(gòu)建了三維氣泡圖來可視化糖蛋白的異質(zhì)性，三個維度分別為：X軸，糖蛋白；Y軸，每個蛋白上的糖基化位點數(shù)量；Z軸，每個蛋白上的糖型總數(shù)；平均每個蛋白有 ~2個 糖基化位點，每個位點有 ~7種 不同的糖型（微觀異質(zhì)性）。腦組織的糖蛋白表現(xiàn)出最高的微異質(zhì)性，而心臟組織的zui低。某些蛋白在不同組織中表現(xiàn)出截然不同的糖基化模式，如CD36（血小板糖蛋白4）在大腦中僅檢測到1個糖基化位點（N417）和2種糖型。而在心臟和肺中檢測到全部7個 理論位點，其中心臟中有多達 258種 糖型。蛋白質(zhì)印跡（Western Blot）驗證實驗結(jié)果與質(zhì)譜數(shù)據(jù)一致，心臟和肺中糖基化CD36的蛋白表達量遠高于大腦。使用PNGase F酶去除N-糖鏈后，條帶發(fā)生遷移，證實了CD36的修飾主要是N-糖基化。這表明，不同組織間CD36糖基化水平的差異主要源于其蛋白表達水平本身的高低。CD36在心臟和脂肪組織中負責脂肪酸攝取，并與肺癌發(fā)展有關(guān)。其糖基化的組織特異性暗示了糖基化對于調(diào)控CD36在不同組織中執(zhí)行特定功能至關(guān)重要。

圖3、小鼠N-糖蛋白組的綜合分析結(jié)果

研究利用超深度數(shù)據(jù)集，全面描繪了小鼠N-糖蛋白組的整體特征，揭示了糖基化修飾在分子大小、蛋白結(jié)構(gòu)偏好和異質(zhì)性程度上的規(guī)律。最重要的是，它通過令人信服的數(shù)據(jù)（包括對CD36的生化驗證）證實了糖基化具有顯著的組織特異性，這種特異性不僅體現(xiàn)在糖型種類上，更與底層蛋白的表達水平和器官的功能需求密切相關(guān)。這部分分析為后續(xù)探索大腦等特定器官在衰老和疾病中的糖基化變化奠定了堅實的基礎(chǔ)。

4、不同組織中糖基化和糖蛋白的功能特異性

系統(tǒng)揭示了小鼠五種組織中N-糖基化的高度特異性及其功能關(guān)聯(lián)。主成分分析顯示，腦組織的糖基化譜與其他組織截然不同，腎臟也展現(xiàn)出獨特的聚糖模式。無監(jiān)督聚類識別出四個聚糖表達簇：腦富集簇以巖藻糖化和NeuAc唾液酸化修飾為特征；心/肝簇富含NeuGc唾液酸；腎簇高巖藻糖但低唾液酸。對應(yīng)地，糖蛋白表達譜聚類出五大組織特異性簇，其功能與器官生理wan美契合：腦特異性糖蛋白主導神經(jīng)發(fā)育與突觸功能；肝、心、腎和肺的糖蛋白分別富集于代謝、機體穩(wěn)態(tài)、物質(zhì)運輸和結(jié)構(gòu)發(fā)育過程。共調(diào)控網(wǎng)絡(luò)分析進一步發(fā)現(xiàn)，跨組織保守的糖蛋白顯著參與ECM-受體相互作用、鞘脂代謝等通路，并鑒定出β-己糖胺酶亞基α（Hexa）為核心樞紐分子。這些結(jié)果表明，糖基化修飾并非隨機，而是精確調(diào)控并支撐著組織的特異性功能。

研究通過多維度生物信息學分析，將糖基化數(shù)據(jù)與生物學功能直接聯(lián)系起來。它系統(tǒng)地證明了N-糖基化修飾具有高度的組織特異性，這種特異性不僅體現(xiàn)在聚糖和糖蛋白的表達量上，更與其所在組織的核心生理功能wan美契合（如神經(jīng)功能、代謝、運輸?shù)龋Ｍ瑫r，網(wǎng)絡(luò)分析揭示了跨組織保守的糖基化調(diào)控通路和核心分子（如Hexa），為理解糖基化在系統(tǒng)生物學中的調(diào)控作用提供了新視角。

圖4、小鼠跨組織的聚糖組成與糖蛋白的綜合分析結(jié)果

5、腦部時空與疾病特異性糖蛋白組分析

研究分析了小鼠大腦N-糖基化在衰老與神經(jīng)退行性疾病中的時空動態(tài)變化。結(jié)果表明，年齡是驅(qū)動糖基化變化的首要因素，其影響遠超疾病狀態(tài)，老年組（9個月）相比年輕組（3個月）多個腦區(qū)普遍出現(xiàn)糖基化水平下降。研究發(fā)現(xiàn)了顯著的腦區(qū)與疾病特異性：阿爾茨海默病（AD）、帕金森病（PD）和衰老過程在不同腦區(qū)（如海馬、紋狀體、黑質(zhì)）均引發(fā)獨特的糖基化修飾改變。共表達網(wǎng)絡(luò)分析（WGCNA）進一步識別出多個功能協(xié)同的糖基化模塊，例如：模塊M5（與軸突發(fā)生相關(guān)）在PD中上調(diào)；模塊M6（與神經(jīng)發(fā)育相關(guān)）在AD和衰老中下調(diào)；模塊M8（溶酶體功能）在AD中上調(diào)。聚糖模塊分析同樣發(fā)現(xiàn)，高度唾液酸化的聚糖在AD和PD中均顯著減少。

圖5、不同疾病與衰老條件下腦區(qū)N-糖蛋白組的比較分析

研究不僅證實了腦部N-糖基化具有強烈的區(qū)域特異性，更重要的是揭示了年齡是驅(qū)動其變化的zui強因素，其影響甚至超過疾病本身。通過共表達網(wǎng)絡(luò)分析，研究發(fā)現(xiàn)了多個與特定腦區(qū)、衰老及神經(jīng)退行性疾病（AD, PD）密切相關(guān)的糖基化功能模塊，并將這些變化與諸如突觸功能、細胞粘附和溶酶體過程等關(guān)鍵生物學通路聯(lián)系起來。這為理解糖基化在腦老化及神經(jīng)退行性疾病中的分子機制提供了qian所未有的時空動態(tài)視角和大量潛在的調(diào)控靶點。

6、N-GlycoMiner數(shù)據(jù)庫的構(gòu)建和功能

研究構(gòu)建了綜合性N-糖蛋白組學資源平臺 - N-GlycoMiner。平臺整合了本研究產(chǎn)生的大規(guī)模實驗數(shù)據(jù)與近十年60篇文獻中的公共數(shù)據(jù)，構(gòu)建了迄今zui全面的物種特異性N-糖蛋白組數(shù)據(jù)庫。其核心內(nèi)容包含：小鼠數(shù)據(jù)（31萬種糖型、1.2萬種糖蛋白、3.8萬個糖基化位點）和人類數(shù)據(jù)（10.7萬種糖型、8007種糖蛋白、1.7萬個位點）。平臺提供四大功能：1）本研究數(shù)據(jù)查詢，可檢索組織特異性表達、鑒定可信度等詳細信息；2）文獻數(shù)據(jù)整合，涵蓋多種樣本類型與疾病模型；3）生物學見解，聚焦神經(jīng)疾病、癌癥等病理中失調(diào)的糖基化模式；4）理論預測功能，支持用戶上傳蛋白序列，自動預測糖基化位點、生成模擬糖肽并分析其理化性質(zhì)。該平臺代表了當前該領(lǐng)域zui全面的數(shù)據(jù)資源，旨在成為糖生物學研究領(lǐng)域的核心工具，為揭示糖基化在生理和疾病中的功能提供不ke或缺的數(shù)據(jù)基礎(chǔ)。

圖5、N-GlycoMiner  的核心架構(gòu)與功能展示

四、研究的意義

研究通過技術(shù)上的ji致創(chuàng)新，產(chǎn)生了qian所未有深度和高質(zhì)量的數(shù)據(jù)，并以此為基礎(chǔ)構(gòu)建了支撐未來研究的平臺資源，最終揭示了糖基化在生理和病理狀態(tài)下qian所未有的復雜性和功能性。這不僅極大地推動了糖蛋白組學領(lǐng)域本身的發(fā)展，更為神經(jīng)科學、衰老研究和精準醫(yī)學等多個相關(guān)領(lǐng)域提供了強大的新工具和深刻的新見解，具有里程碑意義。

參考文獻：

Fang P, Yu X, Ding M, Qifei C, Jiang H, Shi Q, Zhao W, Zheng W, Li Y, Ling Z, Kong WJ, Yang P, Shen H. Ultradeep N-glycoproteome atlas of mouse reveals spatiotemporal signatures of brain aging and neurodegenerative diseases. Nat Commun. 2025 Jul 1;16(1):5568. doi: 10.1038/s41467-025-60437-6. PMID: 40593524; PMCID: PMC12215503.