蛋白组学
解析蛋白质组组成，挖掘关键生物标志物，从功能执行终端解读生命机理。
4D-DIA 蛋白组学
4D-DIA蛋白组学是融合4D分离技术（保留时间、质荷比、离子强度、离子迁移率）与数据非依赖采集（DIA）模式的新一代高通量蛋白组学技术。其核心创新在于引入离子迁移率（IM）维度，通过额外的空间分离提升肽段分辨率，结合DIA无偏向性采集所有肽段的优势，解决了传统3D-DIA（无离子迁移率）覆盖度不足、低丰度蛋白检出难的痛点。4D-DIA灵敏度更高：离子迁移率过滤干扰离子，低丰度蛋白检出率提升30%-50%；定量更精准：基于离子迁移率的肽段特异性匹配，减少共洗脱干扰，定量CV值≤10%；覆盖度更广：单次实验可鉴定10000+蛋白，且能稳定检测修饰蛋白。4D-DIA已成为临床样本分析、复杂疾病标志物筛选、药物靶点验证、多组学联合研究的核心技术。
原理介绍
数据非依赖型的扫描模式(Data-independent acquisition, DIA)是近几年来发展的一种新的质谱数据采集方式。能够对复杂样品中的所有信号进行无偏向性的MS分析，从而获得更高的肽段覆盖率。将质谱整个全扫描范围分为若干个窗口，高速、循环地对每个窗口中的所有离子进行选择、碎裂、检测，从而无遗漏、无差异地获得样本中所有离子的碎片信息。4D-DIA基于timsTOF Pro2质谱仪，在传统三维数据（保留时间、质荷比、离子强度）的基础上增加了第四个维度，离子淌度信息。4D-DIA利用diaPASEF技术能够全面提升蛋白质鉴定能力、检测灵敏度和数据完整性。具体流程如下：样本预处理与蛋白制备、肽段多维分离、4D-DIA质谱采集。数据分析与功能解析。
文献案例
《Cell Reports Medicine》期刊上发表的“Machine learning-based analysis identifies and validates serum exosomal proteomic signatures for the diagnosis of colorectal cancer"采用4D-DIA 蛋白组学技术分析结直肠癌患者与健康人血清外泌体蛋白表达差异，结合机器学习构建诊断模型。共鉴定出 1,200 + 外泌体蛋白，筛选出 10 个核心标志物组合，其诊断结直肠癌的 AUC 值达 0.96，对早期结直肠癌也有良好区分能力（AUC=0.92），为结直肠癌无创早诊提供了高特异性、高灵敏度的液体活检方案。凭借高深度、高重现性的蛋白定量能力，精准捕获血清外泌体中低丰度蛋白差异，为机器学习筛选可靠诊断标志物提供高质量数据支撑。
送样标准
新鲜组织≥50mg（动物组织）、≥200mg（植物组织）；
5-10μm切片≥10张，组织面积≥20mm²；
细胞≥1×10⁶个；细胞爬片≥5张。
血清/血浆≥1mL；尿液≥10mL；脑脊液/唾液、脑脊液≥0.5mL、唾液≥3mL。
蛋白样本≥50μg；肽段样本≥20μg。
交付内容
数据质量控制报告
样本质量：蛋白提取量、肽段脱盐效果、SDS-PAGE电泳图；4D采集质量：离子迁移率分辨率、肽段峰容量、二级谱图数量、Q30比例；定量质量：蛋白鉴定数、肽段鉴定数、定量CV值、生物学重复相关性。
蛋白定量与注释结果
定量表达矩阵：所有鉴定蛋白的FPKM/Intensity值、FC值、P值、FDR值；差异蛋白筛选：差异蛋白列表、火山图、热图、聚类分析图；数据库注释：蛋白功能描述、亚细胞定位、结构域信息、修饰位点信息。
功能分析结果
GO/KEGG/Reactome通路富集分析图（Top20通路）、蛋白互作网络（PPI）示意图、差异蛋白功能聚类热图；多组学联合分析：蛋白-代谢物/miRNA关联网络。
分析与解读报告
检测结论：核心差异蛋白集合、潜在生物标志物候选名单、关键调控通路；结果解读：核心蛋白的功能机制、与疾病/表型的关联、技术优势说明。
常见问题
适合，4D-DIA是FFPE样本的最优蛋白组学方案：①核心优势：离子迁移率可筛选完整肽段，过滤降解片段，相较于3D-DIA，FFPE样本蛋白鉴定数提升30%-40%；②注意事项：a. 样本预处理：严格脱石蜡（二甲苯+乙醇梯度脱水），避免残留试剂干扰；b. 酶解优化：延长酶解时间至20小时，使用高活性胰蛋白酶；c. 质量控制：通过SDS-PAGE验证蛋白完整性，避免严重降解样本。
根据研究重点选择，核心特点如下：①timsTOF Pro 2：离子迁移率技术标杆（分辨率≥100），扫描速度快（≥100 Hz），适合低丰度蛋白、外泌体等微量样本；②赛默飞Orbitrap Astral：质量精度高（≤1ppm），适合修饰组学、复杂样本定量；③SCIEX ZenoTOF 7600：快速离子迁移率（分离速度≥200 Hz），适合大样本队列，分析效率高。
多组学联合分析的核心是：①样本一致性：必须使用同一来源、同批次处理的样本，避免样本差异导致关联偏差；②调控方向匹配：关注蛋白表达趋势与mRNA一致/互补的分子，mRNA无差异，蛋白上调提示翻译后调控；③通路聚焦：取三组学共同富集的通路，锁定核心调控轴；④工具支持：使用Metascape、String等工具构建“mRNA-蛋白-代谢物”互作网络，可视化调控关系。
