人體中有大約20000個蛋白質(zhì)編碼基因，能翻譯相應數(shù)量的蛋白質(zhì)。然而，通過翻譯后修飾會產(chǎn)生更多形態(tài)的蛋白質(zhì)。截至2018年4月4日，人類蛋白質(zhì)組圖譜包含30057種蛋白質(zhì)。將眾多的分子與質(zhì)譜（MS）這樣的分析技術相結合，探索其微妙的聯(lián)系，會產(chǎn)生海量的“大數(shù)據(jù)”。由于獲得的蛋白質(zhì)組復雜信息數(shù)據(jù)量過于龐大，通常需要很多科研人員協(xié)作才能解讀某一個數(shù)據(jù)集的信息。
雖然這些數(shù)據(jù)集無論從體量還是復雜度看都是驚人的，但共享在將來仍是可預期的。位于威斯康星大學麥迪遜分校的國立衛(wèi)生研究院（NIH）國家復雜系統(tǒng)定量生物學中心主任Joshua Coon說：“作者通常主動的或者是根據(jù)要求將蛋白質(zhì)組學研究的原始數(shù)據(jù)發(fā)送到相應數(shù)據(jù)庫中。但在10年前，情況并非如此，人們的態(tài)度已經(jīng)在改變了。”蛋白質(zhì)組學界甚至整個學術界都意識到數(shù)據(jù)透明度提高了研究人員之間的信任程度，即使身處不同領域的人也是如此。
數(shù)據(jù)共享的困難
在馬薩諸塞州比勒利卡的布魯克公司蛋白質(zhì)組學業(yè)務開發(fā)副總裁Gary Kruppa表示，現(xiàn)在產(chǎn)生蛋白質(zhì)相關的大數(shù)據(jù)比以往任何時候都容易，但以最有效的方式分享數(shù)據(jù)卻很難。研究人員可以在幾天內(nèi)獲取數(shù)以TB計的數(shù)據(jù)，但數(shù)據(jù)的轉移和可視化卻很難。甚至儲存一個月積累的數(shù)據(jù)都很困難。
海量數(shù)據(jù)共享的難點依然在于缺乏有效的方法，而且很難提供足夠的實驗和生物學相關信息。如果研究人員只想分享蛋白質(zhì)組學實驗的原始數(shù)據(jù)，以及與數(shù)據(jù)相關的一些背景和結果，那是非常簡單的，位于英國劍橋的歐洲分子生物學實驗室——歐洲生物信息學研究所（EMBL—EBI）蛋白質(zhì)組學團隊負責人Juan Antonio Vizcaíno解釋說。
越來越多的科研人員參與到數(shù)據(jù)共享中，隨之而來的挑戰(zhàn)也在不斷增加。例如，僅將信息轉儲到數(shù)據(jù)庫是不夠的。“必須確保上傳的數(shù)據(jù)質(zhì)量足夠高，以便其他同行能夠使用這些數(shù)據(jù)，”加利福尼亞州圣何塞市賽默飛世爾科技公司蛋白質(zhì)組學解決方案全球營銷總監(jiān)Andreas Huhmer說。此外，除非數(shù)據(jù)采用某種標準格式，否則數(shù)據(jù)上傳到數(shù)據(jù)庫以后無法方便地進行檢索。
分析數(shù)據(jù)的方法也會影響從中得出的結論。“目前有太多種分析蛋白質(zhì)組學數(shù)據(jù)的方法，因此對數(shù)據(jù)的解釋存在主觀性，”澳大利亞帕克瓦拉的沃爾特和愛麗莎霍爾醫(yī)學研究所的系統(tǒng)生物學和個性化醫(yī)學部門負責人Andrew Webb解釋說。
其他專家也贊同數(shù)據(jù)分析仍然是蛋白質(zhì)組學研究人員面臨的挑戰(zhàn)之一。“我們?nèi)绾斡行У貙⒃紨?shù)據(jù)轉化為有意義的東西，仍然是要克服的第一個難題，就算是在同一個實驗室里也一樣。”英國曼徹斯特沃特世公司健康科學主任James Langridge指出。
即使科研人員們就數(shù)據(jù)的標準化格式和分析方法達成一致，還是存在很多需要解決的問題。首先，必須根據(jù)需要更新數(shù)據(jù)標準；其次，即使是共享最大的蛋白質(zhì)組數(shù)據(jù)集也會出現(xiàn)不足。“為了盡量多的從蛋白質(zhì)組學數(shù)據(jù)集中獲得科學知識，而且這些知識應該與其基因組和轉錄組信息進行系統(tǒng)化的整合，”位于馬里蘭州羅克維爾市的美國國家癌癥研究所癌癥臨床蛋白質(zhì)組學研究辦公室主任Henry Rodriguez說，“通過將蛋白質(zhì)組學與基因組學、蛋白質(zhì)基因組學等信息進行整合，這種多組學方法可以獲得更多新的生物學知識，這是單一組學數(shù)據(jù)分析所不能比擬的。”
科學研究的尺度
蛋白質(zhì)組學大數(shù)據(jù)集共享的價值在于它們可能帶來衛(wèi)生保健等方面的改善。例如，Rodriguez說：“制藥公司將獲益于更深入地了解疾病，從而開發(fā)出更有效的藥物。”
同樣，蛋白質(zhì)組學可以與其他工具結合使用，例如CRISPR等基因編輯技術。“編輯生物系統(tǒng)并觀察其表型確實非常驚人，”Langridge說。用基因編輯工具調(diào)整系統(tǒng)，并分析其結果將有助于科研人員揭示特定蛋白質(zhì)的功能。
就目前來說，像EMBL-EBI的PRoteomics IDEntifications（PRIDE）這種專門為數(shù)據(jù)共享所開發(fā)的數(shù)據(jù)庫可能是最有幫助的。它收錄了來自50多個國家的超過8400個蛋白質(zhì)組學數(shù)據(jù)集，代表了近80000個獲取蛋白質(zhì)組學數(shù)據(jù)的測試，所有數(shù)據(jù)總量大約為400TB。
洛桑的瑞士生物信息學研究所開發(fā)了neXtProt，這是另一個蛋白質(zhì)知識庫，它記錄了超過20000種蛋白質(zhì)和近20萬種翻譯后修飾數(shù)據(jù)。
“最著名的蛋白質(zhì)知識庫是UniProt，當然它不僅僅關注人類蛋白質(zhì)，”Vizcaíno說。像這樣的數(shù)據(jù)庫可以收錄各種新的科學知識。“你可以試著找出結合不同實驗室數(shù)據(jù)集的方法，或?qū)ふ腋邉?chuàng)新性的方法來分析這些數(shù)據(jù)，”Vizcaíno說。“通常，對蛋白質(zhì)組學數(shù)據(jù)的分析是為了回答一組科學問題，當然也可以用其他方法分析這些數(shù)據(jù)。”因此，如果有人提出一種探索現(xiàn)有數(shù)據(jù)的新方法，那么其結果可能會揭示新的生物學知識。
除此之外，還有更多關于蛋白質(zhì)的數(shù)據(jù)信息有待確定。正如Huhmer所指出的那樣，“大約有15000個已知的蛋白質(zhì)家族。”同一個家族中的蛋白質(zhì)都存在結構相似性。根據(jù)Huhmer的說法，研究人員已經(jīng)研究了一些家族蛋白的結構，并用X射線晶體學等技術直接測量了大約4500個家族；通過計算機模擬了另外4500個（其中只有大約1000個具有高可信度）；他們還不知道其余6000多個家族蛋白的結構。
技術的進步不斷給研究人員提供更多的蛋白質(zhì)組學數(shù)據(jù)。例如，Huhmer提到多種無標定量的MS方法可用于每天產(chǎn)生100萬個數(shù)據(jù)點。此外，結合MS與冷凍電鏡之類的結構生物學技術，可以確定蛋白質(zhì)的三維形狀，從而用來分析一些現(xiàn)在未被描述的結構。“因此，技術的演化揭示了更多蛋白質(zhì)結構的信息，并推動了這個領域的更多研究。”
值得高興的是，一旦蛋白質(zhì)家族中某一個成員的結構被解析，隨后就可以通過計算生物學模擬該家族中的其他成員結構。“這樣，蛋白質(zhì)數(shù)據(jù)分析結果會呈指數(shù)增長，”Huhmer解釋道。事實上，計算生物學在推動蛋白質(zhì)組學數(shù)據(jù)分析和共享方面發(fā)揮著廣泛的作用。
技術開發(fā)團隊和科研課題組的密切協(xié)作能夠使科研人員更容易共享蛋白質(zhì)組學數(shù)據(jù)，并促進項目合作。例如，德國慕尼黑工業(yè)大學（TUM）、柏林的JPT Peptide Technologies公司（JPT）、瓦爾多夫的SAP公司和賽默飛世爾科技公司創(chuàng)建了一個聯(lián)盟，幫助科學家將蛋白質(zhì)組學數(shù)據(jù)進行轉化，并應用到基礎和醫(yī)學研究。用戶在這個叫做ProteomeTools的在線數(shù)據(jù)庫中可免費獲得該聯(lián)盟提交的研究數(shù)據(jù)。
找出數(shù)據(jù)間的聯(lián)結
ProteomeTools聯(lián)盟的例子清楚地表明，科研人員和機構需要開展新形式的合作，并共享大型蛋白質(zhì)組學數(shù)據(jù)集。當然，當科研人員們收集了如此多的數(shù)據(jù)，而實驗和實驗結果之間存在多種可能的聯(lián)結，于是他們比以往更加專注于新的計算工具的開發(fā)。
“我認為人工智能，機器學習和深度學習是能夠激勵研究者們共享大數(shù)據(jù)的技術領域。這些技術需要大量數(shù)據(jù)，因此，一定程度上會推動研究界分享大數(shù)據(jù)，以確保他們的持續(xù)發(fā)展。”Rodriguez指出。
雖然Rodriguez欣喜于這些工具將輔助科研人員發(fā)現(xiàn)那些隱藏的聯(lián)結，并可能進一步催生出新的科學假設與研究，但他補充說，“我們必須謹記它不僅僅是關于技術本身，也是人們對數(shù)據(jù)分析方法的進一步解釋，審查，挑戰(zhàn)與質(zhì)疑的過程。”
正如Rodriguez解釋的那樣，“這些計算系統(tǒng)需要更多的合作和開放性科學數(shù)據(jù)，并以新的方式創(chuàng)造價值。”他列舉了三個這種持續(xù)和廣泛合作的例子：國家癌癥研究所（NCI）的臨床蛋白質(zhì)組學腫瘤分析聯(lián)盟（CPTAC）計劃；NCI、國防部和退伍軍人事務部合作的應用蛋白基因組學學習和成果共享組織網(wǎng)絡（APOLLO）；國際癌癥蛋白質(zhì)組聯(lián)盟（ICPC），它們都“鼓勵通過數(shù)據(jù)共享向公眾提供數(shù)據(jù)”。
為了進一步發(fā)揮合作的效力，分析平臺應該具備簡化數(shù)據(jù)采集和共享的技術。在這些方面，沃特世公司開發(fā)了一種獨立于數(shù)據(jù)的串聯(lián)MS數(shù)據(jù)采集方法——SONAR。Langridge說：“整個思路的核心是能夠以穩(wěn)定一致的方式獲取蛋白質(zhì)組學數(shù)據(jù)”。對于每個測試樣品，該系統(tǒng)都將獲取肽段和蛋白質(zhì)的定量信息。Langridge解釋到，“不僅僅是鑒定這些蛋白質(zhì)，而是在不同的樣品中收集它們的豐度值。”此外，用戶無需在測試開始之前決定是否要采集數(shù)據(jù)，因為SONAR會采集所有數(shù)據(jù)。“靶向?qū)嶒灥奶魬?zhàn)在于，你需要預先確定你所關注的東西。但是你也不清楚是否存在脫靶效應，或者是否有其他的生化途徑參與其中，”Langridge說。
收集如此多的數(shù)據(jù)，并以研究人員們可共享、可重新訪問的方式存儲，將會提高數(shù)據(jù)集的可持續(xù)價值。“許多已經(jīng)發(fā)表的研究果可能再也沒有被關注過，”Kruppa指出，“如果數(shù)據(jù)無法輕易共享，則無法驗證數(shù)據(jù)。”因此，創(chuàng)建數(shù)據(jù)共享工具可以使得新舊結果互相得到印證。“另外，這些工具讓你可以分析來自其他科研人員的數(shù)據(jù)，并對你的研究進行更有效更廣泛的比較。”
以前獲得的數(shù)據(jù)集還可以幫助科學家們開發(fā)工具。例如，可以在現(xiàn)有數(shù)據(jù)集上測試新的分析工具，并在需要時進行調(diào)整。Kruppa指出，“許多研究人員正致力于開發(fā)包含人工智能分析技術的新工具。只要既有的數(shù)據(jù)可以輕松共享，這些工具就可以在以前的數(shù)據(jù)集上進行驗證。”
數(shù)據(jù)是否易于共享取決于其格式。為此，布魯克開發(fā)了捕獲型離子淌度——飛行時間質(zhì)譜（timsTOF Pro MS/MS）平臺，以獲得格式通用的數(shù)據(jù)。Kruppa說：“該儀器將采集大量數(shù)據(jù)，我們需要使其易于使用。如果沒有這種數(shù)據(jù)兼容性，即使是最先進的計算工具也會在嘗試數(shù)據(jù)集比較時遇到障礙。”
查看共享內(nèi)容
這一點已經(jīng)很清晰了：蛋白質(zhì)組學專家們并不缺乏數(shù)據(jù)。相反，他們中的大多數(shù)人可能會同意Coon的觀點：“我們被數(shù)據(jù)淹沒了。”
Coon指出，最好是從同一個實驗中收集所有原始MS數(shù)據(jù)并對其進行批量化處理。“大家都希望以同樣的方式收集和分析所有的樣本，”他說。
完成這項工作，特別是分析部分，往往需要科研人員們開發(fā)自己的工具。例如，Coon聘請了一名數(shù)據(jù)分析專家，用兩年時間構建了一個可視化工具。他們的研究團隊需要一種方法來分析、組織并結合項目產(chǎn)生的所有蛋白質(zhì)組學、脂質(zhì)組學和代謝組學數(shù)據(jù)集。因此，Coon和他的同事將他們的數(shù)據(jù)查看器集成到了一個網(wǎng)站中。
“我們首先將一個酵母研究項目的相關數(shù)據(jù)進行了這樣的展示，以方便人們使用這些數(shù)據(jù)�，F(xiàn)在我們?yōu)槊總�項目創(chuàng)建一個這樣的網(wǎng)站。”有了Coon的查看器，他們不再需要給訪問者提供一個8000列的Excel電子表格，其他研究人員也可以快速地對不同樣本來源的數(shù)據(jù)就行比較。“他們可以非�？焖俚貙�(shù)據(jù)進行查詢。”Coon解釋。
雖然Coon說他還沒有發(fā)現(xiàn)很多與他的辦法類似的例子，但他發(fā)現(xiàn)這有助于他的團隊和其他同行從數(shù)據(jù)集中提取有用的生物信息，因為他們可以通過查詢它，而非�？焖俚乇容^樣本和數(shù)據(jù)點。
“大多數(shù)實驗室需要弄清楚當他們獲得如此多的數(shù)據(jù)之后，如何從原始MS文件中獲得有用的信息。他們也許有自己的工具去解決這個問題，”Coon指出。“但目前還沒有那么多脫穎而出的選項供大家使用。人們也不像重視硬件那樣重視軟件。”
然而，為了共享大型蛋白質(zhì)組學數(shù)據(jù)集，必須持續(xù)優(yōu)化硬件和軟件。此外，科研人員必須保持數(shù)據(jù)質(zhì)量。Rodriguez表示，雖然“一提起大數(shù)據(jù)，數(shù)據(jù)的大小就會跳出來。但從獲取知識的機會來看，從大數(shù)據(jù)中汲取的信息內(nèi)容和質(zhì)量是我理解的大之所在。”■
（譯者李楠是中國科學院深圳先進技術研究院的副研究員。）
Mike May 是佛羅里達州的自由撰稿人和編輯。
鳴謝：“原文由美國科學促進會（www.aaas.org）發(fā)布在2018 年6 月14 日《科學》雜志”。官方英文版請見https://www.sciencemag.org/features/2018/06/
translating-big-data-proteomics-challenge。