引言
做药物作用机制的蛋白质组学研究，最经典的套路莫过于三组设计：正常组、模型组、给药组。
先比较"模型组 vs 正常组"拿到疾病差异蛋白，再比较"给药组 vs 模型组"拿到药物调控蛋白，然后取交集 —— 那些"既被疾病搞乱了、又被药物拉回来"的蛋白，就是候选靶点和机制蛋白。
逻辑很顺，对吧？
但实际跑数据的时候，经常会遇到一个让人头大的情况：两个比较各自筛出几十上百个差异蛋白，Venn一画，交集为零，或者只有一两个不痛不痒的。
这时候很多人的第一反应是：完了，实验白做了。是不是模型没造好？是不是药物没起效？是不是质谱出问题了？
先别急着否定自己。这篇文章就来聊聊：
蛋白层面无交集，到底意味着什么？是不是就说明实验失败、结果无意义？
先给结论：无交集 ≠ 实验失败
直接说观点：
两个比较的差异蛋白在ID层面没有交集，是非常常见的现象，远不足以判定实验失败。
交集策略本质上是一种"简化判断" —— 它假设药物的作用方式是直接回调疾病差异蛋白的表达量。但生物学机制远比这个复杂。药物可能作用在疾病通路的上游节点，可能通过代偿旁路起效，可能调控的是蛋白活性或翻译后修饰而非表达丰度，也可能时间窗根本对不上。这些情况下，蛋白ID没交集，但机制层面可能高度相关。
退一步说，就算真的是技术或设计层面出了问题，"无交集"这个结果本身也在告诉你一些信息 ——比如药物的作用模式可能和你预想的不一样，这本身就是有价值的发现。
为什么会无交集？三个层面的原因
遇到零交集，建议从生物学、技术和实验设计三个维度逐一排查。
1. 生物学层面：机制本身就不在"交集"里
这是最容易被忽略、但也最值得深入的一层。
▶ 药物作用于疾病通路的不同节点
疾病差异蛋白反映的是疾病状态下整个蛋白网络的紊乱，而药物可能只靶向其中一个上游关键分子。药物起效后，下游蛋白的表达可能还没来得及显著变化，或者变化幅度没达到阈值。这时候药物调控蛋白和疾病差异蛋白自然没什么重叠，但药物确实在起作用。
▶ 药物通过代偿通路或旁路机制起效
很多药物（尤其是中药和多靶点药物）并不直接修正疾病通路，而是激活另一条代偿通路来"绕过去"解决问题。比如某些神经保护药物并不直接降低Aβ水平，而是通过增强自噬或抗氧化通路来保护神经元。这种情况下，药物调控的蛋白和疾病差异蛋白完全可能是两套体系。
▶ 药物调控的是活性/修饰，不是表达量
蛋白质组学（尤其是常规的label-free或TMT定量）测的是蛋白表达丰度。但很多药物的作用机制是调控酶活性、磷酸化、乙酰化等翻译后修饰，或者蛋白-蛋白相互作用。这些变化在表达量层面可能完全看不到。
举个例子，一个激酶抑制剂可能让底物蛋白的磷酸化水平下降了80%，但总蛋白量纹丝不动——你用总蛋白组去筛，当然筛不到交集。
▶ 时间窗不匹配
疾病模型的蛋白变化和药物干预后的蛋白变化可能发生在不同时间尺度上。如果你在给药后24小时取样，药物的急性效应可能已经消退，而疾病的慢性变化还在持续；或者反过来，药物刚起效，疾病相关蛋白还没来得及回调。两个比较的时间窗对不上，交集自然就少。
2. 技术层面：数据处理的"人为切割"
很多时候不是真的没有交集，而是被分析参数"切"没了。
▶ 阈值效应
这是最常见的原因。差异蛋白的筛选依赖人为设定的阈值——fold change > 1.5（或1.2）、p-value < 0.05（或0.01）。这些阈值本质上是任意的。一个蛋白在疾病比较中FC=1.49、p=0.051，在药物比较中FC=1.45、p=0.049，它就会被一个比较纳入、被另一个排除。但从生物学角度看，这两个比较中的变化可能是高度一致的。阈值稍微放宽一点，交集可能就出来了。
▶ 批次效应
蛋白质组学对批次非常敏感。不同的酶解批次、色谱柱老化、仪器状态漂移、甚至不同技术员操作，都可能引入系统性偏差。如果正常组和模型组在一个批次，给药组在另一个批次，那么批次效应就会和分组效应混淆，导致差异蛋白列表失真。文献中反复强调，批次效应在蛋白质组学中甚至比代谢组学更严重，因为蛋白定量涉及肽段-蛋白映射和缺失值推断，技术变异会被放大。
▶ DDA的随机采样与缺失值
数据依赖采集（DDA）模式下，质谱每次只选择丰度最高的一批肽段进行碎裂，低丰度肽段可能在某些样本中被漏掉，产生缺失值。如果一个蛋白在疾病比较中因为缺失值被排除、在药物比较中被检出，或者反过来，它就不会出现在交集中。缺失值处理方式（删除、KNN插补、最小值插补）也会显著影响最终的差异蛋白列表。
▶ 统计效力不足
生物学重复数少（常见的n=3）、组内变异大，都会导致统计检验的效力不足，很多真实的差异蛋白会因为p值不达标而被漏掉。两个比较各自漏掉一部分，交集就更小了。
3. 实验设计层面：条件可能没踩对点
▶ 给药剂量和时间点
剂量太低，药物效应不够显著；剂量太高，可能引入毒性相关的蛋白变化，掩盖了真正的治疗效应。时间点同理 —— 太早可能药物还没起效，太晚可能急性效应已经过去。建议做预实验或文献调研，确定合适的剂量和时间窗。
▶ 模型差异过大
如果模型组和正常组之间的差异非常大（比如几百个差异蛋白），说明疾病对蛋白组的扰动非常剧烈。这时候药物的调控效应可能被"淹没"在疾病的巨大变化中，给药组vs模型组的比较只能检出一小部分药物特异性变化，和疾病差异蛋白的交集自然就小。
▶ 溶剂/载体效应
不要小看给药溶剂。DMSO、吐温80、某些助溶剂本身就可能引起蛋白表达变化。如果模型组给的是生理盐水、给药组给的是含DMSO的药物溶液，那么两组之间的差异可能混进了溶剂效应，干扰了真正的药物信号。
无交集时该怎么分析？五条替代路径
既然交集策略有局限，那遇到零交集时该从哪些角度挖掘信息？这里给出五条经过文献和实践检验的替代分析路径。
1. 从"蛋白交集"升级到"功能交集"
蛋白ID没交集，不代表功能没交集。把两组差异蛋白分别做GO富集和KEGG通路富集，然后看富集到的通路是否有重叠 —— 这才是更接近生物学本质的判断方式。
比如疾病差异蛋白富集到"炎症反应""氧化应激""细胞凋亡"，药物调控蛋白也富集到这几条通路，即使具体蛋白不一样，也说明药物确实在调控疾病相关的生物学过程。很多高分论文里，通路层面的重叠比蛋白层面的交集更受重视。
2. GSEA / PSEA：不设硬阈值，看通路的协调变化
传统的ORA（Over-Representation Analysis）依赖差异蛋白的硬阈值筛选，而GSEA（Gene Set Enrichment Analysis）及其蛋白组版本PSEA（Protein Set Enrichment Analysis）则不需要先筛选差异蛋白 —— 它把所有蛋白按fold change排序，看某条通路的蛋白是否在排序顶端或底端有协调的富集趋势。
GSEA的优势在于：它能捕捉到那些"每个蛋白变化都不大、但整条通路一致上调/下调"的情况，而这种情况在交集策略中会被完全漏掉。对于药物机制研究，GSEA往往能比Venn交集揭示更多有价值的通路信息。
3. 反向调控分析：药物是否把疾病蛋白"往回拉"
这是药物机制研究中非常有价值的一个分析角度，却经常被忽略。
▶ 具体做法：列出疾病差异蛋白（模型组vs正常组），然后看这些蛋白在给药组中的表达方向 ——如果疾病中上调的蛋白，在给药后有下调趋势；疾病中下调的蛋白，在给药后有上调趋势，即使变化幅度没达到差异阈值，也说明药物在"反向调控"疾病相关蛋白，这本身就是药物起效的有力证据。
▶ 可以做一个散点图：X轴是疾病比较的log2FC，Y轴是药物比较的log2FC，看疾病差异蛋白是否集中在第二、第四象限（反向变化）。如果呈现明显的负相关趋势，即使没有蛋白同时达到两个比较的差异阈值，也能说明药物在回调疾病表型。
4. PPI网络分析：看是否在同一模块或邻域
把疾病差异蛋白和药物调控蛋白分别映射到蛋白-蛋白相互作用（PPI）网络中（比如STRING数据库），然后看两组蛋白是否在网络中属于同一个功能模块，或者存在直接的相互作用邻接关系。
生物学上，同一个通路的蛋白不一定都显著差异，但它们在网络中往往是"近邻"。如果药物调控蛋白和疾病差异蛋白在PPI网络中形成了连通的子网络，即使没有直接的ID交集，也说明两者在功能上是关联的。Cytoscape的MCODE、CytoHubba等插件可以用来做模块识别和关键节点筛选。
5. 全蛋白组的相关性分析
不局限于差异蛋白，直接看两个比较在全蛋白组层面的相关性。计算所有定量蛋白在"模型vs正常"和"给药vs模型"两个比较中的log2FC的相关系数。
如果两者呈现显著负相关，说明药物整体上在逆转疾病的蛋白组变化 —— 这是比"几个蛋白交集"更宏观、更有说服力的证据。即使没有单个蛋白同时达到差异阈值，全蛋白组层面的负相关也能说明药物在系统性地回调疾病表型。
后续实验怎么做？
分析层面挖掘完线索后，接下来要用实验来验证。这里给出一个循序渐进的验证策略。
1. 先回头检查分析参数
在做新实验之前，先把原始数据重新过一遍：
▶ 放宽阈值试试：FC从1.5降到1.2，p从0.05放到0.1，看看交集是否出现。注意放宽阈值后假阳性会增加，需要后续验证来兜底。
▶ 批次校正：如果样本跨批次，用ComBat或limma的removeBatchEffect做批次校正，再重新筛选差异蛋白。
▶ 换统计方法：试试moderated t-test（limma）、Wilcoxon秩和检验，或者贝叶斯方法，不同方法对小样本的处理不同，可能得到不同的差异蛋白列表。
▶ 缺失值处理：检查缺失值比例和分布，如果某个蛋白在一组中全部缺失、另一组中全部检出，这本身可能就是有意义的差异（可以用"检出/未检出"作为定性差异）。
2. 靶向验证：PRM / Western Blot
从分析中筛选出的候选蛋白（不管是不是交集中的），都需要靶向验证。
▶ PRM（平行反应监测）：PRM（平行反应监测）是目前蛋白质组学靶向验证的金标准之一。它基于高分辨质谱，对目标肽段进行高精度的选择性监测，灵敏度和定量准确性都优于传统Western Blot，而且不依赖抗体。对于没有合适抗体的蛋白，PRM尤其有用。建议加入重同位素标记的合成肽段（AQUA肽）作为内标，实现绝对定量。
▶ Western Blot：Western Blot仍然是最经典、最容易被审稿人接受的验证方法。注意选择合适的内参（不要只盯着GAPDH/β-actin，组织样本中这些蛋白本身可能受疾病或药物影响），建议用总蛋白染色（如Ponceau S或丽春红）作为归一化参考。
验证的蛋白不必多，选3-5个最有机制意义的候选即可。关键是验证趋势是否和蛋白质组学结果一致，而不是追求p值一定要显著。
3. 时间梯度和剂量梯度
如果怀疑是时间窗或剂量的问题，补做梯度实验是最直接的解决方式。
▶ 时间梯度：在给药后多个时间点（如6h、12h、24h、48h、72h）取样，做蛋白质组学或靶向检测，找到药物效应最强的时间窗。很多药物的蛋白组响应是动态的 —— 早期可能是信号通路蛋白变化，后期是效应蛋白变化。
▶ 剂量梯度：设置低、中、高三个剂量，看候选蛋白的变化是否呈现剂量依赖性。剂量依赖性是药物特异性效应的有力证据 —— 如果是毒性或非特异性效应，往往不会呈现良好的量效关系。
4. 功能验证：从"相关"到"因果"
蛋白质组学找到的是相关性，要证明机制还需要功能实验。
▶ 基因敲低/过表达：对候选蛋白进行siRNA/shRNA敲低或过表达，看是否能模拟或阻断药物的表型效应。比如药物通过上调蛋白A来保护细胞，那么敲低A应该会削弱药物的保护作用。
▶ Rescue实验：在疾病模型中敲低/过表达候选蛋白，看是否能模拟药物的治疗效果。如果能，说明这个蛋白确实是药物起效的关键介导因子。
▶ 通路报告实验：如果候选蛋白属于某条已知通路，可以用通路报告基因（如NF-κB荧光素酶报告系统）或磷酸化抗体panel来验证药物对该通路活性的调控。
5. 多组学整合
如果条件允许，结合转录组、修饰组（磷酸化/乙酰化/泛素化）、代谢组等多组学数据，可以更全面地解析药物机制。
▶ 转录组+蛋白组：比较mRNA和蛋白水平的变化一致性，识别转录后调控事件。药物可能在转录层面调控了疾病相关基因，但蛋白水平因为翻译效率或蛋白降解的差异而没有显著变化——这时候只看蛋白组就会漏掉信息。
▶ 修饰组：如前所述，很多药物的作用机制是调控翻译后修饰。磷酸化蛋白质组学可以揭示药物对信号通路的调控，而总蛋白组可能完全看不到变化。
▶ 代谢组：药物对代谢通路的影响往往比蛋白表达变化更敏感、更快速，代谢组可以作为蛋白组发现的有益补充。
写在最后
回到最初的问题：蛋白没交集，实验就白做了吗？
我的答案是：恰恰相反，零交集往往意味着你的药物可能通过一种"非经典"的方式在起作用，而这正是值得深入挖掘的地方。
交集策略是一个好的起点，但它不应该是唯一的判断标准。生物学机制的复杂性决定了：药物不一定直接回调疾病差异蛋白，它可能作用于上游、可能走旁路、可能调控活性、可能时间窗不同。这些情况下，蛋白ID没交集，但机制层面的关联可能非常紧密。
下次再遇到Venn图里两个圆互不相干的时候，别急着删数据、重做实验。先问自己几个问题：
▶ 通路层面有没有重叠？
▶ 疾病蛋白在给药后有没有反向变化的趋势？
▶ 两组蛋白在PPI网络里是不是近邻？
▶ 全蛋白组的FC有没有负相关？
▶ 是不是阈值或批次效应把交集"切"没了？
把这些问题过一遍，你大概率能从"零交集"里挖出比"有交集"更有意思的故事。
科研有时候就是这样——预期内的结果验证了你的假设，预期外的结果才真正拓展了你的认知。
关于我们
谱度众合是一家由武汉大学生科院博士团队创办的“国家高新技术企业”，持续深耕基于质谱技术的蛋白质研究领域20年，区别于一般组学公司仅提供检测数据和常规分析，谱度众合针对特定研究目的开发最优解决方案（例如：互作蛋白筛选、药物靶点研究、分子机制解析、生物标志物发现等），帮助医学和农学科研工作者提高实验成功率2倍以上，极大加速研究进程。
参考文献
1. Zhang Y, et al. Proteomic Insights into the Retinal Response to PRGF in a Mouse Model of Age-Related Macular Degeneration. PMC, 2025.
2. Belyaev A, et al. CSF proteomics of semorinemab Alzheimer's disease trials identifies cell-type specific signatures. Brain, 2025, 149(1): 150.
3. van der Wal E, et al. Diagnostics and correction of batch effects in large-scale proteomic studies: a tutorial. ORBilu, 2021.
4. Navarro P, et al. High content screening and proteomic analysis identify a kinase inhibitor that rescues pathological phenotypes in a patient-derived model of Parkinson's disease. PMC, 2022.
5. Petrera A, et al. Quantitative proteomics combined independent PRM analysis reveals the mitochondrial and synaptic mechanism underlying norisoboldine's antidepressant effects. Nature, 2024.
6. Creative Proteomics. How to Use Venn Diagrams in Omics: Interpretation, Tools, and Best Practices. 2025.
7. MtoZ Biolabs. Why Biofluid Proteomics Results Vary: Protein Coverage, Missing Values, and Reproducibility. 2026.
8. MetwareBio. How to Validate Quantitative Proteomics Results: Strategies, Workflows, and Biomarker Applications. 2026.
9. Technology Networks. Addressing Proteomics Challenges: Enhancing Sample Preparation Techniques. 2025.
10. Vidya BioSeq. Multiomics Tools Stacking Or Genuine Integration? 2026.
245
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
