Alain van Gool教授是位于荷兰奈梅亨的Radboudumc大学医学中心(Radboudumc)的个性化医疗保健教授，他帮助管理Radboudumc的19个技术中心，这些技术中心横跨生物医学科学的多个方面。他还担任翻译代谢实验室(TML)的负责人，这是一个更专业的职位。TML聘请了大约120名研究人员研究疾病的代谢基础，将疾病相关分子和代谢物转化为诊断的生物标志物。质谱(MS)是这项工作不可或缺的一部分。
Van Gool解释了他的实验室如何使用MS数据:“我们的实验室专注于遗传代谢诊断，经常与遗传变异打交道，但并不总是能确定致病变异。在某些情况下，患者有某种特定的表型，我们知道导致这种表型的独特变异。然而，在大量情况下，存在多个意义未知的变体，很难找到原因。在我们的代谢组学方法中，我们使用预选代谢物的质谱分析来阐明先天代谢错误的机制。通过了解特定患者的哪些代谢物发生了变化，我们可以将基因组信息置于背景中。”
糖蛋白的焦点
Van Gool和他的团队整合MS信息的另一个关键领域是glycoproteomics研究;研究在碳水化合物分子上添加翻译后修饰的蛋白质。这些糖蛋白包括那些在人类健康和疾病中发挥重要作用的糖蛋白。在这项研究中，Van Gool与Radboudumc的遗传学系密切合作。“我们绘制了大量在血液中循环的糖链，提供了与糖代谢和蛋白质糖基化有关的遗传变异的不同功能读数。这种方法很好地补充了基因组筛选，即基因组分析指导糖源分析，反之亦然。我们对我们正在为诊断应用开发的糖肽分析的创新方法寄予了很大的期望。”
保持事物的完整性
研究糖蛋白的关键是它们在疾病中的可变状态——这些蛋白质不仅由于基因突变而被修饰，而且通常也受到某些感染和疾病的影响。为了研究这些修饰，Van Gool和同事试图优化他们的分析，以使完整的蛋白质观察成为可能，Van Gool解释说，这优于对小块蛋白质的经典蛋白质组学分析:“通过使用免疫分析或基于肽的MS测量表位或蛋白质片段，这种[糖蛋白]复杂性没有被覆盖，”Van Gool说。“我们利用这一额外的分析层来更好地理解生物学，并开发改进的、更有代表性的蛋白质诊断。”
他举了一个2014年的例子研究在该研究中，他的团队开发了一种影响糖基化的先天性疾病的诊断方法，在这种疾病中，将碳水化合物分子连接到糖蛋白的糖基化过程存在缺陷。为了做到这一点，他们研究了一种叫做转铁蛋白的蛋白质上两个不同位点的糖基化，当把它们放在一起分析时，它们是一种疾病的生物标志物。Van Gool说，如果没有完整的分析，这两个位点就不能同时测量，也就不可能进行诊断分析。
需要克服的数据挑战
Van Gool的研究显示了现代蛋白质组学的力量，但挑战仍然存在。他强调，分析MS数据的过程是他的团队正在努力克服的一个关键障碍。“数据分析成为一个越来越重要的问题，现在MS仪器生成的数据具有更高的分辨率和覆盖率，揭示了更多关于生物样品复杂性的信息。识别多肽、蛋白质及其修饰和相互作用是关键的挑战，需要先进的机器和深度学习方法来获得见解并识别背后的模式。蛋白质组学数据的巨大规模，我们可以在一天内轻松生成数百万个数据点，这需要先进的方法来处理研究结果。”
处理数据毛球
数据类型的多样性随着可用数据量的增加而增加。结合多个组学数据是生物医学研究的共同目标，但LC-MS数据并不总是那么容易。TML的蛋白质组学科学家Hans Wessels描述了试图结合数据的两名研究人员之间可能出现的混淆:“通常，一名研究人员从应用和生物学的角度关注，而另一名研究人员更多地从生物信息学的角度关注。在这两种情况下，它们都产生了生物学上的深刻见解，但这些解释可能并不总是重叠的。”他回忆起他在最近的一次会议上遇到的一位生物信息学家的建议，即研究人员应该尝试专注于不同组学产生的主要核心信息，而不是试图产生复杂的网络，后者通常会形成“毛团当网络的复杂性达到一定程度时。
诊断学研究的另一个症结是生物标志物研究与疾病有价值的临床结果之间的明显脱节。例如，前列腺癌研究已经在同行评审期刊上以每年约2000个的速度识别出生物标志物。Van Gool说，在这个相对快速的识别过程之后，是一个艰巨的验证过程，这需要1-3年，而诊断开发过程则更长，需要长达10年。为什么诊断管道会出现这种不平衡?Van Gool指出了两个关键方面:“首先，我们的研究成果没有标准化，无法100%地重现所有研究。这可能是有很多原因的，比如研究材料可能被处理得略有不同，协议可能会被适应，质谱仪的调谐可能会有所不同，数据可能会以不同的方式组织。”Van Gool继续说道:“其次，生物标志物研究和开发管道很少连接。生物标记物的识别需要不同于生物标记物验证的技能，这与在现实生活中运行和开发临床测试来评估生物标记物不同。这些步骤通常由不同的各方执行。”
分享相当
Van Gool认为，要解决这个问题，需要在整个领域进行协调和标准化，特别是关于我们如何处理我们的MS数据:“适当的数据管理是帮助提高(MS)数据的可重复性的关键，最近已经采取了主要步骤来定义标准以采用公平数据的原则。”FAIR是一套旨在改善研究数据的标准，其目标是“可查找性、可访问性、互操作性和可重用性”2016经过研究人员、行业领袖、资助机构和出版商的大量合作。范古尔说，FAIR在整个行业的应用让他感到鼓舞。
综上所述，Van Gool对MS在诊断研究中的未来持乐观态度，但认为研究的重点需要转移，以便将生物标记物发现的潜力转化为重要的诊断结果:“我相信，作为生物医学研究领域，我们可以真正提高我们所做的工作的质量。在生物标志物发现方面，现在是注重质量而不是数量的时候了。”
