血液蛋白质组学没有最优平台，只有最适配方案——四大平台的分工与选型逻辑

APTBIO

 

蛋白专题

血液是临床与转化研究里最容易拿到的样本，也是蛋白质组学最难做的体系之一：白蛋白、免疫球蛋白、转铁蛋白等十几种高丰度蛋白占去血浆总蛋白九成以上，细胞因子、组织渗漏蛋白和低丰度候选标志物全埋在剩下不到一成里。选平台，本质是选一套对付动态范围的策略。

选错的代价很具体：大队列的钱花了，才发现目标蛋白不在 panel 里；样本冻了十年只剩 20 μL，上机才被告知某平台一次要 55 μL；该做无偏发现的阶段买了靶向验证工具。下面按“先给结论、再讲依据”展开：先放一张速查表方便对着自己的项目定位，再看近三年顶刊和大队列把四个平台用在了哪里，然后逐平台拆解，最后做场景化选型。

 

速查表：四平台画像一览

图1 四平台画像速查表

 

一、先看顶刊和大队列在用什么

下表筛选了 2024—2026 年发表于 Nature、Science、Cell 正刊，以血浆/血清蛋白质组学为核心研究手段的代表性文献。

图2 血浆/血清蛋白质组学顶刊研究一览（2024—2026）

 

二、逐平台拆解

（一）质谱：深度取决于你肯在前处理上花多少

无偏是它的核心优势：不预设靶标，样本里有什么原则上就能测到什么。但血浆直接上机，信号会被高丰度蛋白压制，能看多深基本由前处理决定。

抗体亲和去除（Agilent MARS Human-14、Thermo High Select 14 种高丰度蛋白去除柱）：成本最低、兼容 DDA/DIA，深度通常1000-2500蛋白。它只做“减法”，可能连带去掉与白蛋白结合的低丰度蛋白。

肽配体库均衡富集（Bio-Rad ProteoMiner）：六肽微球让高丰度蛋白在有限位点饱和、低丰度相对富集，从而压缩动态范围。流程复杂、批间重复性需严控，且原始相对定量关系被改变，不适合要求保留天然定量信息的比较研究。

功能化纳米颗粒富集（如 Seer Proteograph）：蛋白冠选择性富集低丰度组分，配 dia-PASEF 等高分辨质谱，深度可达 3000-6000 蛋白组，是目前最深且可自动化放量的方案；成本和机时明显高于抗体去除。

 

Agilent MARS Human-14

Thermo High Select 14 种高丰度蛋白去除柱

 

Bio-Rad ProteoMiner

 

SEER Proteograph平台

落到研究设计上：按深度需求定前处理再定预算，目标蛋白在中等丰度时 14 种高丰度蛋白去除柱 够用且省钱，要挖低丰度或做大队列发现才上纳米富集；发现队列每组 30 例起步（每组 <15 例很难扛住统计功效），务必预留独立验证队列；批次设计是生死线，随机化上机、穿插混合 QC、优先 DIA（缺失值显著少于 DDA）。只有质谱能做的事别犹豫：翻译后修饰（磷酸化、糖基化）、蛋白形式（proteoform）、组织溯源、非模式物种。

常见坑：冻融次数不控制；不同批次不做校正就合并分析。

（二）Olink：大队列的标准化答案，先查蛋白在不在 panel 里

Olink 的核心是 PEA（邻位延伸分析）：一对偶联寡核苷酸的抗体同时识别同一蛋白的两个表位，探针靠近后杂交延伸，经 PCR/NGS 读数。双表位要求显著降低了单抗非特异结合带来的交叉反应。产品线多种选择，对应完全不同的阶段：Target 96/48（约 1 μL，固定疾病 panel，适合验证）、Reveal（约 4 μL、约1034蛋白、NGS 读数，适合炎症免疫等中通量的研究）和 Explore HT（约 2 μL、约 5400 蛋白、NGS 读数，适合人群级发现）。

图3 Olink 原理示意图

落到研究设计上：第一步永远是查 panel，先把候选蛋白列表与官网 panel 构成逐一对一遍，目标蛋白不在里面后面一切免谈，这是 Olink 项目最常见的返工原因；1–4 μL 的上机量让它成为珍贵样本的优先选择，儿科队列、稀有临床样本、同一对象多时间点纵向采样几乎只能选它；做 pQTL 要有基因型数据加千人级以上规模才有效能，最好复用 UKB-PPP 做先验或外部验证。

两个数据层面的坑要提前排：NPX 是 log2 尺度的相对定量而非绝对浓度，跨批次合并必须设计桥接样本；Olink 与 SomaScan 的跨平台一致性只有中等水平，发现换验证平台或中途换平台都是设计事故。另外，低丰度 assay 落在 LOD 以下的比例要提前评估，分析前做检出率过滤。

（三）SomaScan：覆盖较广的筛查网，先算算样本够不够 55 μL

SomaScan 基于 SOMAmer 适配体，经化学修饰的核酸适配体与靶蛋白高亲和结合，通过微阵列杂交扫描读数。现行 11K 版本单次约 10,000 种蛋白，覆盖度居亲和平台之首，多篇研究论文和实测数据显示血清/血浆中位 CV <5%。典型应用是人群衰老（器官年龄时钟、健康寿命预测）和药物靶点发现。

图4 SomaScan原理示意图

落到研究设计上：每例需要 55 μL 血浆/血清（送样通常要求 130 μL），面对平均只剩 20–30 μL 的珍贵冻存队列会直接出局；“不知道该看什么”时它是较优广筛，11K 覆盖意味着不必先假设方向，适合表型复杂、机制不清的队列做第一轮筛查；冰岛 deCODE、ARIC 等大队列的 SomaScan 数据公开可得，设计阶段就能拿来做工效估算、候选预筛和外部验证。

关键发现必须正交验证：适配体存在交叉反应和错靶的文献报道，凡要写进结论的核心蛋白，建议用抗体法（Olink/NULISA/ELISA）或质谱过一遍。同时要关注读出平台的迁移期，跨年、跨批次数据的口径一致性写进方案。

（四）NULISA：为“别人都测不到”的蛋白而生

NULISA（Alamar Biosciences）把免疫夹心和核酸扩增结合：一对单抗识别同一蛋白的两个表位，偶联寡核苷酸在靶蛋白介导下连接后扩增测序定量，专利降噪设计把灵敏度压到阿托摩尔（aM）级，动态范围宽到能在一次反应里同时覆盖高丰度与极低丰度蛋白。现有 CNS Disease Panel 120 、 Inflammation Panel 250Immune 340等多种panel，每个panel覆盖约100-300个蛋白，单样本约 10 μL，ARGO HT 自动化程度高。

图5 NULISA 原理示意图

它是精测工具而不是广筛工具，上百个蛋白的覆盖决定了没法指望它做无偏发现。当目标蛋白落在 pg/mL–fg/mL 量级（基线水平的细胞因子、pTau217、GFAP、NfL 等神经标志物），其他平台 LOD 以下占比过高时它就是较优解，AD 血浆 pTau217 检测（文献报道 AUC 0.9 上下）是它的标签场景；10 μL 加自动化的组合，对几十到几百例的多中心验证很友好。

短板：panel 最窄；装机与送检渠道有限，周期需提前确认；平台上市时间短，公共参考数据积累远不如 Olink/SomaScan，审稿人若看重与已有大队列数据的可比性，这点要在文章里主动说明。

 

三、场景化选型：把你的项目对号入座

 

场景 1

大队列标志物发现（n ≥ 1,000，人群或遗传方向）：优先选择 Olink Explore HT 或 SomaScan 11K。有基因型、要做 pQTL 偏 Olink，公共数据生态最成熟；追求最大覆盖、表型复杂无明确方向偏 SomaScan。涉及 panel 外蛋白或翻译后修饰时，追加质谱纳米富集做子队列。

 

场景 2

中小队列机制研究（n 30–300）：假设不明确、想看全局，用质谱 DIA，深度按前处理定；假设明确且目标在 panel 内，用 Olink Target 96/48，成本和周期更可控。

 

场景 3

神经退行性疾病或超低丰度目标：优先选择 NULISA CNS 120 Panel（pTau217、GFAP、NfL、α-syn 一次打包）；需要更广的炎症免疫可加 Inflammation 250 或Immune 340；要深挖磷酸化 tau 异构体这类机制，回到质谱。

 

场景 4

炎症因子谱（基线低水平细胞因子）：NULISA Inflammation 250 或 Olink Inflammation panel；常规丰度区间的炎症标志物质谱和 SomaScan 也能覆盖，按样本量和预算取舍。

 

场景 5

候选已锁定、做临床验证（5–50 个）：用 Olink Target / NULISA / ELISA 级别的靶向精测。不要为了“顺便多测点”上广覆盖平台，验证阶段最重要的是定量质量和批次可控。

 

场景 6

两阶段组合，预算有限的大项目较优解：发现阶段用质谱或 SomaScan 11K / Olink HT 打每组 30–80 例锁定候选；验证阶段换 Olink Target / NULISA 打大队列。预算向验证阶段倾斜，验证队列规模决定结论强度，发现阶段宁深勿广。

立项前过一遍四个问题：是要“发现”还是“验证”；样本有多少体积（<5 μL 只能 Olink，55 μL 以上才能谈 SomaScan）；目标蛋白预期丰度在哪一档（fg/mL 级直奔 NULISA）；有没有明确候选列表（有就逐平台核对 panel 覆盖率再下单，没有就走无偏或广覆盖路线）。

 

四、结语

血液蛋白质组学没有绝对的技术优劣排序，只有匹配度高低：质谱擅发现、亲和平台擅验证；抗体法特异性强、适配体法覆盖广；高丰度去除解决“能否看见”，NULISA 解决“能看多低”。近三年顶刊呈现的分工格局，就是一张现成的选型地图。要紧的，是把科学问题、样本条件、预算和数据目标放进同一个决策框架，再让技术去回答问题！

 

参考文献

[1] Cervia-Hasler C, et al., Persistent complement dysregulation with signs of thromboinflammation in active Long Covid. Science. 2024 Jan 19;383(6680):eadg7942.

[2] MoTrPAC Study Group; Lead Analysts; MoTrPAC Study Group. Temporal dynamics of the multi-omic response to endurance exercise training. Nature. 2024 May;629(8010):174-183.

[3] Deng Y, et al., Atlas of the plasma proteome in health and disease in 53,026 adults. Cell, 2024; 188, 253-271.e7.

[4] Álvez MB, et al., A human pan-disease blood atlas of the circulating proteome. Science. 2025 Dec 18;390(6779):eadx2678.

[5] Malmström E, et al., Human proteome distribution atlas for tissue-specific plasma proteome dynamics. Cell, 2025; 188, 2810-2822.e16.

[6] Ding Y, et al., Comprehensive human proteome profiles across a 50-year lifespan reveal aging trajectories and signatures. Cell. 2025 Oct 2;188(20):5763-5784.e26.

[7] Koprulu M, et al., Multi-cohort proteogenomic analyses reveal genetic effects across the proteome and diseasome. Cell, 2026; 189, 3339-3357.e11.

[8] Pandya T, et al., Plasma signals of lung tumor promotion for molecular cancer prevention. Cell, 2026; 189, 3903-3921.e26.

[9] Li J, et al., Multimodal clocks of human aging. Cell, 2026; 189, 4489-4511.e31.

[10] Topol EJ. The revolution in high-throughput proteomics and AI. Science. 2024 Sep 27;385(6716):eads5749.

*部分内容由 AI 辅助生成，若存在错漏、侵权等问题，请联系我方及时修正或删除。

 

中科优品推荐

【SomaScan免费测】中科新生命 2026 蛋白质组学研究资助计划重启！关注“中科新生命多组学服务”微信公众号，回复关键词“蛋白研究”报名，80 例 SomaScan Discovery （11K）样本免费测，做血液蛋白组、标志物发现、队列研究的同行别错过！！！

 

 

关于中科新生命

上海中科新生命生物科技有限公司（APTBIO）创立于 2004 年，由原中国科学院上海生命科学研究院蛋白质组研究中心孵化而来，是国内质谱多组学应用领域的开拓者。公司以 “AI + 质谱多组学” 双核驱动创新，构建智能化组学生态。拥有自主知识产权的质谱检测平台与 AI 大数据分析系统，聚焦科技服务、生物医药及大健康消费三大领域，为全球科研机构、医院、药企提供从基础研究到临床转化的一站式解决方案。融合多组学技术与人工智能，围绕生物标志物发掘、药物靶点筛选及个性化诊疗等方向，构建具有国际竞争力的组学数据库与算法模型，推动转化医学进程，加速创新药物研发，成为推动生命科学数字化升级的核心引领者。