MSCP：整合27个癌症蛋白质组数据源，为15,964个蛋白建立质谱证据地图

一、痛点：癌症蛋白质组的"证据孤岛"

先看一个很现实的问题。蛋白质组学早已进入高通量质谱时代，数据库也不少：UniProt 知识库（UniProtKB）负责全面的蛋白注释，PRIDE/ProteomeXchange 做数据归档，PeptideAtlas、MassIVE-KB 支持大规模整合与定量，neXtProt 则专门整理人类蛋白的存在性（protein existence, PE）证据。

但作者指出，"质谱确证过的癌症蛋白"这类证据，依然零散地分布在各个独立研究与仓库里——缺乏统一的标识符、统一的队列来源（provenance）、也没有"以癌症为中心"的聚合视图。后果很直接：做癌症蛋白质组学、蛋白基因组学或生物标志物发现的研究者，常常要手动跨队列、跨采集模式、跨数据库版本去拼装与核对质谱证据蛋白清单。这份"拼桌子"的工作既费时，又容易因版本漂移（version drift）而出错。

MSCP 的目标正是补上这一环：把大规模癌症队列与模型系统的质谱确证证据，整合成一份统一、可溯源、与 UniProtKB 对齐的资源，从而支持标准化的比较、队列/模型层面的子集查询，以及面向覆盖度的证据聚合。

二、MSCP 怎么建：27 个数据源 + 统一到 UniProtKB 坐标

MSCP 的数据来源，是从公开癌症蛋白质组资源中收集的高置信度鉴定结果（已处理的肽段/蛋白鉴定表），来自美国国家癌症研究所蛋白质组数据共享平台（PDC）与 ProteomeXchange/PRIDE 仓库，共 27 个数据源，覆盖三类样本：

• - 癌细胞系：包括 A549、NCI-H226、T47D、CCRF-CEM、RPMI-8226、COLO205、NCI-H23 等细胞系的独立蛋白质组数据集，以及一个 7 株细胞的混合蛋白质组数据集；
• - 肿瘤组织：来自 CPTAC 多个癌种队列（肺鳞癌、胶质母细胞瘤、卵巢癌、胰腺导管腺癌等）以及胰腺组织的空间蛋白质组数据集；
• - PDX 模型：PDX 组织、细胞与 CompRef 全局蛋白质组数据集。

为了保证跨来源可比、把版本漂移压到最小，所有蛋白标识符都被统一映射到 UniProtKB-Swiss-Prot 人类参考蛋白质组（2025_01 版）；跨研究存在的不同推断流程带来的冗余，则通过"以基因为中心的 UniProt 条目框架"来化解——不同研究报出的蛋白变体/异构体，在合适时归并到对应的 UniProtKB 条目之下。

整合采用并集（ｕｎｉｏｎ）策略：只要某个 UniProtKB 条目在至少一个来源中满足鉴定标准，就被纳入。鉴定标准很明确——肽段-谱图匹配（PSM）与肽段/蛋白鉴定控制在 ≤1% FDR，即沿用各原始数据集的质量控制流程。一个值得注意的细节是，作者刻意区分了两个概念：

更重要的是，MSCP 在蛋白条目层面保留了数据集级别的溯源信息：每个蛋白都标注了它由哪些来源支持、以及各自的采集模式（DDA/DIA），因此用户既可以看整合全貌，也能随时切出"某个队列/模型/采集模式"的子集。

▲ 图1｜MSCP 构建与癌症模型覆盖总览。整合基于质谱鉴定（MS identification）的三类癌症相关样本——癌细胞系、肿瘤组织、PDX 模型，最终得到一份映射到 UniProtKB 的 15,964 个人蛋白统一目录；图中同时标出各类样本贡献的鉴定蛋白数，凸显 MSCP 作为"多来源、癌症语境"蛋白证据资源的定位。

三、构建结果：三类样本合出 15,964 个蛋白

整合后的账目很清楚：

• - 癌细胞系（NCI-7 等，8 个数据来源）：11,116 个蛋白；
• - 肿瘤组织（CPTAC 队列等，13 个数据来源）：15,442 个蛋白；
• - PDX 与 CompRef（6 个数据来源）：14,200 个蛋白。

三类样本互补，总共整合出 15,964 个蛋白——这就是 MSCP 当前版本的核心目录。研究强调，正是"多样数据集的均衡整合 + 严格质控"这两点的结合，才保证了数据库的稳健与可靠。

从单个数据源的贡献看，多个来源本身就相当可观：前瞻性乳腺癌蛋白质组（BRCA-C）约 12,424 个蛋白、PDX 蛋白质组约 12,041 个、胰腺导管腺癌（PDAC-D）约 11,513 个，都超过了 11,000 个。图 2A 用条形图逐一展示了 27 个数据源的鉴定蛋白数。

而累积整合的趋势更关键：随着数据源逐个加入，MSCP 的蛋白总数稳步爬升（图 2B，黄色柱为累积蛋白总数）。原因在于——每个新增的癌症队列/模型，既贡献一大块"高度重叠的核心蛋白"，又贡献一小撮持续存在、却又落在 neXtProt PE1 之外的蛋白；后者正是靠异质样本类型与互补采集策略（DDA/DIA）才能被"捞"出来的。作者特别提醒：累积曲线的"平滑感"会受数据源排序影响，因此他们额外给出了逐来源的增量值（Supporting Table S2），让每个数据源的贡献可以独立于绘图顺序来解读。

▲ 图2｜各数据源的蛋白鉴定与累积整合。（A）MSCP 中 27 个数据源各自鉴定到的蛋白数量；（B）数据源逐个加入后的累积并集——黄色柱为整合目录中的累积蛋白总数，绿色折线为每个来源相对 neXtProt PE1 新增的蛋白数（x 轴为累积整合的数据源数，1–27）。

四、对照 neXtProt PE1：新增 525 个质谱证据蛋白

要衡量"整合到底多带来了什么"，需要一把标尺。UniProtKB 用蛋白存在性（PE, protein existence）来分级，从证据强度由高到低分为 5 类：

• - PE1：有质谱或非质谱方法的蛋白级证据；
• - PE2：有转录本表达证据；
• - PE3：与其他物种同源推断；
• - PE4：来自基因模型预测；
• - PE5：基因不确定，或为重复序列。

在 neXtProt 最终版本（2023-09）中，人类蛋白质组共有 20,389 个条目，带有不同的存在性证据等级。

MSCP 把整合目录与 neXtProt PE1 基准逐一比对，得到核心增量：525 个蛋白新增了质谱证据（相对于 neXtProt PE1）。这个数字不只是一个"覆盖率"指标——它意味着这 525 个蛋白此前缺少实验层面的蛋白级证据，如今在癌症语境的多来源整合中，被质谱实打实地"看到"了。

作者进一步把 PE 状态与染色体分布关联起来，做"存在性"的深挖。这里有几个值得记住的发现：

• - 各种蛋白质组数据集的贡献让新鉴定蛋白稳定增长，同时也说明整合同时用上了 DDA 与 DIA 两种采集模式的价值；
• - 525 个新蛋白里，37 个是先前被标注为"染色体假（chromosome-false）"的条目——这类基因条目因基因组定位不正确、或证据不一致而被重新指派或移除；
• - 从亚细胞定位看，这 525 个新蛋白有 85% 落在膜（44.5%）、细胞核（20.5%）或细胞外区域（20%）（另有细胞质 10%、内质网 2.5%、高尔基体 2.5%）——恰好属于"难检测"的蛋白类别。

▲ 图3｜MSCP 的蛋白存在性基准与染色体级覆盖。（A）MSCP 与 neXtProt PE1 参考集蛋白在人类染色体上分布的旭日图（sunburst）；（B）逐染色体比较 MSCP 与 neXtProt PE1 的检出蛋白数，突出染色体级覆盖与 MSCP 整合所弥补的缺口；（C）525 个新鉴定 MSCP 蛋白与先前"染色体假"条目的重叠（488 / 37 / 748），说明此前注释不一致的蛋白被"捞回"；（D）新鉴定蛋白按细胞组分（cellular component）的树图分布，凸显膜相关、核与细胞外等难检测类别的富集。

五、DDA 还是 DIA？谁在贡献"新蛋白"

既然整合同时纳入了两种采集模式，一个自然的问题是：新蛋白到底更多来自 DDA 还是 DIA？

把 525 个新蛋白按采集模式归类，答案有点出人意料：

• - DIA 贡献 333 个；
• - DDA 贡献 300 个；
• - 两者有重叠，总数去重后为 525 个。

也就是说，DIA 采集模式贡献的新鉴定蛋白比 DDA 更多。图 4A 用热图展示了 525 个新蛋白中 51 个的代表性分布——它们在至少 9 个不同数据源、跨两种采集模式下被共享鉴定，直观体现了 DDA 与 DIA 的互补性。

研究还把新蛋白与 GENCODE 蛋白编码基因列表（GENCODEv46）做了比对。人类蛋白质组计划（HPP）一直在把 UniProtKB 的蛋白清单与 GENCODE 数据库对齐，因此作者特别关注"在 GENCODE 蛋白编码基因列表里找不到"的新蛋白：

• - MSCP 中这类蛋白共 110 个；
• - 其中 DIA 贡献 91 个、DDA 贡献 39 个。

这 110 个蛋白对应的，是 Ensemble-GENCODE "未找到"列表里的蛋白编码基因（1254 个 UniProtKB-Swiss-Prot 条目）。KEGG 通路富集（图 4D）则提示，膜相关蛋白（尤其神经活性配体—受体相互作用通路）是富集的重点——这与染色体层面的结论相互印证：MSCP 强化了此前难以检测的蛋白类别（如膜蛋白）的质谱检出。

▲ 图4｜新鉴定蛋白的特征刻画与采集模式贡献。（A）代表性新蛋白在来源间的检出热图，按采集模式（DDA vs DIA）分层，展示跨研究重复性；（B）按采集模式汇总新鉴定蛋白，体现 DDA 与 DIA 的相对贡献；（C）相对 Ensembl/GENCODE 蛋白编码基因列表（GENCODEv46）对新蛋白分类，含列表之外蛋白及其在两模式中的分布；（D）新鉴定蛋白的 KEGG 通路富集，突出膜相关功能主题。

六、从组织到网络：这些新蛋白"住在哪、和谁在一起"

数据库的第二个落脚点是生物学语境。研究把新蛋白与人类蛋白图谱（The Human Protein Atlas, HPA）的器官/组织蛋白质组做了对照，看哪些器官从 MSCP 的增量覆盖中受益最多（图 5A）：