蛋白质组学的探索始于对生命复杂性的解码：它不仅研究单个蛋白质的功能，更关注蛋白质如何在动态网络中共同作用，驱动细胞的适应性与生存策略。
在这一部分，嘉宾们讨论了如何通过 “多层次” 的蛋白质组学方法揭示生物系统的复杂性，并展望了未来技术如何将这些动态网络转化为可以预测和干预的生物模型。他们的研究为我们提供了一个全新的视角——从分子到系统，生命如何协同运作。
瑞士苏黎世联邦理工学院的 Ruedi Aebersold 教授发表了题为Multi-PROTeomics is the central method to study biological processes as complex systems 的演讲。![]()
他指出，细胞和组织的生化状态是其表型特征的核心，决定着其组成的生物分子及其交互网络。然而，现有理论和计算模型尚不足以预测基因组或环境变化对细胞适应性的影响。Ruedi Aebersold 教授强调，多维蛋白质组学（Multi-PROTeomics）是一种综合技术，能够通过表达谱、功能状态、结构、位置和相互作用多个层面的分析，描述细胞的复杂适应性系统。未来的发展方向应着重于建立更加完善的多重蛋白质组学技术，并结合高效计算策略，为预测生物系统的动态适应提供新方法。
国家蛋白质科学中心（上海）的曾嵘研究员带来了题为 Proteome-wide network and dynamics 的报告。![]()
她以蛋白质组网络为切入点，介绍了生物分子网络如何在健康与疾病之间实现转变，并探讨了这一领域对精准医疗的关键意义。她指出，目前对单节点或单层面的研究难以全面反映疾病的复杂性，未来需要开发可动态解析蛋白质网络的平台，以推动精准医学的发展。
中国科学院大连化学物理研究所的张丽华教授以 In-vivo crosslinking MS for protein interactome analysis 为主题，展示了交联质谱（CX-MS）在揭示蛋白质动态结构及相互作用方面的最新进展。![]()
她强调，CXMS技术通过增强覆盖率、提高反应速度及改进空间特异性，为研究动态蛋白质结构及捕获亚细胞器之间的瞬时相互作用提供了新的工具。同时，她建议未来进一步拓展CXMS的应用范围，以适应RNA-蛋白、药物-蛋白及细胞通讯等领域的研究需求。
来自美国系统生物学研究院（ISB）的Rob Moritz 教授围绕 Protein Discovery: Assessing Translation of Novel ORFs and Discovering Function 进行了分享。![]()
他介绍了通过核糖体印记测序（Ribo-Seq）发现的7000多个短开放阅读框（sORFs），其中许多编码了此前未被识别的小型蛋白。为了验证这些蛋白的存在，他引入了免疫肽组学技术，分析并展示了这些sORFs在基因表达及蛋白质合成中的重要作用。他进一步探讨了相关新工具在深入理解未研究蛋白质组方面的潜力。
加拿大不列颠哥伦比亚大学的 Chris Overall 教授以 Termini are not just the ends of proteins 为题，强调了蛋白质N端和C端肽段对功能和稳定性的关键影响。![]()
他通过展示 “端组学”（terminomics）的研究成果，提出蛋白质链的起点可以因蛋白水解过程而发生变化，从而生成新的功能性蛋白种类。Overall教授特别指出，这些发现对于理解蛋白质调控机制及开发疾病生物标志物具有重要意义。
最后，来自马来西亚国立大学的 Teck Yew Low 教授以 Non-Canonical Proteins in Cancer 为主题，深入分析了短开放阅读框（sORFs）编码的微型蛋白在结直肠癌（CRC）中的差异表达。
![]()
他结合细胞系和肿瘤组织数据，揭示了多个新发现的微型蛋白在癌症进程中的潜在作用。这些研究强调了非典型蛋白质在癌症机制研究中的重要性，指出短开放阅读框可能成为未来癌症诊断和治疗的新靶点。
![]()
Proteomics-driven precision medicine
精准医学的核心在于个性化，而蛋白质组学为这一目标提供了不可或缺的分子基础。
在本部分中，嘉宾们展示了蛋白质组学在肿瘤生物标志物发现、免疫反应调控及糖蛋白功能研究中的突破性进展。他们还探索了如何将这些研究转化为临床应用，从早期诊断到治疗策略优化，蛋白质组学正在推动医疗从经验走向精确，为患者带来更加个性化的健康管理方案。
来自澳大利亚莫纳什大学的 Anthony Purcell教授分享了题为Immunopeptidomics - from basic cell biology to next generation vaccine design 的报告，深入探讨了免疫肽组学如何连接基础细胞生物学与应用免疫学和疫苗设计。
![]()
他介绍了通过主要组织相容性复合体（MHC）分子呈递的肽段研究，为理解免疫系统功能提供了宝贵信息。这些研究成果不仅推动了癌症和传染病疫苗的研发，还为自身免疫疾病中的特异性抗原治疗提供了机会。Purcell教授重点展示了当前免疫肽组学技术的最新进展，并结合其研究团队在癌症和传染病领域的实例，阐明了如何利用这些技术设计下一代疫苗。
来自美国约翰霍普金斯大学的 Hui Zhang 教授做了题为 Glycoproteomics: method and clinical applications 的报告，分享了糖蛋白组学的研究方法及其在肿瘤领域的临床应用。
![]()
她指出，糖蛋白组学作为蛋白质组学的一个重要分支，重点研究糖基化修饰的多样性，包括糖型、糖基化位点及其连接的糖链。她详细介绍了基于质谱技术的最新糖蛋白组学方法，并通过研究肿瘤的糖蛋白组，揭示了基因组与功能之间的关联。她强调，糖蛋白组学在个性化癌症治疗中展现出了巨大的潜力，为开发更精准、高效的临床干预措施提供了科学依据。
来自荷兰阿姆斯特丹大学医学中心的 Connie Jimenez 教授做了题为 Multi-dimensional clinical proteomics of colorectal cancer 的报告，总结了过去20年中她和团队对结直肠癌相关材料的蛋白质组学研究成果。
![]()
她介绍了通过对超过300份粪便样本的大规模研究，发现并验证了结直肠癌筛查的新型蛋白质生物标志物，目前这些标志物已进入临床测试阶段。她还通过分析微生物组数据探索其在结直肠癌检测中的潜力，并揭示了肿瘤组织的亚型生物学及免疫亚群的预后意义。此外，Jimenez教授团队对癌症相关分泌物和外泌体的研究揭示了异常信号通路、转录因子及分泌机制。展望未来，她指出，组织活检与液体活检的磷酸化蛋白质组学将在精准医学领域发挥重要作用。来自荷兰阿姆斯特丹自由大学的 Ka Wan Li 教授做了题为 Proteomics of postmortem brains Alzheimer's disease 的报告。
![]()
他分析了由淀粉样蛋白（Aβ）和Tau蛋白异常累积导致的病理特征，并通过建立包含12.8万个肽段的谱库，研究早发型和迟发型AD样本的时空蛋白质组模式。他的研究揭示了某些Tau蛋白和Aβ片段可作为精准诊断AD的关键标志物。此外，他通过分析健康对照样本中的淀粉样蛋白，提出了可能代表AD早期阶段或抗病状态的蛋白质变化。他还展望了通过空间蛋白质组学及交互组学进一步揭示AD特定细胞变化的潜力。来自澳大利亚莫纳什大学的 Ed Nice 教授做了题为 Pathology, proteomics and precision medicine 的报告，回顾了蛋白质组学和其他组学技术在过去20年的快速发展。
![]()
他强调，随着人类基因组和蛋白质组的逐步完善，医学已从传统的 “一刀切” 治疗转向个性化精准医学。通过整合基因组学、蛋白质组学和代谢组学等多组学数据，我们可以全面解析健康与疾病的生物学过程，从而识别潜在生物标志物和新型药物靶点。他还介绍了HUPO（国际人类蛋白质组组织）发起的 Pathology Pillar 计划，并以结直肠癌为例，讨论了精准医学如何为疾病消除提供新路径。来自德国格赖夫斯瓦尔德大学的 Uwe Völker 教授做了题为 Molecular Epidemiology - Options for omics-approaches in population-based cohorts的报告。
![]()
他以波美拉尼亚健康研究（Study of Health In Pomerania，SHIP）为例，阐述了分子流行病学结合群体队列研究的多组学技术（包括基因组学、转录组学、蛋白质组学和代谢组学）的应用，重点展示了这些技术在健康状态评估、疾病早期转化监测以及复杂疾病（如心血管疾病）研究中的潜力与成果。他提出建立国际合作网络以整合现有队列资源和多时间点数据的倡议，讨论了数据共享与隐私保护的挑战及解决方案，并强调了生物样本库和数据共享平台在促进跨学科合作中的关键作用。
来自意大利卡坦扎罗大学的 Paola Roncada 教授做了题为 One health proteomics 的报告，将蛋白质组学置于 “健康一体化”（One Health）框架下，强调了人类、动物和环境健康的紧密联系。
![]()
她展示了蛋白质组学在研究人畜共患病、抗菌素耐药性及环境污染对公共健康影响中的关键作用。她指出，通过与基因组学、代谢组学及流行病学数据的整合，可以建立强大的疾病监测系统，并开发更精准的健康干预策略。她呼吁在未来研究中加强跨领域数据共享和协作，以将蛋白质组学发现转化为实际的健康解决方案。
![]()
Proteomics-driven drug discovery
药物开发的未来在于筛选分子，还是设计解决方案？凭借对蛋白质动态和相互作用的深刻洞察，蛋白质组学正在成为药物开发变革的核心工具。
在这一部分，嘉宾们从表面蛋白的靶点探索到分子胶药物的精准表征，展示了如何通过蛋白质组学技术重新定义药物发现的策略。我们得以看到，随着AI等跨学科技术的加入，药物开发的速度和精确度正在进一步提升。来自英国贝尔法斯特女王大学的 Ben Collins 教授做了题为 Proteomics can drive drug discovery 的报告，强调了蛋白质组学在药物发现与开发过程中的重要作用。
![]()
随着蛋白质组学技术的成熟，越来越多的制药和生物技术公司依赖这些工具在药物开发的各个阶段生成可操作的信息。他特别提到，蛋白质组学对新型治疗模式（如靶向蛋白降解、化学诱导邻近性、共价抑制剂和抗体-药物偶联物等）具有显著优势。然而，由于许多研究是在公司内部完成，公开的文献有限，因此他呼吁学术界的蛋白质组学专家更多地参与到药物发现领域，为产业发展提供独特价值。来自苏黎世联邦理工学院的 Bernd Wollscheid 教授做了题为 From surface proteomics to drug discovery 的报告，介绍了细胞表面蛋白组学（surfaceome）在细胞信号传导中的关键作用。
![]()
他展示了LUX-MS技术，这是一种利用光控单态氧发生器（SOGs）实现蛋白质交互研究的创新方法。通过结合抗体、小分子药物、生物制剂和病毒颗粒，LUX-MS能够解析跨物种的配体-受体相互作用及表面蛋白的纳米级组织结构。他强调，这种技术为开发精准的治疗策略提供了新框架，并展示了其在 Tumor Profiler 项目中的应用，这一项目整合了多种技术以支持临床决策。来自 Absea Biotechnology 的 Philip Lössl 博士做了题为 Approaches to advance proteomics-based biomarker and drug profiling 的报告，总结了质谱（MS）和非质谱方法在临床和药物研究中的应用案例。
![]()
他探讨了非传统质谱工作流如何增强蛋白质组学在生物标志物测试和分子胶药物（molecular glue drug）特征表征中的效用，并呼吁进一步探索创新方法来推动蛋白质组学在这些领域的应用。
![]()
Proteomics for Agriculture
在生命科学的版图中，农业是蛋白质组学尚未完全开发的宝藏领域。从作物改良到水产养殖，再到食物安全，本部分的分享揭示了蛋白质组学如何为这些关键行业提供分子层面的指导。嘉宾提出了将蛋白质组学技术扩展到农业中的战略，探讨了如何应对全球粮食安全和可持续发展问题。这些研究不仅提升了蛋白质组学的应用广度，也为解决实际问题带来了全新思路。
来自新加坡国立大学的 Qingsong Lin 教授做了题为 Proteomics Revolution: Transforming Food, Agriculture, and Aquaculture Research 的报告，详细介绍了蛋白质组学在食品科学、农业和水产养殖领域的潜在应用。![]()
他指出，尽管蛋白质组学技术已在生物医学研究中取得了显著进展，但其在其他关键领域的应用尚未完全发挥潜力。他的团队正致力于将蛋白质组学技术应用于解决这些行业的挑战，包括食品安全、作物改良和水产健康管理。他呼吁科研界关注这些未被充分开发的领域，以推动创新并应对全球关键需求。人工智能正在将科学研究带入一个全新的时代，而蛋白质组学无疑是最具潜力的应用领域之一。在这一部分中，嘉宾们展示了AI如何通过分析复杂数据、构建预测模型及开发跨模态技术，为蛋白质组学赋能。他们的讨论超越了技术本身，展望了AI与蛋白质组学结合所能带来的社会价值——从提升疾病诊断能力到推进国际合作，再到改善人类健康，这些突破性应用预示着一个数据驱动的未来正在到来。
来自巴西 Carlos Chagas 研究所的 Paulo Costa Carvalho 博士做了题为Mass spectrometry beyond boundaries: AI solutions for unsolved challenges in proteomics 的报告，展示了AI在蛋白质组学中的三大变革性应用。![]()
首先，他介绍了Scout，这是一个专为处理蛋白质交联质谱数据而设计的分析工具，其速度和可靠性优于现有工具。其次，他分享了AI驱动的脑病诊断模型，该模型通过血液质谱数据实现了非侵入性诊断，与活检的准确性相当。最后，他展示了一种用于评估皮肤活性物质疗效的无偏AI框架，为护肤研究提供了客观评价工具。
来自西湖大学的郭天南教授做了题为 Two action plans for AI proteomics: MassNet and iYeast 的报告。![]()
他介绍了AI与蛋白质组大数据整合的最新进展，如DIA-BERT模型在单细胞蛋白质组学中的应用显著提升了蛋白质和肽段的识别效率。此外，他提出开发AI友好的数据格式和API，以支持数据共享和高效分析，同时推动蛋白质功能注释、疾病机制解析及治疗靶点识别等研究。MassNet旨在通过AI提升质谱数据的蛋白质识别与定量能力，而iYeast计划结合酵母的蛋白相互作用网络、代谢模型和基因扰动数据，创建虚拟酵母数字模型，助力合成生物学与精准药物开发。他还呼吁建立国际AI蛋白质组学合作网络，解决数据共享和标准化挑战，助力疾病研究和个性化医学发展。
来自 DP Technology 的温翰博士做了题为 Foundation Model driven AI for Omics 的报告，介绍了基础模型在组学数据分析中的应用，探讨了AI如何推动蛋白质组学的跨学科整合和疾病研究。![]()
他介绍了预训练模型Uni-RNA和Uni-Mol，用于RNA和分子3D结构的高效预测。在多组学领域，GraphOmicsODE动态模型通过时间序列数据预测非遗传和遗传扰动的生物学响应，可用于细胞系与患者蛋白表达预测及药物效应分析。在质谱实验自动化方面，他展示了通过AI数据库和数据向量化技术开发的高效分析平台，覆盖单细胞组学与空间组学的工作流程。最后，他展望了AI与组学的深度融合，强调跨尺度建模和动态预测对精准医学和药物开发的推动作用。
来自悉尼大学ProCan的 Qing Zhong 教授做了题为 Federated deep learning enables cancer subtyping by proteomics 的报告，介绍了联邦深度学习（FDL）在保护数据隐私的同时应用于蛋白质组学的癌症亚型分类。![]()
他的团队开发的ProCanFDL方法，通过分布式训练模型实现了与集中化模型相当的性能，解决了在蛋白质组学数据中应用AI时的数据隐私问题。这一方法在癌症亚型分类任务中显著提高了性能，并证明了其在不同数据集中的泛化能力。ProCanFDL为国际合作提供了解决方案，既保证了数据隐私，又推动了生物标志物和治疗靶点的发现。
来自哈佛医学院的 Chris Sander 教授做了题为 Challenges for perturbation biology: AI methods and focus on human health 的报告。他探讨了微扰生物学（perturbation biology）在π-Hub项目中的挑战，特别是AI在研究中的应用。![]()
微扰生物学关注基因、蛋白质、药物等对生物系统的影响，直接关联到人类健康。讲者介绍了如何利用AI分析这些微扰效应，帮助揭示疾病机制，并预测疾病进程。Chris Sander教授也指出，当前面临的一些挑战包括数据的复杂性与异质性、模型的可解释性以及如何处理大规模生物数据等。通过π-Hub项目，AI技术被用来优化实验设计、提升数据分析效率，并推动健康相关研究的进展。
来自温州医科大学的张康教授做了题为 Enhanced AI model performance and clinical applications by multi-modal integration and diverse data sources 的报告，阐述了多模态数据整合（如影像、组学数据及电子健康记录）在复杂疾病管理中的价值。![]()
他强调，结合这些数据，AI可以更全面地评估患者的健康状况和疾病进展；融合多种数据源（包括合成医学数据）可提高模型的准确性和泛化能力，尤其在数据不完整或涉及稀有疾病时，有助于克服数据稀缺和隐私问题，从而支持更精准的疾病预测和个性化治疗。展望未来，多模态AI整合有望推动个性化医疗、精确医学和生物医学研究的进展，帮助临床医生做出更加精准的数据驱动决策。
![]()
三十年来，科学家们不断挑战边界，从基因组的框架中抽丝剥茧，尝试理解蛋白质如何决定健康与疾病的命运。此刻，我们站在当下展望未来，AI、多模态技术以及新型跨学科方法，犹如未知的力量，正在重塑我们对蛋白质组学的认知。
“未来” 研讨会将目光投向未来：从人工智能赋能的蛋白质组学到精准医学的突破，从药物开发的颠覆性策略到农业和环境健康的深远应用…… 专题分享后，嘉宾们就这些问题又进行了深入的圆桌讨论并对现场观众的问题进行了答疑。
作为世界蛋白质组学和系统生物学领域先驱，Ruedi Aebersold 在他的报告最后，谈了自己关于 “Future of Proteomics” 的思考：
● 生物学的未来应将生物系统作为复杂的适应性系统来研究；● MultiPROTeomics 是研究生物系统作为复杂适应性系统（CAS）的关键技术； ● 不同的“信息层”必然会通过AI连接起来，AI需要来自同一系统、在多种扰动状态下的系统化多层数据来进行学习；● 对于蛋白质组学的发展来说，一个迫切、可行且必需的步骤就是生成系统的multiPROTeomic数据集来训练AI。
未来的科学研究，将不再是对数据的简单积累，而是关于如何挖掘数据背后的意义：通过跨层次的整合和AI赋能，将复杂的生物网络转化为可预测、可干预的模型。
蛋白质组学的未来，是一场从数据到意义、从实验室到实践的伟大跃迁。而这场变革，正由那些敢于思考 “未来” 的科学家们共同书写。
