蛋白質體學-生物資訊分析專欄I

▌從差異蛋白出發：挖掘數字背後的生物學意義

當我們做完實驗，得到一份差異蛋白(Differential protein) 數據後，下一步該怎麼走？光知道哪些蛋白上調或下調還只是開始——真正關鍵的是，這些蛋白在生物體內到底扮演什麼角色？它們牽涉到哪些疾病機制？還是彼此之間有交互關係？
這時候，後續的生物資訊分析就成為認識這些差異蛋白的重要窗口！

 

▌​差異蛋白視覺化：快速掌握樣本間趨勢與顯著變化

➤ 熱圖（Heatmap）與火山圖（Volcano Plot）：理解差異的起點
這兩種圖常作為差異蛋白資料的初步探索工具：

• 熱圖：利用顏色深淺變化，直觀呈現 (差異) 表現蛋白在各個樣本或組別中的表現量趨勢與聚類 (clustering) 關係。
• 火山圖：整合表現變化幅度（fold change）與統計顯著性（p-value），一眼看出哪些蛋白表現量差異最大、統計上也最顯著。

在針對大腸癌 (Colorectal cancer) 的研究中，Wang 等人 (2024) 將 THP-1 單核球與不同大腸癌細胞株共同培養，觀察其蛋白表現量變化。透過熱圖 (圖一左) 可看出，同一組內部的蛋白質表達差異很小，但不同組之間存在顯著差異，證明了大腸癌細胞確實誘導了 THP-1 單核球的蛋白質表現變化。火山圖 (圖一右) 則凸顯出在腫瘤組和對照組比較之下的上調和下調蛋白質，除了讓複雜數據變得一目了然之外，也有助於後續進階分析能聚焦在特定蛋白上。

▲圖一、差異蛋白分析視覺化。左圖為熱圖，顯示同組內蛋白表現趨勢一致、組間差異明顯；右圖為火山圖，突顯在腫瘤與對照組間顯著上下調的蛋白。

• Upset Plot：透過條狀圖與點矩陣展示多組別之間的交集與獨特性，相較於凡氏圖（Venn Diagram），Upset Plot更適合多組比對。 

▲圖三、以Upset plot 呈現實驗組與對照組間的共有/獨有差異蛋白。

➤ PCA：從整體觀點看出分群趨勢
除了關注單一蛋白的差異，也可以再換個視角，透過主成分分析 (PCA) 來評估整體樣本間的變異：

• PCA：透過降維的方式，可從高維資料中萃取最具代表性的變異方向，將樣本投影在前兩個主成分構成的平面上。若不同組別樣本在 PCA 圖上能夠清楚地分群，代表蛋白質表現具有辨識潛力，也可能成為疾病分類或預測的依據。

在Mok等人 (2024) 對於青光眼 (glaucoma) 亞型的多體學分析研究中，作者收集三種青光眼亞型患者的水晶體後房水 (Aqueous humor) 樣本，分析其中蛋白質與代謝物的變化。PCA (圖四) 結果顯示，不同亞型之間的蛋白質組成具有中度差異，其中亞型POAG和XFG能夠與對照組區分開來。


▲圖四、以PCA呈現三種疾病亞型和對照組的分群。


▌GO / KEGG：賦予蛋白「角色」與「舞台」

差異蛋白的數量可能從幾十個到幾百個，但每個蛋白會在哪些生物過程或訊息傳遞路徑上扮演重要角色呢？不妨透過 Gene Ontology (GO) 與 KEGG Pathway 分析找出這些蛋白的功能吧。

• GO 富集分析：了解蛋白參與了哪些生物過程 (BP)、細胞組成 (CC) 或分子功能 (MF)。
• KEGG Pathway富集分析：釐清蛋白可能參與的訊息傳遞路徑與代謝網絡。

這兩種富集分析在差異蛋白分析中可說是必備項目了！為了釐清魚鰓黏膜免疫反應對細菌感染的機制，Hu等人 (2023) 透過GO和KEGG Pathway富集分析找出差異蛋白對應的功能及參與路徑。GO結果顯示，這些差異蛋白涉及與細胞活動、生物結構與分子功能相關的基本生物過程 (圖五)，而KEGG結果則反映出免疫反應如補體活化、抗原呈遞與細胞骨架調控為此研究中的關鍵路徑 (圖六)。


▲圖五、差異蛋白之GO富集分析，包含 (A) 生物過程 (biological process, BP)、(B) 細胞組成 (cellular component, CC) 和分子功能 (molecular function, MF) 三個類型。


▲圖六、KEGG Pathway 富集分析。差異蛋白於Complement and coagulation cascades和 antigen processing and presentation兩訊號路徑中的參與位置。


 ▌PPI 網絡分析：探索蛋白之間的交互關係

蛋白質往往不是單獨一個就可以發揮作用，而是會與其他蛋白形成功能模組—藉由蛋白質交互作用 (Protein-protein Interaction, PPI) 網絡分析，可以找出關鍵蛋白與其交互作用的對象，推測潛在的生物學模組或治療標靶的候選蛋白。
Santos等人 (2022) 便是透過廣為人知的STRING資料庫建構 PPI網絡 (圖七)，了解腸型胃癌 (intestinal gastric cancer, IGC) 中核心蛋白質之間的交互作用，進而找出潛在的治療標靶。綜合PPI和功能富集的結果也顯示出，這些差異蛋白與細胞凋亡調節、免疫系統、嗜中性白血球去顆粒作用 (neutrophil degranulation)、RNA 代謝和染色質 DNA 結合 (chromatin DNA binding) 的富集模組有關。

▲圖七、透過STRING資料庫建構差異蛋白的PPI 網絡圖。


▌用圖表說故事，讓蛋白分析更有價值

透過合適的分析與視覺化方式，不只能從數據中觀察出樣本間的差異性，更能進一步解讀其中蘊含的生物學故事與意義。但故事背後，少不了繁瑣的資料處理與視覺化製圖流程。

面對大量數據與複雜流程，不必再單打獨鬥！圖爾思提供從視覺化到功能富集與網絡分析的一站式服務，協助您掌握蛋白質變化背後的生物學意義，並用更少的時間，講出更完整的故事。
如果您正在尋找一套完整且嚴謹的生資分析服務，歡迎聯絡我們了解更多！

Reference

• Dong, J., Zheng, F., Liu, F., He, J., Li, S., Pu, W., Xu, H., Luo, Z., Liu, S., Yin, L., Tang, D., & Dai, Y. (2023). Global-feature of autoimmune glomerulonephritis using proteomic analysis of laser capture microdissected glomeruli. Frontiers in Immunology, 14.
• Hu, X., Bai, J., Liu, R., & Lv, A. (2023). Comprehensive transcriptomics and proteomics analysis of Carassius auratus gills in response to Aeromonas hydrophila. Fish and Shellfish Immunology Reports, 4. 
• Liu, W., Wang, Q., Chang, J., Bhetuwal, A., Bhattarai, N., Zhang, F., & Tang, J. (2022). Serum proteomics unveil characteristic protein diagnostic biomarkers and signaling pathways in patients with esophageal squamous cell carcinoma. Clinical Proteomics, 19(1). 
• Mok, J. hun, Park, D. Y., & Han, J. C. (2024). Differential protein expression and metabolite profiling in glaucoma: Insights from a multi-omics analysis. BioFactors. 
• Santos, E. C., Binato, R., Fernandes, P. V., Ferreira, M. A., & Abdelhay, E. (2022). The protein-protein interaction network of intestinal gastric cancer patients reveals hub proteins with potential prognostic value. Cancer Biomarkers, 33(1), 83–96. 
• Wang, Y., Zhang, L., Xu, J., & Ma, J. (2024). The Proteomic Landscape of Monocytes in Response to Colorectal Cancer Cells. Journal of Proteome Research, 23(9), 4067–4081.