TMT是由美国Thermo Fisher 公司研发的一种多肽体外标记技术，最多可进行18例样本的蛋白质同批定量分析。TMT试剂由肽结合基团、平衡基团和报告基团三部分组成，可形成18 种等量异位标签。具体实验流程及原理如下图：以5例样品的TMT标记定量检测为例。在实验过程中将5例不同样品分别酶解成多肽片段→分别标记5种同位素标签→将5例标记好的多肽样品混合成1例总样品→进行HPLC分级（一般为10-15级）→分级后的多肽组分依次进入LC-MS/MS分析系统→二级MS阶段TMT平衡基团发生中性丢失，在低质量区产生多个报告离子→计算各报告离子峰面积，获得同一肽段不同样品间的相对丰度差异比值→加权计算肽段丰度获得总蛋白质相对定量值。
| TMT标记定量技术优势
从TMT标记定量蛋白质组学技术基本原理和实验流程中我们可以看出，该技术将不同的样本分别标记独立的TMT标签，再等量混合成1例pool样进入质谱分析。这种设计保证了所有样品均一性地经过质谱检测，从而防止了样品依次上样在质谱仪波动期引入的样品间系统误差。因此，一般研究认为TMT标记定量蛋白质组学技术相较于非标记定量蛋白质组学技术，在蛋白质组定量比较方面更加准确。
同时，由于TMT实验将pool样进行HPLC分级处理，进行多次质谱进样，这样的实验流程不仅将进入质谱中样品的复杂度显著降低，从而减少了背景干扰，提高蛋白检出率。同时，不同HPLC组分中会保留同一蛋白多肽，经过质谱重复鉴定，在定性和定量方面均可提高蛋白质组学的数据准确度，也提高了蛋白质组的鉴定深度。因此，TMT标记定量蛋白质组学对于蛋白质组学深度检测需求的研究尤为适用。
| 主要仪器设备
| 项目经验
华盈生物已经完成上百种类型样品的定量蛋白质组学检测，蛋白质组表达具有时空差异性，不同样本的蛋白谱各有特点，下图色块大小代表的是不同样本鉴定的蛋白数量差异。
| 样品要求
| 应用方向
● 发病机理研究
● 药物靶点研究
● 疾病标志物筛选
● 植物品种改良
● 工程菌改造
● 特殊功能蛋白质筛选
| 经典案例
TMT技术发现脂肪代谢紊乱底层机理
2017年5月美国学者Pamir N等运用TMT标记技术成功完成了20例小鼠脂肪组织蛋白质组定量比较。相关研究工作发表在蛋白质组学代表性杂志《Molecular & Cellular Proteomics》上（PMID: 28325852）。该研究实验设计巧妙，突破了iTRAQ和TMT等体外标记蛋白组学技术在同位素标签数量上的限制。
TMT蛋白质组学定量研究实验设计
研究人员将8周龄的20只小鼠处理分成四组（每组5只小鼠）：分别低脂喂养8周和18周，高脂喂养8周和18周。分别取各小鼠附睾脂肪组织进行3组TMT蛋白质组学定量分析，共计20例样品，通过3套TMT试剂“搭桥”方案完成了蛋白质组学定量分析。将3组质谱数据校准后进行组间蛋白谱比较，获得衰老（aging）和高脂饮食（HF）调控的脂肪组织特征蛋白谱，重新认识衰老与高脂饮食诱导的代谢紊乱疾病的物质基础，具体实验设计，见图1。
图1.多样本TMT蛋白质组学技术路线
高脂饮食易造成代谢紊乱
经过18个月高脂饮食喂养，小鼠出现了代谢状态系统性紊乱，随时间增长逐渐加剧。在低脂状态下，衰老是引起代谢紊乱主要因素，但紊乱程度较高脂环境要轻，见图2。
图2.高脂饮食和衰老造成糖脂代谢紊乱
蛋白质组改变伴随代谢紊乱发生
通过对比分析组间定量蛋白质组学数据的差异，研究人员发现衰老是引起蛋白质组变化的重要因素。而在高脂环境下，衰老对于蛋白质组的调变影响将被放大，表现为代谢相关差异蛋白显著增多。
图3.高脂饮食和衰老造成蛋白质组显著调变
TMT定量蛋白质组学数据系统比较了衰老（Aging）和高脂饮食（HF）各自调控的脂肪组织特征蛋白谱，发现：低脂饮食条件下，衰老因素主要通过调控脂代谢、氨基酸代谢相关蛋白群改变引发代谢紊乱。而在高脂环境下，衰老对免疫系统、补体激活、基质重塑等蛋白群又产生了新的影响，造成了更严重的代谢紊乱发生，见如图4。
图4.差异蛋白谱互作网络分析
小结
通过本文可以看出，蛋白质组学研究具有很大的发展空间，可以填补很多研究知识上的空白。良好的实验设计可以突破技术限制，并让实验数据具有更强的说服力。
| 相关文献
[1]. Chen Huang, Lijun Chen, Sara R Savage, et al. Proteogenomic insights into the biology and treatment of HPV-negative head and neck squamous cell carcinoma. Cancer Cell. 2021 Mar 8;39(3):361-379.e16.2.
[2]. Bo Shen, Xiao Yi, Yaoting Sun, et al. Proteomic and Metabolomic Characterization of COVID-19 Patient Sera. Cell. 2020 Jul 9;182(1):59-72.e15.
[3]. Karsten Krug, Eric J Jaehnig, Shankha Satpathy, et al. Proteogenomic Landscape of Breast Cancer Tumorigenesis and Targeted Therapy. Cell. 2020 Nov 25;183(5):1436-1456.e31.
[4]. Yongchao Dou, Emily A Kawaler, Daniel Cui Zhou, et al. Proteogenomic Characterization of Endometrial Carcinoma. Cell. 2020 Feb 20;180(4):729-748.e26.
[5]. Michael A Gillette, Shankha Satpathy, Song Cao, et al. Proteogenomic Characterization Reveals Therapeutic Vulnerabilities in Lung Adenocarcinoma. Cell. 2020 Jul 9;182(1):200-225.e35.
[6]. Yi-Ju Chen, Theodoros I Roumeliotis, Ya-Hsuan Chang, et al. Proteogenomics of Non-smoking Lung Cancer in East Asia Delineates Molecular Signatures of Pathogenesis and Progression. Cell. 2020 Jul 9;182(1):226-244.e17.
[7]. Francesca Petralia, Nicole Tignor, Boris Reva, et al. Integrated Proteogenomic Characterization across Major Histological Types of Pediatric Brain Cancer. Cell. 2020 Dec 23;183(7):1962-1985.e31.
[8]. Christopher J Tape, Stephanie Ling, Maria Dimitriadi, et al. Oncogenic KRAS Regulates Tumor Cell Signaling via Stromal Reciprocation. Cell. 2016 May 5;165(4):910-20.
[9]. Deanna L Plubell, Phillip A Wilmarth, Yuqi Zhao, et al. Extended multiplexing of TMT labeling reveals age and high fat diet specific proteome changes in mouse epididymal adipose tissue. Mol Cell Proteomics. 2017 May;16(5):873-890.
