蛋白质测序新突破：将多肽转化为DNA信息，挑战单分子解析极限

引言

半个多世纪以来，分子生物学的中心法则（Central Dogma）指引着我们理解生命的底层逻辑：信息从DNA流向RNA，最终翻译为蛋白质。在这个线性的信息流中，DNA和RNA的测序技术已经登峰造极，单分子灵敏度和单碱基分辨率早已成为行业标配。然而，当我们试图在单分子层面上解读这条信息流的终点——蛋白质时，却发现自己依然在黑暗中摸索。

3月18日，《Nature Biotechnology》的研究报道“Single-molecule peptide sequencing through reverse translation of peptides into DNA”，提出了一种极具颠覆性的“逆向翻译”（Reverse translation）策略，成功实现了具有单氨基酸分辨率的单分子多肽测序。他们没有选择在极其复杂的蛋白质化学结构中死磕，而是巧妙地将蛋白质测序问题，降维并转化为一个DNA测序问题。通过将氨基酸身份信息编码进DNA报告分子中，研究人员得以借助高通量测序的强大算力，在数以亿计的读取中重构出多肽的原始序列。
信息的维度：后基因组时代的蛋白质测序困境

在后基因组时代，单细胞转录组学（Transcriptomics）已经成熟为量化单个细胞基因表达的强大工具。然而，转录组仅仅是生命活动的“蓝图”或“草稿”。一个基因即使转录出了海量的mRNA，最终能产生多少具备功能的蛋白质，依然受到翻译调控、降解动力学以及各种生化过程的强烈影响。更重要的是，多肽链在合成后，还会经历极其复杂的翻译后修饰（Post-translational modification, PTM），例如磷酸化、乙酰化、甲基化等。这些修饰彻底改变了蛋白质的三维结构和功能，而这些信息是绝对无法从DNA或RNA序列中预测出来的。

当前，蛋白质组学（Proteomics）的主力依然是质谱（Mass spectrometry, MS）技术。尽管质谱技术在过去几十年取得了长足的进步，但它仍然面临着无法逾越的物理和统计学瓶颈。质谱的动态范围和灵敏度有限，在复杂的细胞裂解液中，高丰度蛋白质产生的信号往往会彻底淹没低丰度但却具有关键调控功能的蛋白质。此外，质谱本质上依赖于肽段在气相中的碎裂模式来推断序列，面对丰度极低或带有复杂修饰的肽段，往往力不从心。

为了看清生命的分子全貌，领域内一直渴望能开发出具备单分子灵敏度、单氨基酸分辨率的蛋白质测序技术。近年来，纳米孔（Nanopore）技术和荧光测序（Fluorosequencing）等新兴方法展现出了巨大的潜力。但它们各自受限于物理原理的制约：纳米孔技术在区分二十种结构各异的氨基酸时面临极大的信噪比挑战；而荧光测序则高度依赖于对特定氨基酸的选择性荧光标记，目前可用的标记试剂库依然非常有限。更关键的是，许多尝试在完整多肽链背景下识别N端氨基酸的方法，其识别亲和力和动力学极易受到相邻氨基酸残基的干扰，导致准确率难以提升。

面对这些困境，斯坦福大学的研究团队选择了一条非共识的道路：既然蛋白质本身难以被直接放大和精确读取，我们能否将其携带的信息“转移”到一种更容易被处理的载体上？

转换思考框架：将氨基酸身份折叠进DNA序列

这项研究的核心思想极其纯粹——将多肽序列转化为DNA序列。研究人员设计了一个分为三个主要阶段的循环流程，就像一台分子级别的打字机，将氨基酸的信息一个字母一个字母地敲击成DNA代码。

首先，待测序的多肽被固定在磁珠上，并连接上一段独特的“多肽身份条形码”（Peptide identity barcode）DNA。这就相当于给每一个多肽分子发了一张带有唯一编号的身份证。接下来，多肽经历一种改良版的埃德曼降解（Edman degradation）反应。传统的埃德曼降解能够每次从多肽的N端精确切下一个氨基酸，但在新的设计中，切下的每一个氨基酸在脱离主链之前，都会被共价标记上那段多肽身份条形码的互补DNA链。此时，氨基酸虽然与多肽母体分离，但它带走了一块包含来源信息的DNA标签。

随后进入第二阶段，这些带有DNA标签的孤立氨基酸需要被“识别”。研究人员利用特定的氨基酸抗体来进行捕捉。关键在于，这些抗体本身也连接着另一段DNA，即“抗体条形码”（Antibody barcode）。当抗体特异性结合目标氨基酸时，抗体上的DNA与氨基酸上的DNA在空间上极度靠近，触发邻近延伸反应（Proximity extension assay, PEA）。这一生化反应生成了一条全新的、可被PCR扩增的DNA报告分子，这条报告分子同时记录了两个至关重要的信息：氨基酸来自哪条多肽（多肽身份条形码），以及这个氨基酸是什么（抗体条形码）。

最后，在将这些DNA报告分子进行建库的过程中，每一次降解循环的轮次信息（即该氨基酸在多肽链中的位置）也会通过循环编号条形码（Cycle number barcode）被整合进去。

通过这种方式，原本难以捉摸的多肽序列，被转换成了包含“氨基酸身份、在肽链中的位置、来源多肽ID”三个维度的结构化DNA文库。这些文库可以直接输入目前极其成熟的高通量测序仪中，产生海量的数字信号。

重塑经典化学：在严苛降解中守护核酸的完整性

构想虽然完美，但要在试管中实现这一套流程，必须跨越一道巨大的化学鸿沟：DNA与经典蛋白质测序化学环境的严重不兼容。

传统的埃德曼降解依赖于异硫氰酸苯酯（PITC）与N端氨基酸反应，随后在三氟乙酸（TFA）等强酸条件下进行切割和转化。然而，强酸是DNA的“死敌”。在酸性环境中，DNA会发生质子催化的脱嘌呤反应（Depurination），进而导致链断裂。如果作为信息载体的DNA条形码在第一步就被破坏了，整个逆向翻译的构想就成了空中楼阁。

为了解决这个问题，研究人员必须对埃德曼降解进行深度的底层重构。他们首先摒弃了TFA，转而采用三氟化硼乙醚复合物（BF3 etherate）的乙腈溶液作为切割试剂。虽然这种条件能有效切割N端氨基酸，但令人挫败的是，当天然DNA暴露在含有40 mM的三氟化硼乙醚溶液中4小时后，依然观察到了明显的脱嘌呤现象。

面对这一挑战，研究人员引入了核酸化学领域的特殊修饰工具——7-脱氮嘌呤脱氧核苷酸（7-deazapurine deoxynucleotides，包括c7dA和c7dG）。天然嘌呤环上的N7位置是最容易在酸性条件下被质子化的位点，也是引发脱嘌呤的关键机制。通过去除这个位点的氮原子，DNA链对酸催化降解的抗性得到了数量级的提升。实验数据显示，用这种修饰核苷酸合成的DNA链，在三氟化硼乙醚处理4小时后依然完好无损。考虑到实际的切割反应仅需5分钟即可完成，这种稳定性足以支撑多轮循环降解。更为幸运的是，常用的DNA聚合酶（如Klenow片段、Sequenase version 2.0和Bst 3.0）完全能够识别并高效整合这种修饰后的核苷酸。

不仅如此，由于三氟化硼乙醚切割产生的苯胺基噻唑啉酮（ATZ）氨基酸极不稳定，无法用于后续的抗体识别，研究人员还彻底修改了转化步骤。他们没有使用传统的酸性转化条件将其变为苯硫乙内酰脲（PTH）氨基酸，而是在弱碱性和还原性条件（含有二硫苏糖醇，DTT）下，将其水解为高度稳定的苯硫代氨基甲酰基（PTC）氨基酸。

这一系列化学体系的重构，不仅保护了DNA，还巧妙利用了DNA在乙腈溶剂中的不溶性——切割下来的带有DNA条形码的ATZ氨基酸会因为沉淀而继续附着在固相载体表面，直到碱性水解步骤才被释放并转化为目标PTC氨基酸。

经过流式细胞术的严密定量验证，在连续五轮的DNA编码埃德曼降解中，每次循环的切割效率分别达到了96.9%、95.8%、94.7%、93.9%和92.1%（平均约95±2%）。这不仅证明了改良化学体系的极高效率，也说明绝大多数多肽分子都成功进入了下一个测序循环。

分子识别的译码器：基于邻近延伸的信号放大

当多肽被成功拆解为一个个带有DNA标签的PTC氨基酸后，接下来的挑战是如何高度特异性地“阅读”它们。这里，研究人员利用了生命科学中最强大的分子识别工具——抗体。

因为转化产物是稳定的PTC氨基酸，研究人员通过用各种PTC氨基酸偶联物免疫小鼠，成功制备了具有极高特异性和亲和力的单克隆抗体。通过生物膜干涉技术（BLI）测量，这些抗体展现出了极佳的结合能力。例如，识别PTC-苯丙氨酸（PTC-F）的抗体解离常数（Kd）低至5.7 nM；识别PTC-色氨酸（PTC-W）的抗体Kd为4.9 nM；识别PTC-天冬氨酸（PTC-D）和PTC-精氨酸（PTC-R）的抗体Kd分别为15.2 nM和23.7 nM。这种不在多肽背景中，而是针对单一游离氨基酸衍生物进行识别的策略，彻底避开了相邻氨基酸的空间位阻和电荷干扰，极大地提升了识别的普适性。

有了强有力的抗体，下一步就是将这种蛋白质级别的识别，转换为DNA级别的信号。研究人员采用了邻近延伸反应（PEA）。他们通过点击化学，将一段带有PEA引物序列的DNA连接到抗体的Fc区域。只有当抗体精准结合了目标PTC氨基酸时，抗体上的引物序列才会与氨基酸附带的DNA模板在空间上极其靠近，从而稳定引物-模板复合物，使得聚合酶能够启动延伸，生成一条包含完整信息的双链DNA报告分子。

在这里，研究团队对反应热力学进行了极其细致的调优。PEA反应面临的最大风险是假阳性——即使没有抗体-抗原的结合，引物和模板之间也可能发生非特异性的杂交和延伸。为了压制这种背景噪音，研究人员测试了不同长度的PEA引物（5至7个核苷酸）。实验发现，7个核苷酸的引物由于自身杂交足够稳定，会导致大量的非特异性延伸；而引物过短则无法有效启动反应。最终，长度为6个核苷酸的引物被证明是最佳选择。

此外，由于非特异性延伸仅仅取决于引物的绝对浓度，降低抗体-引物复合物的浓度可以成比例地抑制背景噪音。数据表明，在30 nM的最佳工作浓度下，非特异性延伸被压制到了特异性延伸的1%左右，同时并未明显降低阳性信号的产率。

通过交叉反应性测试验证，针对18种不同的PTC修饰氨基酸，这四种定制抗体均表现出了极高的特异性，对非目标氨基酸的交叉反应性大多低于2%。这种极低的误读率，为后续进行复杂混合物测序乃至单分子测序奠定了坚实的物理化学基础。

从群体到单分子：挑战极限界限的检测灵敏度

基于以上优化的流程，研究人员首先在群体层面（Ensemble level）验证了这项技术的威力。他们对一条七肽（RGFDWGX）进行了五轮测序。在测序结果的热图中，正确氨基酸在其对应位置的归一化读取计数，始终比背景信号高出20到100倍。值得一提的是，在这个模型多肽中，第二个位置是甘氨酸（G），这是目前抗体库中尚无法识别的氨基酸。结果显示，在第二轮测序中，所有抗体的读取数都降至背景水平，这充分说明系统具有高度的严谨性——面对无法识别的目标，系统会忠实地呈现空白，而不是由于某种系统性偏差给出一个错误的归属。

接下来，研究团队展示了该技术惊人的分辨率和灵敏度。当多种多肽被同时降解时，混合释放的DNA编码PTC氨基酸可能会在局部产生非特异性的引物交叉杂交。为了消除这种“串扰”（Crosstalk），研究人员将磁珠上PTC氨基酸的负载密度降低至每毫克磁珠0.5 pmol。在此条件下，脱靶的邻近延伸反应被控制在了3%以下。

以此为基础，他们平行测序了两种仅有一个氨基酸差异的混合多肽（AFGGGX和AWGGGX）。结果表明，通过多肽身份条形码的分离解析，系统完美地重构了这两条高度相似的多肽序列，没有任何混淆。

更为震撼的是这项技术的检测极限。研究人员将AFGGGX和AWGGGX以不同的比例混合进行测序。在Illumina MiSeq测序仪的分析下，该系统展现出了跨越6个数量级的动态范围。在检测极限处，他们成功在一个背景浓度比它高出一百万倍（1:10^6比例）的复杂混合物中，清晰地检测到了极微量的多肽信号。这个比例意味着，系统仅凭0.5 zeptomoles（约30万个分子）的DNA编码氨基酸，就完成了准确的测序识别。这种大海捞针般的灵敏度，对于未来在真实生物样本中寻找极低丰度的疾病标志物、或是极其罕见的突变体，具有难以估量的应用价值。

直击暗物质：精准定位翻译后修饰的坐标

在蛋白质组学领域，翻译后修饰（PTM）的检测一直是一个难以攻克的“暗物质”领域。质谱技术在面对具有多个潜在修饰位点的同分异构体时，往往难以确定修饰到底发生在哪个确切的氨基酸残基上；而传统的ELISA技术虽然能检测特定修饰的存在，却完全无法提供位置信息。

“逆向翻译”测序策略因为是真正的单氨基酸逐步降解解析，天然具备解决这一痛点的能力。而且，由于降解体系的重构，原本难以保留的修饰基团现在可以稳定存在于PTC氨基酸上。研究人员实验证实，市售的针对磷酸酪氨酸（Phosphotyrosine）、非对称二甲基精氨酸、磷酸丝氨酸和乙酰化赖氨酸的抗体，在面对对应的修饰态PTC氨基酸时，依然保持着极高的结合亲和力。例如，识别磷酸酪氨酸的抗体PY20，其Kd值低至7.4 nM。

为了展示其实际威力，研究人员合成了三条具有不同磷酸化模式的多肽：PYGYGGX、YGPYGGX和PYGPYGGX（其中PY代表磷酸化酪氨酸）。将这三条多肽混合后同时进行多轮测序。实验数据极其清晰地反映了现实：通过每一轮特异性产生的数据读取，抗PY抗体在第一轮强烈识别了第一条多肽；在第二轮识别了第二条多肽；而在第一轮和第二轮都识别了第三条多肽。这种精确到绝对位置的PTM映射能力，证明了该平台不仅能够识别氨基酸的种类，还能够精确定位天然氨基酸及其修饰版本在长链中的具体拓扑结构。

大数据的审视：数亿条读取下的单分子全景图

当一切底层生化逻辑被打通后，这项技术向真正的“单分子水平”发起了冲击。

实现单分子追踪的核心，是引入唯一分子标识符（Unique Molecular Identifiers, UMIs）。研究人员在连接多肽的DNA条形码区域引入了一段长达30个核苷酸的随机序列。这意味着，磁珠上的每一个多肽分子，都被赋予了一个在统计学上绝对唯一的ID。通过在测序后将具有相同UMI的DNA读取（Reads）进行聚类和排序，就可以重建出单一多肽分子的完整序列轨迹。

然而，在当前的流体和磁珠操作体系中，极低量的目标多肽在经历多步复杂的清洗和生化反应后，极其容易因为吸附或物理损失而消失。为了确保这些珍贵的单分子信号能被捕获，研究人员巧妙借鉴了单细胞蛋白质组学质谱中常用的“载体蛋白质组”（Carrier proteome）概念。他们将极微量的目标多肽（0.5 fmol）磁珠，掺入到大量的载体多肽（100 pmol）磁珠中。这些载体多肽的DNA序列被设计为不可扩增且不被测序的“隐身”状态。它们的存在有效地饱和了反应体系中的非特异性吸附位点，从而最大程度减少了目标单分子测序过程中的物理损失。

面对海量的DNA报告分子，研究团队动用了高通量测序仪NovaSeq X Plus进行降维打击。在这一次测序运行中，系统共检测到了高达2.94×10^8个有效UMI，平均测序深度达到了23.8次/UMI。这种通过测序深度带来的统计学冗余，确保了我们看到的单分子信号是真实的，而非测序仪本身产生的背景噪音。

对这些海量单分子数据的解析，揭示了该系统惊人的准确度：氨基酸分配的平均准确率达到了98%。在所有包含有效序列的多肽读取中，高达91.9%的序列完全没有任何氨基酸错配。有66.5%的UMI能够在一根多肽链上检测到多个氨基酸，其中17.9%（总计约4800万条序列）实现了四个氨基酸的完整序列覆盖。

同时，通过对拥有独立UMI的数据进行统计学解剖，研究人员也量化了造成序列读取不完整的两个主要机制：截断（Truncation）和缺失（Deletion）。截断是指测序反应过早终止（可能是由于N端被氧化脱硫等副反应不可逆封闭，或者磁珠/多肽在清洗中丢失），导致后续循环的UMI彻底消失。数据分析表明，第二、三、四轮的平均单步多肽回收率约为80.1±4.8%。而缺失是指多肽本身虽然还在继续降解，但由带有标签的PTC氨基酸向DNA报告分子转化的PEA反应不完全，导致某一轮的信号漏读。在剔除截断影响的子集中，研究人员计算出每轮循环的平均缺失率约为22.8%。这些基于亿万级数据得出的客观失效率，为未来对该平台进行工程化和流体自动化的改造提供了极其明确的优化方向。

解码生命多重奏：驶向全蛋白质组的星辰大海

如果我们将现有的这套基于四种氨基酸和有限识别模块的系统投放到真实的生物学语境中，它的潜力究竟有多大？

为了回答这个问题，研究人员在由20,405种蛋白质组成的完整人类蛋白质组（UniProtKB）数据库上进行了严密的计算模拟。假设使用最常见的Lys-C内切酶对蛋白质组进行消化，即使系统只能识别目前已经开发出高质量抗体的这少数几种氨基酸，且每次测序长度仅限于N端的前10个氨基酸残基，其产生的部分序列指纹信息，依然足够在数据库中明确识别出高达74%的人类蛋白质。这证明了在高度复杂的生命体系中，哪怕是局部、不完整的序列信息，只要具备单分子和单氨基酸的绝对准确性，结合组合数学的威力，依然足以解开大自然设下的密码。

当然，作为一项颠覆性的技术框架，它距离在常规临床样本中实现天然全蛋白质组的从头（de novo）测序还有很长的路要走。首先，当前的方法依赖于将DNA标记共价连接到多肽的C端。虽然目前已经有一些针对天然C端羧基的修饰反应，但其效率和底物普适性还有待提高，开发更高效、通用的C端偶联化学将是拓展应用范围的关键。其次，目前的液相和磁珠操作体系导致了较高的截断和缺失率。未来，将这一复杂的生化流水线迁移到微流控芯片和高度自动化的流动池（Flow-cell）硬件上，将是提升测序读取长度和覆盖深度的必然选择。

最核心的限制，依然取决于系统能够识别多少种特征单元。单克隆抗体虽然极其特异，但开发针对所有二十种天然氨基酸乃至数百种修饰氨基酸的高亲和力探针，依然是一项浩大的工程。随着基于核酸适配体（Aptamer）体外筛选、蛋白质定向进化乃至计算蛋白质设计（Computational design）等前沿工具的介入，我们有理由相信，这一分子“译码器”的词汇量将会经历指数级的扩充。

这项发表在《Nature Biotechnology》上的研究，通过巧妙地利用DNA这一完美的分子账本，为我们提供了一个全新的视野。它提醒我们，面对生物学上的终极难题，答案未必在于开发一台更强大的显微镜或质谱仪，而在于能否跳出原有的思维框架，利用已有的、被大自然和工业界高度优化的系统来处理未知的问题。将多肽“逆向翻译”为DNA，不仅是一次技术层面的胜利，更是对生命科学底层信息传递路径的一次深刻再思考。当蛋白质的秘密最终被完全转换为数字化的DNA洪流时，一个能够以极高分辨率看清细胞内每一个功能执行者的全新时代，将真正向我们敞开大门。

参考文献

Zheng L, Sun Y, Hein LA, Eisenstein M, Soh HT. Single-molecule peptide sequencing through reverse translation of peptides into DNA. Nat Biotechnol. 2026 Mar 18. doi: 10.1038/s41587-026-03061-z. Epub ahead of print. PMID: 41851307.