Nature Protocols | 质谱蛋白质组学差异分析新利器：DEqMS带你轻松驾驭DIA与DDA数据|deqms|肽段|蛋白质组学|质谱

随着质谱技术的飞速发展，蛋白质组学已能够实现与基因组学、转录组学相媲美的分析深度。然而，如何从海量质谱数据中准确识别出在不同样本组间存在显著差异的蛋白质，始终是困扰研究者的核心问题之一。

传统的统计方法（如 t 检验、方差分析）在面对蛋白质定量数据时存在一个关键缺陷：它们忽略了用于蛋白质定量的质谱特征数量（如肽段谱图匹配数 PSM 、前体离子数或肽段数）对蛋白质定量方差的影响。事实上，研究早已发现，由单个或少量肽段定量的蛋白质，其定量误差远大于由多个肽段定量的蛋白质。常规做法往往是简单地将单肽段定量的蛋白质直接剔除，这无疑牺牲了大量潜在的重要生物学信息，尤其是低丰度蛋白的检测。

受 RNA-seq 数据分析中基因特异性方差估计方法的启发，来自瑞典卡罗林斯卡学院JanneLehtiö和中山大学的朱亚锋团队联合开发了 DEqMS （ Differential Expression analysis for Mass Spectrometry ）软件包。该工具包于 2020 年首次发表，并在 2026 年 4 月的 Nature Protocols 上发表了最新版操作指南： Differential protein expression analysis of quantitative mass spectrometry data using DEqMS ，将其应用范围从传统的数据依赖性采集（ DDA ）拓展至当前主流的数据非依赖性采集（ DIA ）工作流程。

DEqMS 构建在广泛使用的 limma 包基础之上，其核心创新在于采用了基于质谱特征数量的贝叶斯方差估计策略。具体而言， DEqMS 首先通过分析数据发现一个普遍规律：蛋白质定量的方差随着用于定量的质谱特征数量（ PSM/peptide/precursor count ）的增加而逐渐降低。基于这一发现， DEqMS 用非参数局部回归拟合出一条 “ 先验方差 - 特征数量 ” 曲线。

在后续的差异分析中，每个蛋白质的观测方差会根据这条曲线进行适度调整，调整的幅度取决于样本量，样本量越大，调整幅度越小。这一策略的本质是为不同蛋白质分别估算更准确的方差用于后续统计检验，从而更准确、更灵敏地识别真正的差异表达蛋白。

研究团队在本次发表于 Nature Protocols 的工作中，系统验证了 DEqMS 在 DIA 数据上的适用性。他们使用了两个 Benchmarking 标准数据集进行评估：一是含有 48 个人源蛋白的 UPS1 掺入实验，二是包含大肠杆菌、秀丽隐杆线虫和人源蛋白的三物种混合样本。此外，研究还构建了干扰素 γ 处理肺癌细胞系（ NCI-H1944 ）的真实生物学场景，涵盖从 3 到 8 个生物学重复、从 100 % 到 5 % 稀释处理的 Effect size 设计，并分别在 Orbitrap 和 timsTOF 两种不同质谱平台上进行验证。全面评价 DEqMS 的性能与 limma 、 MSstats 和 MSqRob 等主流方法。

DEqMS 提供了一个通用、稳健且易用的质谱蛋白质组差异表达分析解决方案。它基于一个朴素的观察现象 —— 质谱特征数量决定了定量结果的可靠性 —— 通过贝叶斯框架为每个蛋白质量身定制方差，用于统计检验。与直接剔除低特征数蛋白质的传统策略相比， DEqMS 保留了宝贵的低丰度蛋白质信息；与 limma 等传统方法相比， DEqMS 在方差估计上更加准确，尤其适用于样本量较小（每组 3-5 个重复）或组间差异较弱的临床前研究场景。

本次发表于 Nature Protocols 的更新，不仅将DEqMS的应用范围扩展至DIA工作流程，还提供了详细的、面向实际操作的R代码示例和故障排除指南。DEqMS已作为Bioconductor开源包发布，研究者只需提供肽段或蛋白水平的定量表格以及质谱特征计数，即可轻松获得包含差异倍数、t统计量和多重假设校正后P值的完整结果。

对于致力于从质谱蛋白质组学数据中挖掘可靠生物学发现的科研工作者而言， DEqMS 是一个值得纳入标准分析流程的有力工具。

DEqMS 资源链接和参考文献：

Bioconductor 安装： https://bioconductor.org/packages/DEqMS/

代码 Github 库： https://github.com/yafeng/DEqMS/

原始论文： Zhu, Y. et al. Mol. Cell. Proteom . 19, 1047-1057 (2020)

Nature Protocols 原文： Zhu, Y. et al. Nat. Protoc . (2026)

Hu et al, Nat. Commun. https://www.nature.com/articles/s41467-024-47899-w

Burankova et al Nat. Comput . Sci. https://www.nature.com/articles/s43588-025-00832-7

https://www.nature.com/articles/s41596-026-01349-7

招聘

课题组招聘 1 名博士后，感兴趣的申请人可投递个人的完整简历以及证明材料以 PDF 文件。

简历投递（有意者请将个人简历等材料发至）：