01 當前中國蛋白組學格局如何,？
D一，中國還沒有一家蛋白組學上市公司,。
歐美二級市場有幾家蛋白組學上市公司,，包括Quanterix、Olink、SomaLogic,、Seer,。國內A股還沒有一家蛋白組學公司，很接近的是杭州景杰生物,。根據(jù)其招股書,，景杰成立于2011年，2023年初剛剛過會創(chuàng)業(yè)板,，目前還在排隊中,。同時也可以看到，中國蛋白組學目前營收以質譜服務為主,，跟國外Olink,、Quanterix等公司通過售賣試劑盒和自動化設備有很大區(qū)別。第二,，中國市場上的蛋白組學公司,，處于混沌狀態(tài)，沒有產(chǎn)業(yè)鏈分工,。今天的自稱蛋白組學的公司,，大致兩個來源：一是傳統(tǒng)存在的質譜服務商，強于服務和渠道,，二是新興的生物科技公司,，強于技術和產(chǎn)品。本來這兩類公司應該是處于產(chǎn)業(yè)鏈上下游的關系：生物科技公司給服務商提供產(chǎn)品,。但由于中國蛋白組學市場處于早期萌芽階段,，出于各種原因，這兩類公司目前基本都自己既做服務,，又做產(chǎn)品,。第三，中國蛋白組學市場格局,，以質譜路線占據(jù)主導地位,。這跟歐美蛋白組學以親和試劑占主導地位形成明顯差異。歐美蛋白組學市場,，以Olink和SomaLogic為代表的親和試劑路線占主導地位,，大多數(shù)蛋白組大隊列都是用這兩家公司的產(chǎn)品開展的，以至于質譜蛋白組行業(yè)大牛,，德國馬普所Matthias Mann教授都寫文章感慨：親和試劑遠比質譜要貴,，為啥大隊列都用親和試劑呢？
質譜儀對于蛋白組學,，就如同測序儀對于基因組學,。但是蛋白組學大隊列竟然質譜都不占上風,，其中的原因，值得所有質譜蛋白組學人反思,。
02 蛋白組學限速因素還有什么,？
蛋白組學zui大的一個應用場景就是多重蛋白生物標志物發(fā)現(xiàn)，基于多重蛋白標志物,，可以開發(fā)疾病早篩,、診斷、臨床病人分層,、伴隨診斷,、用藥指導等諸多應用。但多重蛋白標志物發(fā)現(xiàn)是D一位,。蛋白標志物發(fā)現(xiàn)有一個“倒三角"框架,，分為三個階段。D一階段：未知蛋白標志物篩選 (biomarker discovery),。這個階段目的就是從樣本中發(fā)展?jié)撛诘牡鞍踪|標志物,，常用的方法是不需要標記的非靶向質譜蛋白組學 (DIA)。特點是要在盡可能多的樣本中（1000個以上）盡可能地篩選更多的蛋白（比如5000種）,。第二階段：標志物驗證(biomarker validation),。D一階段可能從5000個蛋白里面篩選到50個潛在蛋白標志物，就需要在第二階段進一步驗證,。常用的方法是基于有標記的靶向質譜法(PRM)或者基于抗體的免疫分析法(immunoassay),。通常第二階段得到驗證的蛋白標志物能用于科學研究，但是想進一步成為臨床指標,，則需要到第三階段,。
第三階段：臨床標志物驗證(clinical biomarker validation)。這個階段通常需要多個中心的樣本來驗證蛋白標志物的可靠性,、穩(wěn)定性,、標準化流程。常用的方法包括基于標記的靶向質譜法(SRM)或者基于抗體的免疫法（如化學發(fā)光）,。如上文所述,，質譜儀對于蛋白組學，就如同測序儀對于基因組學,。但目前蛋白組學沒有被大規(guī)模應用,，主要是長期以來三個要素的不到位而導致的，即：高通量,、標準化,、低成本,。要素一：高通量,。質譜的通量一直是一個被長期詬病的大難題,。在2023年6月份之前，蛋白組學樣本都需要耗費一個小時的質譜時間,，無論是用布魯克的g端版質譜儀Tims TOF Pro2和賽默飛的Orbitrap 480,。一臺價值800萬的高分辨質譜儀一天只能跑20個樣本，低通量的問題同時帶來了高成本,。假設一年一臺能跑300例樣本,，每年折舊200萬，則平攤到每例樣本的費用就超過300元,。但是質譜通量的問題隨著今年6月份賽默飛發(fā)布新款的Orbitrap Astral而被解決了,。Astral一臺一年能夠處理2萬個樣本，未來3年,，中國市場上會有100臺Astral,，每年能處理的樣本量超過200萬個。未來3年,，世界將會有超過1000臺Astral裝機量,，每年能處理的樣本超過2000萬個。即便有世界20家藥企和英國樣本庫加持,，Olink在世界也不過做了100萬個樣本,。隨著Astral的快速普及，質譜能滿足市場上任何想做的大隊列樣本,。同時,，每個樣本大概產(chǎn)生4個Gb的蛋白組學數(shù)據(jù)，未來每年將有可能產(chǎn)生8000萬個Gb的蛋白質數(shù)據(jù),。在如此浩瀚的蛋白大數(shù)據(jù)面前,，將產(chǎn)生非常豐富的蛋白組學的大模型。類似于DeepMind這樣的公司將層出不窮,。要素二：標準化,。質譜蛋白組學被人長期詬病的第二個問題就是前處理流程麻煩，難以自動化標準化,。隨著實驗室自動化行業(yè)的發(fā)展,，以及新冠帶來的自動化的認知普及，目前這個問題已經(jīng)得到解決,。國外行業(yè)巨tou包括哈Hamilton,、Tecan都推出了自己的蛋白組學前處理工作站，但目前價格還是太貴,，沒有得到很好的市場普及,。國內自動化工作站產(chǎn)品的面世，前處理標準化正在得到普及,。要素三：低成本,。基因組學的發(fā)展,，也是伴隨著二代測序成本的斷崖式下降而發(fā)展起來的。根據(jù)美國國家衛(wèi)生研究院（NIH）公布的數(shù)據(jù),，2007年人類全基因組測序的成本是100萬美元,，到2020年這個成本降低到1000美元，到現(xiàn)在已經(jīng)接近1000人民幣,。
數(shù)據(jù)來源：ARK Invest 2023 Big Ideas
從中心法則來講,，蛋白質組的確可以做很多基因組做不到的事情。但是蛋白組學行業(yè)的發(fā)展,，也必須要跟基因組一樣實現(xiàn)成本的快速下降,。2023年的今天，蛋白組學的成本還是相對比較高,。
拿芝加哥大學質譜蛋白組學平臺的對外服務報價來舉例,，對工業(yè)客戶，常規(guī)的DIA蛋白組分析就需要378美元/例,，用TiO2富集的全磷酸化蛋白組收費是535美元/例,，如果是酪氨酸磷酸化修飾蛋白組，則費用達到了驚人的1417.5美元/例,。
數(shù)據(jù)來源：Rates | Proteomics Platform
對于組學來說,，沒有幾百個樣本，很難做出非常令人信服的數(shù)據(jù),。這樣高的成本,，對于大多數(shù)研究機構和企業(yè)研發(fā)，都是一筆需要仔細考量的支出,。有沒有一種可能,，通過技術創(chuàng)新，讓蛋白組成本進一步降低,，使得蛋白組成為一個不由分說的選項,，默認就要去做的選項？這需要全行業(yè)的參與者來共同努力實現(xiàn),。
03 中國蛋白組學向何處去,？
預測未來永遠都是一個自找打臉的事情。麥肯錫和中金的行業(yè)精英們也從來沒有預測準確過,。但有些行業(yè)趨勢,，又似乎已經(jīng)非常明顯。
D一,，中國蛋白組學產(chǎn)業(yè)鏈分工會更加明細,。
未來5年，中國蛋白組學公司將會迅速分化,。一部分企業(yè)將會專注做上游工具（試劑,、設備,、軟件），一部分企業(yè)將會專注做中游服務（服務商）,，還有一部分企業(yè)將會專注做下游應用（診斷、制藥）,。沒有核心技術的,、想做大而全的蛋白組學公司將被市場出清。
未來5年,，形勢依舊不容樂觀,。每一家蛋白組學公司，必須要想清楚自己在產(chǎn)業(yè)鏈的定位是什么,？自己團隊zui大的優(yōu)勢在哪里,？如何做大自己的優(yōu)勢，選擇在哪里建設自己的護城河,，是每家公司需要考量的決定生死的D一要素,。
第二，質譜蛋白組大隊列將井噴式激增,。
隨著質譜蛋白組三要素（高通量,、標準化、低成本）同時得到滿足,，基于質譜的蛋白組大樣本隊列將呈現(xiàn)井噴式發(fā)展,。1000例、2000例,、3000例的大隊列將成為常規(guī),，1萬人甚至10萬人的質譜蛋白組大隊列將會涌現(xiàn)。
在今年的中國蛋白組學大會上,，國家蛋白質科學中心就宣布,，未來10年，國家將在蛋白組學上投入330億人民幣,。這足以媲美任何一個歐美大科學項目,。
第三，中國蛋白組學公司將會出海競逐海外市場,。
中國企業(yè)在基因組學上吃過的虧,，在蛋白組學上會長一智?；蚪M學快速發(fā)展的時候,，中國生命科學行業(yè)尚在襁褓之中，從來都是歐美企業(yè)跑到中國來銷售產(chǎn)品,，中國企業(yè)只有接受他們定價的份,。
現(xiàn)在蛋白組學發(fā)展的時候,，中國整個基礎領域（物理、化學,、材料,、自動化）已經(jīng)發(fā)展起來，硬科技實力比20年前大幅增強,。優(yōu)質的中國蛋白組學公司,，尤其掌握核心技術的上游產(chǎn)品，將有機會搶占海外市場,。同時,，海外客戶更高的產(chǎn)品要求、更好的付費意愿和付費能力,，也能反過來要求中國企業(yè)打磨更優(yōu)質的產(chǎn)品,、培養(yǎng)更優(yōu)秀的團隊。
第四,，圍繞基因蛋白組的AI for Omics將成為熱點,。
未來5年，隨著海量蛋白組數(shù)據(jù)的積累,，結合過去積累的基因組數(shù)據(jù),，以基因組-蛋白組為中心的多組學將成為創(chuàng)新的熱點，AI for Omics將成為生物大數(shù)據(jù)新的研究范式,。屆時,，基于多組學的大模型將出現(xiàn)，行業(yè)將誕生類似DeepMind這樣的公司,，配合強大的算力和優(yōu)異的算法來整合海量多組學數(shù)據(jù),，把現(xiàn)在在各個高校實驗室里面的技術帶入到現(xiàn)實應用場景中來，就如當年的蛋白質結構預測工具AlphaFold,。
本文轉載自 吳昊
您好, 歡迎來到化工儀器網(wǎng)
