▲次世代質譜工作流程的三大優化技術機制。透過 ProteoNano 奈米富集、4D-TIMS 氣相分離以及 DIA 結合 AI 演算法，有效破解血漿百億倍動態範圍高牆，提升臨床檢測覆蓋率（製圖/Gemini）。

閱讀時間：約10分鐘
撰文：陳聖光 | 技術審訂：黃彥鈞

先看結論

傳統自下而上（Bottom-up）質譜技術走向臨床血漿檢測時，常面臨兩個核心瓶頸：微量訊號被高豐度蛋白遮蔽，以及胜肽訊號重疊導致比對錯誤。

透過質譜工作流程三個關卡的技術優化，可有效克服上述限制：

• 進料關卡（前處理階段）：Proteonano 奈米工程，在消化前降低高豐度蛋白干擾，放大微量標記。
• 加工輸送帶（氣相分離階段）：四維離子移動度（4D-Proteomics），依分子的 3D 立體形狀分流，避免訊號重疊。
• 品管出貨端（採集與解碼階段）：DIA 數據採集結合 AI 演算法，實現無死角掃描與圖譜重組。

這三項技術的創新，協助蛋白質體學從學研探索走向臨床液態切片與癌症微小殘留病灶（MRD）監測。

在專題【上篇】中，我們探討了蛋白質體學自下而上（Bottom-up）技術路徑的特點。雖然 Bottom-up 具備高通量優勢，適合大規模生物標記篩選，但應用於臨床血液檢測時，會遇到血漿動態範圍過大的挑戰。

下載免費白皮書瞭解更多技術應用實例。

血漿中約 60% 質量由白蛋白佔據，前 14 種高豐度蛋白更佔據約 99% 的總質量。這種高達 100 億倍（10¹⁰）的濃度差距，會在質譜分析時產生離子抑制（Ion Suppression，指高濃度分子優先佔據電荷，導致低濃度分子無法被儀器偵測到的現象）。這使得傳統 Bottom-up 技術容易產生兩個問題：微量訊號被淹沒，以及多個量測條件相同的胜肽重疊在一起打碎，導致後端數據分析時無法正確指派原始蛋白質。

為了克服這些限制，科學界將質譜分析視為一條標準生產線，並在不同階段導入相應的優化機制。

質譜標準工作流程與三項4階段優化技術對照表

第一關：前處理階段（檢體萃取後、酵素消化前）

傳統前處理的局限在於酵素消化後，高豐度蛋白切出的胜肽數量遠多於低豐度蛋白。低豐度的疾病標記在質譜偵測時缺乏足夠離子化機會，導致關鍵細節被忽略。

次世代奈米工程（如 Proteonano 技術）在蛋白質被酵素切割前，直接在血漿中加入修飾有特定物理化學性質的專利奈米顆粒。這些顆粒利用蛋白冠機制，主動吸附並富集低豐度的功能蛋白質群，同時排除大多數過飽和的白蛋白。

進入後續質譜分析的樣品經過預先濃縮，質譜儀能更專注於檢測低豐度的關鍵生物標記，從源頭降低背景雜訊的干擾。

下載免費白皮書瞭解更多技術應用實例。

第二關：氣相分離階段（液相層析流出後、質譜打碎前）

傳統液相層析串聯質譜（LC-MS/MS）主要依賴兩個維度進行分離：胜肽在層析柱的流出時間，以及胜肽的質荷比（分子量與電荷比例）。當兩種不同的胜肽具有相同的流出時間與相同的質荷比時，質譜儀會將兩者混合打碎，導致後端數據指派錯誤。

四維離子移動度技術（如捕獲離子移動度 TIMS）在胜肽進入質量分析器前，加入氣流緩衝區。即便兩個胜肽的分子量與流出時間完全一致，只要它們的三維立體結構不同，其碰撞截面積（CCS，即分子在氣相中受到的阻力大小）就會有所差異。系統會在毫秒等級內利用氣流阻力，將不同形狀的胜肽按順序分流釋放。

在傳統的三維數據基礎上加入 CCS 成為第四維度（4D-Proteomics），使重疊的訊號在氣相中被分離，提高蛋白質指派的精準度，並有助於定位微小的翻譯後修飾（PTM，如磷酸化或糖基化）位點。

第三關：打碎與分析階段（質譜採集與數據解碼）

傳統 DDA（Data-Dependent Acquisition，相依性採集）模式在某一特定時間點，僅挑選強度最高的少數胜肽進行打碎分析，微量胜肽容易被忽略。

優化方案在中端採用 DIA（Data-Independent Acquisition，資料獨立採集）模式，劃定固定質量區間，對落在該區間內的所有胜肽進行無差別打碎，確保數據採集無遺漏。

由於 DIA 採集會產生較為複雜的混合二級質譜圖，後端導入 AI 深度學習模型。AI 可預測胜肽碎裂後的理論圖譜，協助數據庫比對，將複雜的數據精準重組並指派回原始蛋白質。中端 DIA 採集確保數據完整性，後端 AI 演算法則完成圖譜比對與解碼。

結語：推動質譜技術走向臨床應用

透過質譜分析流程三個關卡的優化，科學界建立了層層遞進的分析體系：

在進料關卡， Proteonano 奈米工程預先降低血漿中高豐度蛋白的背景干擾，保留低豐度目標分子。
在加工輸送帶，四維離子移動度利用分子的 3D 立體形狀（CCS）進行氣相分流，減少訊號重疊。
在品管出貨端，DIA 模式搭配 AI 演算法進行無差別掃描與圖譜重組，提升檢測覆蓋率。

這三項技術的整合，協助自下而上質譜技術從學研實驗室的基礎探索，轉化為具備臨床應用潛力的檢測工具，為液態切片與癌症微小殘留病灶（MRD）監測提供更穩定的分析基礎。