靶点识别是新药研发的核心瓶颈，尤其对于天然产物这类难以修饰的小分子而言。有限蛋白酶解-质谱联用技术（LiP-MS）凭借无需探针标记、可捕获天然状态蛋白构象变化的独特优势，成为药物靶点发现领域的新锐工具。然而，其在复杂体系中的应用仍面临假阳性干扰、低丰度蛋白漏检等现实挑战。本文结合最新研究进展，系统解析LiP-MS的技术原理、优化策略与前沿应用，为实现精准"钓靶"提供方法论参考。

一、技术原理：从构象变化到靶点解码

LiP-MS的核心机制在于利用小分子与靶蛋白结合引发的空间构象改变，影响蛋白酶对特定切割位点的可及性。其技术流程主要分为三步：

1. 非变性孵育：

在生理条件下将小分子与细胞裂解液或组织蛋白共孵育，维持蛋白质的天然构象；

2. 两步酶解：

有限酶切：加入广谱蛋白酶（如蛋白酶K）进行短暂水解，小分子结合区域因构象稳定或位阻效应受到保护，切割作用减弱；

深度酶切：变性后用胰蛋白酶彻底消化，生成适合质谱分析的肽段；

3. 差异肽段分析：

通过质谱定量比较处理组与对照组的肽段丰度差异，受保护肽段（丰度升高）与邻近新暴露肽段（丰度降低） 的组合可映射出小分子结合位点。

典型案例：在紫堇灵（Corynoline）抗胰腺纤维化研究中，LiP-MS检测到蛋白酶体亚基PSMA2的一个长肽段（含潜在PK酶切位点）丰度显著升高，而相邻短肽段丰度降低，提示紫堇灵可能结合于二者交界区域。后续DARTS实验进一步验证了这一结合的特异性。

二、应用挑战与假阳性陷阱

尽管原理清晰，LiP-MS在实际应用中仍面临多重技术瓶颈：

低丰度蛋白检出率低：高丰度蛋白的信号易掩盖调控蛋白（如激酶、转录因子），导致关键靶点遗漏；

半酶切肽段干扰：第一步PK酶切的肽段（反映构象变化）与第二步胰酶肽段共存，难以精准区分关键信号；

序列覆盖率不足：若结合位点位于未被质谱覆盖的肽段区域（尤其大分子量蛋白），则无法被识别；

假阳性率高：单剂量实验中，非特异性结合与背景噪声难以区分，导致靶点验证失败率较高。

表：LiP-MS与主流靶点鉴定技术比较 

三、精准靶点筛选策略：从"大海捞针"到"有的放矢"

为解决上述问题，研究者开发了多维度数据整合策略，显著提升了靶点鉴定效率：

1. 特征肽段驱动法

通过识别"长肽段增加+短肽段减少"的特征组合锁定靶点，例如紫堇灵研究中对PSMA2的鉴定。

2. 多浓度交集-机器学习联用

多剂量筛选：采用≥3个药物浓度处理，取共有差异蛋白以降低假阳性（如血根碱研究中通过3浓度交集获得6个候选靶点）；

算法辅助：联合GalaxySagittarius等预测工具进行交叉验证（血根碱案例中，多浓度交集与预测结果仅PKM2重叠）。

3. 生物学功能关联

通路富集：重楼皂苷II的LiP-MS差异蛋白富集于核转运通路，据此锁定RAN靶点；

表型关联：盐酸石蒜碱的16个候选靶点中，UBA1因参与衰老通路被优先验证；

酶底物库筛选：磺胺罗汀研究中，通过差异蛋白与糖基转移酶库取交集发现FUT8。

表：经典LiP-MS靶点筛选策略与验证方法 

四、技术优化与融合应用

1. LiP-Quant：机器学习赋能精准定量

升级版LiP-Quant通过7个以上药物浓度梯度孵育，结合机器学习模型（如随机森林、支持向量机）分析肽段丰度-剂量响应曲线，显著提升了特异性。实验表明，其假阳性率较传统LiP-MS降低40%。

2. 多技术联建"证据链"

单一技术的证据往往不足，需联合正交验证：

结合力验证：通过SPR测定结合常数（如石蒜碱-UBA1的KD=0.8 μM）；

细胞热稳定性：利用CETSA检测靶蛋白熔解温度偏移（如贯叶金丝桃素-Dlat复合物ΔTm=3.2℃）；

功能回复实验：通过敲低/过表达靶点观察表型逆转。

3. 样本处理与算法革新

4D-DIA质谱：提高低丰度肽段检出率，使序列覆盖率提升30%；

深度学习模型：如AlphaFold2预测结合口袋，辅助肽段定位。

五、未来方向：从技术突破到临床转化

1. 覆盖度提升：

发展交联质谱（XL-MS） 辅助定位结合界面，弥补酶切盲区；

2. 体内靶点垂钓：

直接分析动物给药后组织样本，同步获取靶点occupancy与转录组/蛋白组响应（如灯盏乙素脑组织靶向PDK2研究）；

3. 天然产物开发：

无需纯化探针的特性使其特别适合中药单体（如黄酮、生物碱）靶点发掘，助力中医药现代化；

4. 临床诊断应用：

利用LiP-MS检测疾病相关构象变化蛋白，作为帕金森病、癌症的早期生物标志物。

案例启示：肌苷（中药冬虫夏草成分）通过LiP-MS被发现靶向泛素活化酶UBA6，并证实其可增强肿瘤免疫原性。该研究为天然产物改造免疫检查点抑制剂提供了新路径。

LiP-MS凭借无需探针、可解析结合位点的优势，已成为药物靶点发现的核心工具。通过多浓度设计、机器学习整合及多维验证，可显著提升其在复杂体系中的可靠性。随着高灵敏度质谱与人工智能算法的深度融合，LiP-MS有望在靶向蛋白降解剂开发、天然药物现代化及精准医疗领域实现更突破性的应用。研究者需根据样本复杂度与小分子特性灵活设计策略，方能在"数据迷雾"中锁定真正的靶点灯塔。

研锦生物可以利用基于靶点或小分子结构的药物设计方法，对可购买化合物、天然产物等数据库进行虚拟筛选，并获得潜在活性的化合物列表供进一步活性实验确证。面向制药企业和科研院所，可提供一站式的早期药物研发服务，包括虚拟药物筛选、先导优化、靶标预测、 动力学模拟等，涉及小分子化学药、生物药、中药等多种新药类型，为您提供优质的药物发现服务