主要观点总结
文章介绍了中国科学院动物研究所赵方庆团队在Cell杂志上发表的一项研究，该研究提出了全新的空间蛋白组学技术框架——PLATO，整合了人工智能深度学习算法与微流控技术，实现了全组织切片水平的高分辨率空间蛋白质组检测。文章的关键点包括PLATO技术的高分辨率和大规模深度无偏差的蛋白质组分析能力，其在复杂组织研究中的应用潜力，以及其对未来生命科学研究的影响。
关键观点总结
关键观点1: 空间蛋白组学技术的新突破
中国科学院动物研究所赵方庆团队提出了全新的空间蛋白组学技术框架——PLATO，整合了人工智能深度学习算法与微流控技术，克服了现有空间蛋白质组学技术的限制。
关键观点2: 高分辨率和空间蛋白质组检测
PLATO技术实现了全组织切片水平的高分辨率空间蛋白质组检测，分辨率为25微米，能够检测数千个蛋白，突破了高通量原位组学技术的瓶颈。
关键观点3: 算法创新：基于深度学习的空间重构算法
PLATO采用基于“降维编码”与“升维解码”的空间重构算法，通过Flow2Spatial自编码器模型，实现了蛋白质的高分辨率空间分布重构。
关键观点4: 技术创新：基于微流控的平行流高效蛋白采样技术
PLATO结合微流控技术，实现了高通量、低成本的灵活采样平台，提高了实验效率，降低了对复杂昂贵设备的依赖。
关键观点5: 广泛的应用前景和潜力
PLATO技术在小鼠脑组织、肠道绒毛及乳腺癌等复杂组织中的应用，验证了其在不同应用场景及研究方向中的巨大潜力。此外，其在疾病诊断、精准医学和农业生物技术等领域的应用前景广阔。
文章预览
点评 | 樊荣 （耶鲁大学） 近年来，空间组学技术已成为解析组织异质性和复杂细胞相互作用的重要工具。尤其是空间转录组学，在胚胎发育、神经科学和疾病机制研究中展现了巨大潜力。然而，作为直接执行生物功能的核心分子，蛋白质的空间分布研究在技术上面临诸多挑战。现有空间蛋白质组学技术受限于质谱检测通量和高昂成本，难以兼顾高分辨率与大面积组织分析需求，限制了其在复杂组织研究中的广泛应用。 2025年1月23日，中国科学院动物研究所的 赵方庆 团队在 Cell 发表了题为 High-resolution spatially resolved proteomics of complex tissues based on microfluidics and transfer learning 的研究论文。 该研究提出了全新的空间蛋白组学技术框架——PLATO，通过整合人工智能深度学习算法与微流控技术，实现了全组织切片水平的高分辨率空间蛋白质组检测 （25微米
………………………………
