⑴ 簡述蛋白組學的概念、研究技術和應用
概念
蛋白質組學（Proteomics）一詞，源於蛋白質（protein）與 基因組學（genomics）兩個詞的組合，意指「一種基因組所表達的全套蛋白質」，即包括一種細胞乃至一種生物所表達的全部蛋白質。蛋白質組本質上指的是在大規模水平上研究蛋白質的特徵，包括蛋白質的表達水平，翻譯後的修飾，蛋白與蛋白相互作用等，由此獲得蛋白質水平上的關於疾病發生，細胞代謝等過程的整體而全面的認識
研究技術
二維電泳和質譜技術
應用
1.蛋白質鑒定：可以利用一維電泳和二維電泳並結合Western等技術，利用蛋白質晶元和抗體晶元及免疫共沉澱等技術對蛋白質進行鑒定研究。
2.翻譯後修飾：很多mRNA表達產生的蛋白質要經歷翻譯後修飾如磷酸化，糖基化，酶原激活等。翻譯後修飾是蛋白質調節功能的重要方式，因此對蛋白質翻譯後修飾的研究對闡明蛋白質的功能具有重要作用。
3.蛋白質功能確定：如分析酶活性和確定酶底物，細胞因子的生物分析/配基-受體結合分析。可以利用基因敲除和反義技術分析基因表達產物-蛋白質的功能。另外對蛋白質表達出來後在細胞內的定位研究也在一定程度上有助於蛋白質功能的了解。Clontech的熒光蛋白表達系統就是研究蛋白質在細胞內定位的一個很好的工具。
4.對人類而言，蛋白質組學的研究最終要服務於人類的健康，主要指促進分子醫學的發展。如尋找葯物的靶分子。很多葯物本身就是蛋白質，而很多葯物的靶分子也是蛋白質。葯物也可以干預蛋白質-蛋白質相互作用。
在基礎醫學和疾病機理研究中，了解人不同發育、生長期和不同生理、病理條件下及不同細胞類型的基因表達的特點具有特別重要的意義。這些研究可能找到直接與特定生理或病理狀態相關的分子，進一步為設計作用於特定靶分子的葯物奠定基礎。
⑵ 組學技術發展迅速，比較基因組學的應用有哪些
近年來，一些模式生物如某些細菌和古菌、擬南芥、線蟲、果蠅和人類等基因組序列分析的完成建立了基因組學和比較基因組學以及相關的技術(如DNA晶元技術)，隨之而來的是功能基因組學研究的興起,只有了解了基因的結構和功能及其表達的調節機制，才能認識生命的發生和發展的過程，才可以有效的發現因某些基因缺陷而發生的遺傳病，從而予以糾正，即所謂的基因治療。基因組學已經過去了，下一步需要擴展，建立一系列技術，如DNA晶元等。
⑶ 組學技術—— CUT&Tag
蛋白質與DNA之間的相互作用具有十分重要的生物學意義，例如：轉錄因子與基因組DNA的相互作用對於基因的表達具有調控作用；基因組不同位置的不同類型的組蛋白往往會與基因的表達活性相關聯等。
而在蛋白質與DNA之間的相互作用研究當中，ChIP-seq當屬經典技術，可以說為後來一系列技術的發展開拓了很好的思路，但是傳統的ChIP-seq也存在一些問題：
在2019年，美國弗雷德哈欽森癌症研究中心的 Henikoff 博士在 Nature Communications 上首次發布 CUT&Tag 技術 [1] ，相比較於ChIP-seq技術， CUT&Tag 在這些方面具有獨特優勢：
當然，整項技術還是基於抗原抗體結合反應進行構建的，上面的優勢決定了 CUT&Tag 具有以下特點：
在ChIP-seq中常常使用到的甲醛交聯主要是讓蛋白質一蛋白質,蛋白質一DNA,蛋白質一RNA之間交聯，最主要的目的還是讓我們想研究的蛋白質與DNA之間的相互作用更加緊密，防止在後續的實驗中導致脫落。但是這也會帶來一些問題：
2014年發表在 Brief Funct Genomics 上的文章 In vivo formaldehyde cross-linking: it is time for black box analysis 就專門就甲醛交聯在研究蛋白與DNA之間的相互作用提出了可能存在的問題，甲醛交聯並不能交聯所有蛋白與DNA之間的相互作用，例如 lac阻遏蛋白 和 NF-kB 就不會被交聯 [2] 。總之就是大家不要把甲醛交聯想的那麼神，那麼萬能。
注意我前面提到的 CUT&Tag 一般不需要甲醛交聯，為什麼是一般？如果你所要研究的轉錄因子與基因組的結合較弱或者量很少，這個時候為了得到的更好的實驗結果，你就可能需要使用甲醛進行輕交聯，同樣是美國弗雷德哈欽森癌症研究中心的 Henikoff 博士課題組，他們在2020年將 CUT&Tag 實驗流程發表在 Nature Protocols 上，其中就提到了使用甲醛進行 輕交聯 的可選步驟（0.1%的甲醛室溫下交聯2分鍾） [3] ， ChIP-seq 的甲醛交聯可是使用1%的甲醛交聯10-15分鍾！
不同於傳統的每次離心收集細胞， CUT&Tag 使用連有 刀豆蛋白A 的磁珠（concanavalin A beads）進行細胞的收集，刀豆蛋白能夠與細胞進行結合（原理是與膜上的糖蛋白結合）。然後利用磁珠每次收集細胞。結合後還需要使用非離子去垢劑 洋地黃皂苷 （digitonin）對細胞膜進行通透（原理是與膽固醇分子結合），為抗體等的進入提供可能性。
這里的一抗就是針對你的研究靶蛋白所設計的特異性抗體，必要時需要輔助IP實驗檢驗抗體的特異性。
這里一般使用Protein A/G-Tn5體系來實現Tn5轉座酶的結合，proteinA/G對於IgG的Fc段具有很高的親和性，常常被應用於IgG抗體的純化，所以使用proteinA/G就能把Tn5轉座酶帶到IgG二抗結合的基因組位點。
通過添加含有鎂離子的反應液使Tn5轉座酶開始發揮作用，這裡面的細節可以參考我前面的帖子 組學技術——ATAC-seq 。
如果你確實有設置對照組的需求，CUT&Tag一般會有兩種對照：陽性對照一般選擇與基因組DNA相互作用較高的蛋白，例如組蛋白；陰性對照可以使用不加入一抗而正常加入二抗和Tn5轉座酶的體系，查看是否存在Tn5轉座酶亂切的情況，或者也可加入非特異性的IgG作為陰性對照。
References
[1] Kaya-Okur, Hatice S et al. CUT&Tag for efficient epigenomic profiling of small samples and single cells. Nature communications vol. 10,1 1930. 29 Apr. 2019, doi:10.1038/s41467-019-09982-5.
[2] Gavrilov, Alexey et al. In vivo formaldehyde cross-linking: it is time for black box analysis. Briefings in functional genomics vol. 14,2 (2015): 163-5. doi:10.1093/bfgp/elu037.
[3] Kaya-Okur, Hatice S et al. Efficient low-cost chromatin profiling with CUT&Tag. Nature protocols vol. 15,10 (2020): 3264-3283. doi:10.1038/s41596-020-0373-x.
⑷ 前沿綜述 | 利用機器學習進行多組學數據分析
隨著高通量組學平台的發展，生物醫學研究大多採取了多組學技術結合的方法，不同組學來源（如遺傳學、蛋白質組學和代謝組學）的數據可以通過基於機器學習（Machine Learning，ML）的預測演算法進行整合，以揭示系統生物學的復雜工作。 ML提供了整合和分析各種組學數據的新技術，從而發現新的生物標記物。 來自英國的研究人員在《 Biotechnology Advances 》發表綜述文章， 探討了多組學的數據整合機器學習方法及其應用（被用來深入了解正常生理功能和疾病存在時的生物系統），為計劃在多組學研究中使用ML方法的跨學科專業人士提供見解和建議。
此篇綜述關注ML中的兩種主要學習策略，即有監督和無監督，這兩種策略通常在多組學整合的背景下使用。
基於串聯的整合方法考慮使用聯合數據矩陣來開發模型，該聯合數據矩陣是通過組合多組學數據集形成的。如上圖基於串聯的整合方法的一般流程為：階段1包括來自單獨組學（例如基因組學、蛋白質組學和代謝組學）的原始數據以及相應的表型信息。通常基於串聯的整合不需要任何預處理，因此沒有階段2。在第3階段，將來自各個組學的數據連接起來，形成多組學數據的單個大型矩陣。最後，在第4階段，聯合矩陣用於監督或非監督分析。 使用基於串聯的方法的主要優點是，一旦完成所有單個組學的串聯，就可以簡單地使用ML分析連續或分類數據。這些方法平等地使用所有連接的特徵，並且可以為給定表型選擇最具辨別力的特徵。
不同的基於串聯的監督學習方法已被用於表型預測。 串聯的多組學數據（以聯合矩陣的形式）作為不同經典ML方法的輸入，如DT（decision tree）、NB（naive Bayes）、ANN（artificial neural networks）、SVM（support vector machine）、KNN（k-nearest neighbors）、RF（random forest）和k-Star。例如，多組學特徵（包括基因表達、拷貝數變異和突變）的聯合矩陣與經典RF和SVM一起用於預測抗癌葯物反應。同樣，多變數的LASSO模型也被研究過。此外，Boosted trees和SVR（support vector regression）也被用於尋找血糖健康的縱向預測因素。除了經典的ML演算法外，深度神經網路也被廣泛用於分析串聯的多組分數據。
各種基於串聯的無監督方法已用於聚類和關聯分析。 近年來基於矩陣分解的方法已經發展起來，聯合NMF（non-negative matrix factorisation）被提出來整合具有非負值的多組學數據。iCluster框架使用了類似於NMF的原理，但允許集成具有負值的數據集。iCluster+框架提供了對iCluster框架的重大改進，iCluster+ 框架可以以發現模式並結合一系列具有二元、分類和連續值的組學，並通過結合來自結腸直腸癌數據集的基因組數據得到證明。NMF的另一個適應性被評估為JIVE（Joint and Indivial Variation Explained），它捕獲了集成數據類型之間的聯合變化和每種數據類型的結構變化以及殘余雜訊。MoCluster使用多區塊多變數分析來突出不同輸入組學數據的模式，然後找到其中的聯合聚類。MoCluster通過整合蛋白質組學和轉錄組學數據進行驗證，與Cluster和iCluster+相比，MoCluster顯示出明顯更高的聚類精度和更低的計算成本。LRAcluster被開發用於整合高維多組學數據。此外，還有最近提出的iClusterBayes，一種完全貝葉斯潛變數模型。它克服了iCluster+在統計推斷和計算速度方面的局限性。
基於模型的整合方法為不同的組學數據創建多個中間模型，然後從各種中間模型構建最終模型。如上圖基於模型的整合方法的一般流程為：第1階段建立單獨組的原始數據以及相應的表型信息。在第2階段，為每個組學開發單獨的模型，這些模型隨後在第3階段集成到聯合模型中。在第4階段中，對關節模型進行分析。 基於模型的集成方法的主要優點是，它們可以用於合並基於不同組學類型的模型，其中每個模型是從具有相同疾病信息的不同患者組開發的。
基於模型的監督學習方法包括用於開發模型的各種框架， 如多數投票演算法（majority-based voting）、分層分類器（hierarchical classifiers）、基於集成的方法如XGBoost 和KNN。基於模型的監督學習也採用了深度學習方法，例如MOLI、DFNForest框架、Chaudhary等。ATHENA（Analysis Tool for Heritable and Environmental Network Associations）被開發用於分析多組學數據，其使用grammatical evolution neural networks以及Biofilter和Random Jungl來研究不同的分類和定量變數，並開發預測模型。最近，還開發了用於泛癌分析的MOSAE。
目前已經實現了各種 基於模型的無監督學習方法。 PSDF (Patient-Specific Data Fusion)是一種非參數貝葉斯模型，通過結合基因表達和拷貝數變異數據對預測癌症亞型進行聚類。類似地，CONEXIC還使用BN整合腫瘤樣本的基因表達和拷貝數變化，以識別驅動突變。另一方面，諸如 FCA（(Formal Concept Analysis）共識聚類、MDI（Multiple Dataset Integration）、PINS（Perturbation clustering for data integration and disease subtyping）、PINS+ 和 BCC（Bayesian consensus clustering）等聚類方法更加靈活，允許後期的聚類整合。不同的基於網路的方法也可用於關聯分析，例如Lemon Tree和SNF(Similarity Network Fusion)等。
基於轉換的整合方法首先將每個組學數據集轉換為圖形或核矩陣，然後在構建模型之前將所有數據集合並為一個。如上圖基於轉換的整合方法的一般流程為：第1階段建立單獨組的原始數據以及相應的表型信息。在第2階段，為每個組學開發單獨的轉換（以圖形或內核關系的形式），這些轉換隨後在第3階段集成到聯合轉換中。最後，在第4階段對其進行分析。 基於轉換的整合方法的主要優點是，如果唯一信息（例如患者 ID）可用，它們可用於組合廣泛的組學研究。
之前提出的基於轉換的監督學習方法大多數是基於內核和基於圖的演算法， 其中基於內核的演算法有SDP-SVM (Semi-Definite Programming SVM)、FSMKL (Multiple Kernel Learning with Feature Selection)、RVM (Relevance Vector Machine)和Ada-boost RVM等。此外，fMKL-DR (fast multiple kernel learning for dimensionality rection)已與SVM一起用於基因表達、miRNA表達和DNA甲基化數據。基於圖的演算法有SSL(semi-supervised learning )、graph sharpening、composite network和BN等。總體而言，從文獻中可以明顯看出，基於內核的演算法比基於圖的方法具有更好的性能。最近，引入了MORONET(Multi-Omics gRaph cOnvolutional NETworks) ，它利用組學特徵和患者之間的關聯使用圖卷積網路來獲得更好的分類結果。
基於轉換的無監督方法， 例如rMKL LPP(regularised multiple kernel learning for Locality Preserving Projections)被用於聚類分析。類似地，PAMOGK也是利用圖核、SmSPK(smoothed shortest path graph kernel)將多組學數據與通路整合起來。Meta-SVM (Meta-analytic SVM)整合了多種組學數據，能夠檢測與乳腺癌和特發性肺纖維化等疾病相關的一致基因。最近，NEMO(NEighborhood based Multi-Omics clustering)被引入，使用基於患者間相似性矩陣的距離度量來單獨評估輸入組學數據集。然後將這些組學矩陣組合成一個矩陣，使用基於光譜的聚類進行分析。
高通量組學的可用性提供了一個獨特的機會來探索不同組學和表型目標之間的復雜關系。研究團隊總結了已發表的基於表型目標的不同多組學研究，發現大多數多組學研究集中於不同形式的癌症。特別是與乳腺癌和卵巢癌相關的多組學研究突出了科學界在這些領域的研究重點。
許多組學內部研究已經成功地探索了基因表達和DNA甲基化的整合。LASSO的方法已分別應用於急性髓系白血病和乳腺癌，也被用於癌症預後。同樣，分別使用Neural Fuzzy Network對結直腸癌、SVM對胰腺癌和RF對心臟組織老化和卵巢癌進行mRNA–miRNA整合研究。SVM還通過整合不同的轉錄組學（即mRNA、miRNA和IncRNA），用於口腔鱗狀細胞癌的研究。
代謝組學和蛋白質組學已使用RF進行整合，用於分析前列腺癌和甲狀腺功能。同樣，代謝組學與mRNA相結合，用於研究潰瘍性結腸炎和癌症存活率。另一方面，糖組學和表觀基因組學僅在多組學環境中出現過一次（連同mRNA和代謝組學），相關研究使用RF的圖形變體研究與年齡相關的合並症。最近，代謝組學和蛋白質組學也與脂質組學相結合，使用PLS-DA和Extra Trees來評估COVID-19患者。
在植物（馬鈴薯）和動物（如犬心臟病）中也成功地進行了多組學研究。總的來說，最近不同的多組學研究強調了整合方法在理解不同疾病的復雜性和從大量生成的多組學數據中發現潛在異常方面的優勢。
*文獻原文中表8匯總了已發表的基於表型目標的不同多組學研究，可通過文獻原文獲取詳細信息。
為了便於方法選擇過程，研究人員提出了推薦流程圖，顯示了為給定場景選擇適當方法（或方法系列）所需的各種決策步驟。例如，要選擇一種方法來整合兩個組學進行無監督學習，如果兩個組學是基因表達和CNV，則可以選擇基於模型的方法，如「PSDF或Lemon-Tree」，否則可以使用「MDI或SNF」。類似地，「NEMO」可用於數據集部分重疊的場景，並且需要轉換方法。因此，它可以用於生物醫學分析，包括診斷、預後和生物標志物識別，將其作為有監督或無監督的學習問題。
首發公號：國家基因庫大數據平台
參考文獻
Reel P S, Reel S, Pearson E, et al. Using machine learning approaches for multi-omics data analysis: A review[J]. Biotechnology Advances, 2021: 107739.
⑸ 基因組學技術分別應用哪些分析手段
基因組學（英文genomics），研究生物基因組和如何利用基因的一門學問。用於概括涉及基因作圖、測序和整個基因組功能分析的遺傳學分支。該學科提供基因組信息以及相關數據系統利用，試圖解決生物，醫學，和工業領域的重大問題 基因組研究應該包括兩方面的內容：以全基因組測序為目標的結構基因組學（structural genomics）和以基因功能鑒定為目標的功能基因組學（functional genomics)，又被稱為後基因組（postgenome）研究，成為系統生物學的重要方法。 基因組學能為一些疾病提供新的診斷，治療方法。例如，對剛診斷為乳腺癌的女性，一個名為「Oncotype DX」的基因組測試，能用來評估病人乳腺癌復發的個體危險率以及化療效果，這有助於醫生獲得更多的治療信息並進行個性化醫療。基因組學還被用於食品與農業部門。 基因組學的主要工具和方法包括： 生物信息學，遺傳分析，基因表達測量和基因功能鑒定。 基因組學出現於1980年代，1990年代隨著幾個物種基因組計劃的啟動，基因組學取得長足發展。 相關領域是遺傳學，其研究基因以及在遺傳中的功能。 1980年，噬菌體Φ-X174;(5,368 鹼基對)完全測序，成為第一個測定的基因組。
⑹ 怎麼利用抗原組學等新技術發現新抗原
免疫系統識別並消除癌細胞的過程是復雜的。
並受許多因素的調控，這些因素中就包括癌細胞中突變發生的質量和數量。其中最重要的過程之一就是腫瘤新抗原的產生。
⑺ 目前常用的高通量組學技術方法有哪些
主要採用:激發興趣法、問題引導法、指導歸納法、誦讀法、自主探究法、合作交流法、相互質疑法等。
輔助手段:多媒體課件、錄音機、圖片模具等。
希望我的答案能幫到你。
⑻ 如何將蛋白質組學應用在自己的課題中
如何將蛋白質組學應用在自己的課題中
對分離的蛋白質 進行鑒定是蛋白質組研究的重要內容，蛋白質微量測序、氨基酸組成分析等傳統的蛋白質鑒定技術不能滿足高通量和高效率的要求，生物質譜技術是蛋白質組學(Proteomics)的另一支撐技術。
生物質譜技術在離子化方法上主要有兩種軟電離技術，即基質輔助激光解吸電離(matrix―assisted laser desorption／ionization，MALDl)和電噴霧電離(electrospray ionization，ESl)。MALDI是在激光脈沖的激發下，使樣品從基質晶體中揮發並離子化。ESI使分析物從溶液相中電離，適合與液相分離手段(如液相色譜和毛細管電泳(capillary electrophoresis))聯用。MALDI適於分析簡單的肽混合物，而液相色譜與ESI―MS的聯用(LC―MS)適合復雜樣品的分析。
軟電離技術的出現拓展了質譜的應用空間，而質量分析器的改善也推動了質譜儀技術的發展。生物質譜的質量分析器主要有4種：離子阱(iontrap，IT)、飛行時間(TOF)、四極桿(quadrupole)和傅立葉變換離子迴旋共振(Fourier transform ion cyclotron resonance，FTICR)。它們的結構和性能各不相同，每一種都有自己的長處與不足。它們可以單獨使用，也可以互相組合形成功能更強大的儀器。
離子阱質譜靈敏度較高，性能穩定，具備多級質譜能力，因此被廣泛應用於蛋白質組學(Proteomics)研究，不足之處是質量精度較低。與離子阱相似，傅立葉變換離子迴旋共振(FTICR)質譜也是一種可以「捕獲」離子的儀器，但是其腔體內部為高真空和高磁場環境，具有高靈敏度、寬動態范圍、高解析度和質量精度(質量准確度可很容易地小於1mg／L)，這使得它可以在一次分析中對數百個完整蛋白質分子進行質量測定和定量。FTICR―MS的一個重要功能是多元串級質譜，與通常的只能選一個母離子的串級質譜方式不同，FTICR―MS可以同時選擇幾個母離子進行解離，這無疑可以大大增加蛋白質鑒定工作的通量。但是它的缺點也很明顯，操作復雜、肽段斷裂效率低、價格昂貴等，這些缺點限制了它在蛋白質組學(Proteomics)中的廣泛應用。MALDI通常與TOF質量分析器聯用分析肽段的精確質量，而ESI常與離子阱或三級四極桿質譜聯用，通過碰撞誘導解離(collision―inceddissociation，CID)獲取肽段的碎片信息。
⑼ 組學技術——ATAC-seq
最近和很多小夥伴聊到ATAC-seq這個組學技術，正好趁此機會學習分享一下。
要想知道ATAC-seq的作用，首先必須知道染色質的結構，以human為例，有一定molecular biology背景的人都知道，人類的DNA並不是裸露的，長度驚人的DNA鏈是以一種特殊的結構被「收納」在細胞中的：DNA纏繞在組蛋白上，形成串珠式的結構。這樣的結構還能夠進一步折疊、濃聚，並在其他架構蛋白的輔助下，進而形成染色體。
新的問題在於，這樣的高級結構必然會導致轉錄的難以進行，那麼細胞如何調整來進行正常的轉錄呢？答案就在於 染色質重塑 （chromatin remodeling），染色質重塑是通過對染色質結構的動態修飾，從而允許凝聚的基因組 DNA 與調控轉錄機制的相關蛋白相互作用，從而控制基因表達。[1]基於這樣的調控機制，可以將染色質分為兩類： 常染色質 （鬆散或開放染色質，euchromatin）結構可用於轉錄； 異染色質 （緊密或閉合染色質，heterochromatin）結構更緊湊，不易進行轉錄。
基於上面的描述，我們如何對基因組上不同的染色質結構進行研究呢？ATAC-seq給了我們這樣的機會，ATAC-seq全稱 A ssay for T ransposase- A ccessible C hromatin using seq uencing，是一種在全基因組范圍內評估 染色質開放性 的組學技術，是表觀遺傳學研究的重要方法，該項技術於2013年被斯坦福大學William Greenleaf教授團隊開發，相關論文發表在 Nature Methods 上。[3]
轉座子 （transposons）是基因組上的一種元件，它能夠改變自己在基因組上的位置，具有「跳躍性」，這個生物學過程就是由轉座酶介導的（transposase），Tn5就是一種轉座酶。 已經有研究表明，在體外例如轉座子更傾向於插入開放染色質區域。 [4]所以ATAC-seq利用這個特點，將測序所用adaptor加在Tn5轉座酶上，這樣Tn5轉座酶就可以將adaptor添加到開放染色質區域的DNA兩端，這樣就可以對這部分序列進行測序了。（當然作者們對其可行性進行了一波三折的評估，包括將其與之前經典的染色質結構研究組學技術 DNase-Seq 和 FAIRE-Seq 結果的比較）
還有其它的技術能夠實現這樣的目的，它們分別是 DNase-Seq 、 FAIRE-Seq 和 MNase-seq *，原理相通~
Reference:
[1] https://en.wikipedia.org/wiki/Chromatin_remodeling .
[2] Xu J, Liu Y. Probing Chromatin Compaction and Its Epigenetic States in situ With Single-Molecule Localization-Based Super-Resolution Micros. Front Cell Dev Biol . 2021;9:653077.
[3] Buenrostro JD, Giresi PG, Zaba LC, Chang HY, Greenleaf WJ. Transposition of native chromatin for fast and sensitive epigenomic profiling of open chromatin, DNA-binding proteins and nucleosome position. Nat Methods . 2013;10(12):1213-1218.
[4] Gangadharan S, Mularoni L, Fain-Thornton J, Wheelan SJ, Craig NL. DNA transposon Hermes inserts into DNA in nucleosome-free regions in vivo. Proc Natl Acad Sci . 2010;107(51):21966-21972.
⑽ 如何應用蛋白質組學技術進行腫瘤研究思路設計
雙向凝膠電泳 雙向凝膠電泳的原理是第一向基於蛋白質的等電點不同用等電聚焦分離，第二向則按分子量的不同用SDS-PAGE分離，把復雜蛋白混合物中的蛋白質在二維平面上分開。由於雙向電泳技術在蛋白質組與醫學研究中所處的重要位置，它可用於蛋白質轉錄及轉錄後修飾研究，蛋白質組的比較和蛋白質間的相互作用，細胞分化凋亡研究，致病機制及耐葯機制的研究，療效監測，新葯開發，癌症研究，蛋白純度檢查，小量蛋白純化，新替代疫苗的研製等許多方面。近年來經過多方面改進已成為研究蛋白質組的最有使用價值的核心方法。 等電聚焦 等電聚焦（isoelectric focusing，IEF）是60年代中期問世的一種利用有pH梯度的介質分離等電點不同的蛋白質的電泳技術。等電聚焦凝膠電泳依據蛋白質分子的靜電荷或等電點進行分離，等電聚焦中，蛋白質分子在含有載體兩性電解質形成的一個連續而穩定的線性pH梯度中電泳。載體兩性電解質是脂肪族多氨基多羧酸，在電場中形成正極為酸性，負極為鹼性的連續的pH梯度。蛋白質分子在偏離其等電點的pH條件下帶有電荷，因此可以在電場中移動；當蛋白質遷移至其等電點位置時，其靜電荷數為零，在電場中不再移動，據此將蛋白質分離。 生物質譜 生物質譜技術是蛋白質組學研究中最重要的鑒定技術，其基本原理是樣品分子離子化後，根據不同離子之間的荷質比（M/E）的差異來分離並確定分子量。對於經過雙向電泳分離的目標蛋白質用胰蛋白酶酶解（水解Lys或Arg的-C端形成的肽鍵）成肽段，對這些肽段用質譜進行鑒定與分析。目前常用的質譜包括兩種：基質輔助激光解吸電離-飛行時間質譜（MALDI-TOF-MS）和電噴霧質譜（ESI- MS）。 飛行時間質譜 MALDI 的電離方式是 Karas和Hillenkamp於1988年提出。MALDI的基本原理是將分析物分散在基質分子（尼古丁酸及其同系物）中並形成晶體，當用激光（337nm的氮激光）照射晶體時，基質分子吸收激光能量，樣品解吸附，基質-樣品之間發生電荷轉移使樣品分子電離。它從固相標本中產生離子，並在飛行管中測定其分子量，MALDI-TOF-MS一般用於肽質量指紋圖譜，非常快速（每次分析只需3~5min），靈敏（達到fmol水平），可以精確測量肽段質量，但是如果在分析前不修飾肽段，MALDI-TOF-MS不能給出肽片段的序列。 電噴霧質譜（ESI-MS） ESI- MS是利用高電場使質譜進樣端的毛細管柱流出的液滴帶電，在N2氣流的作用下，液滴溶劑蒸發，表面積縮小，表面電荷密度不斷增加，直至產生的庫侖力與液滴表面張力達到雷利極限，液滴爆裂為帶電的子液滴，這一過程不斷重復使最終的液滴非常細小呈噴霧狀，這時液滴表面的電場非常強大，使分析物離子化並以帶單電荷或多電荷的離子形式進入質量分析器。ESI-MS從液相中產生離子，一般說來，肽段的混合物經過液相色譜分離後，經過偶聯的與在線連接的離子阱質譜分析，給出肽片段的精確的氨基酸序列,但是 分析時間一般較長。 目前，許多實驗室兩種質譜方法連用，獲得有意義的蛋白質的肽段序列，設計探針或引物來獲得有意義的基因。隨著蛋白質組研究的深入，又有多種新型質譜儀出現，主要是在上述質譜儀的基礎上進行改進與重新組合。