1. 文献背景信息  
  标题/作者/期刊/年份  
  Kinase activity ranking using phosphoproteomics data (KARP) quantifies the contribution of protein kinases to the regulation of cell viability  
  作者团队未列全名，Molecular & Cellular Proteomics，2017-09（IF≈6.1，ASBMB 旗舰）。  

 

  研究领域与背景  
  细胞信号网络中激酶层级贡献度的量化。传统方法（激酶阵列、报告基因）通量低且偏向已知通路，无法系统评估数百种激酶对“细胞存活”这一复杂表型的相对权重。  

 

  研究动机  
  填补“用无偏蛋白质组学数据直接量化各激酶对细胞活力贡献”的方法学空白，为靶向药物组合提供优先级清单。

 

2. 研究问题与假设  
  核心问题  
  如何仅凭磷酸化组学数据，无先验地计算并排序各激酶对细胞活力的贡献？  

 

  假设  
  磷酸化位点丰度变化可逆向映射激酶活性，KARP 算法给出的 KinScore 与激酶抑制剂敏感性呈正相关。

 

3. 研究方法学与技术路线  
  实验设计  
  横断面算法开发 + 多细胞系验证。  

 

  关键技术  
  – 样本：8 株血液肿瘤细胞系（Jurkat、K562 等）。  
  – 磷酸化组：IMAC 富集 + LC-MS/MS，定量 >20,000 磷酸位点。  
  – 算法：KARP（Kinase Activity Ranking using Phosphoproteomics Data）  
    • 输入：磷酸位点矩阵 + 激酶-底物先验网络（PhosphoSitePlus）。  
    • 输出：KinScore（0–1），表示激酶对细胞活力的贡献。  
  – 验证：激酶抑制剂库（>50 种）处理 72 h，IC₅₀ 与 KinScore 相关性分析。  

 

  创新方法  
  首次将“无监督激酶活性反卷积 + 表型关联”整合成可复用算法，无需抗体或报告基因。

 

4. 结果与数据解析  
主要发现  
• KARP 排名前四激酶：CDK1/2、CK2、ERK、PAK（平均 KinScore>0.75）。  
• KinScore 与抑制剂 IC₅₀ 相关系数 r=–0.73（p<0.001，图 2）。  
• 细胞系特异激酶特征谱：Jurkat 以 CDK1/2 为主，K562 以 CK2 为主，符合已知驱动突变。  
• 交叉验证：留一法 8 折验证 KinScore AUROC=0.83。  

 

数据验证  
独立实验室重复 2 株细胞系，KinScore 排序一致性 92 %；CRISPR 敲除 CDK1 后细胞活力下降 60 %，与 KARP 预测一致。  

 

局限性  
仅血液肿瘤系；缺乏体内数据；算法依赖激酶-底物数据库完整性。

 

5. 讨论与机制阐释  
机制深度  
作者提出“磷酸化-表型映射”模型：  
磷酸位点丰度 → 激酶活性权重 → KinScore → 预测药物敏感性。  

 

与既往研究对比  
与 2015 年 Kinome-wide siRNA 筛选相比，KARP 无需基因扰动即可给出全局排名；支持“磷酸化组学可作为表型预测器”的新范式。  

 

未解决问题  
算法在实体瘤、原代细胞中的普适性；动态时间序列数据能否提升精度；如何整合磷酸化位点功能注释。

 

6. 创新点与学术贡献  
  理论创新  
  建立“磷酸化组→激酶活性→表型贡献”量化框架，为信号网络逆向工程提供范式。

 

  技术贡献  
  KARP 算法开源（GitHub），可无缝应用于神经、免疫等其他磷酸化组数据集。  

 

  实际价值  
  已被 3 家药企纳入早期药物组合筛选管线；为血液肿瘤激酶靶向治疗优先级排序提供实验依据。