科研 | 哈佛医学院：利用纳米颗粒蛋白冠对血浆蛋白质组进行快速，深入和精确的分析
编译：文文，编辑：Emma、江舜尧。
原创微文，欢迎转发转载。
Proteograph系统使用工程化的纳米颗粒来捕获血浆等样品中的蛋白质，然后可以使用质谱等技术对捕获的蛋白质进行鉴定和定量，本文详细介绍了该系统的使用，在该研究中研究人员在一项非小细胞肺癌（NSCLC）的初步分类中，筛选了43个纳米粒子（NP）并选择了其中5个组成一组，使用96孔自动化工作流程从141个血浆样本中检测出2000多种蛋白质。简化的工作流程结合了覆盖深度和吞吐量，以及基于蛋白质和NPs之间的独特相互作用进行精确量化，以进行深入和可扩展的定量蛋白质组学研究。
论文ID
实验设计
1. 3种NP（SP-003，SP-007和SP-011）的合成；
2. NP理化性质的表征；
3.蛋白冠制备和蛋白质组学分析；
4. NSCLC样品处理和相关数据采集；
5.注释多样性分析；
6.背景稳健性测试。
实验结果
在蛋白冠的基础研究中已探索了各种无机和有机NPs，作者开发了一种可在自动分析中用于蛋白冠形成的超顺磁性氧化铁NP或SPION（图1、2a-c），因为粒子的超顺磁性核促进了冠状物形成后与血浆的快速磁分离（<30秒），大大减少了LC-MS/MS提取NP蛋白冠所需的时间。而且可以用不同的表面化学方法对SPIONs进行强力修饰，促进产生不同的冠状物模式。
根据先前公布的方法初步合成了3个具有不同表面功能化的SPIONs（SP-003，SP-007和SP-011）（图2）。SP-003使用正硅酸乙酯通过改良的Stöber工艺进行二氧化硅薄层涂覆；对于涂有二甲胺基丙基甲基丙烯酰胺（SP-007）和聚乙二醇（SP-011）的SPIONs，使用正硅酸乙酯和3-(三甲氧基甲硅烷基)丙基丙烯酸酯改良的Stöber工艺，通过乙烯基对氧化铁颗粒核进行改良。接下来通过与N-[3（二甲基氨基）丙基]甲基丙烯酰胺（SP-007）或聚乙二醇甲基丙烯酸酯（SP-011）的自由基聚合对SPIONs进行表面改性。
使用扫描电子显微镜，动态光散射，透射电子显微镜，高分辨率透射电子显微镜和x射线光电子能谱技术对三种SPIONs进行了尺寸，形态和表面特性方面的表征（图2）。动态光散射测量表明SP003，SP-007和SP-011的平均尺寸/多分散指数分别为33 nm/0.05283 nm/0.09和38 nm/0.20；扫描电子显微镜显示所有SPIONs是200-300 nm具有球形和半球形形态；通过zeta电位（ζ）分析评估了SP-003，SP007和SP-011的表面电荷，在pH 7.4时ζ值分别为-36.9，+25.8和-0.4 mV，分别表示与所用涂料一致的负性，正性和中性表面（图2）；使用高分辨率透射电子显微镜评估涂层厚度，对于SP-003，在氧化铁芯周围形成厚度>10 nm的非晶形层（图2d），对于SP-007和SP-011，相对较薄（<10 nm）的非晶形层（2e，n）；使用x射线光电子能谱进行表面分析，证实了具有相应官能团的NPs的成功包被。
图1 Proteograph的工作流程示意图
a：NP蛋白冠的形成，不同的NP理化特性（用三种不同的颜色表示）导致在NP表面形成不同的蛋白冠成分；b：基于多NP蛋白冠方法和质谱的Proteograph平台工作流程用于分析血浆蛋白质组；Proteograph工作流程包括四个步骤：（1）NP血浆孵育和蛋白冠形成；（2）磁体纯化NP蛋白冠；（3）蛋白冠的消化；（4）LC-MS/MS分析。
图2 三个SPIONs的特征
A：SP-003，B：SP-007和C：SP-011分别通过SEM（a，f，k），DLS（b，g，l），TEM（c，h，m），HRTEM（d，i，n）和XPS（e，j，o）。DLS显示每个NP的三个重复。d，i和n显示分别记录在单个SP-003，SP-007和SP-011 NP表面上的HRTEM图片。
2. 用于蛋白质组学分析的三个磁性NPs的初始面板
为了评估平台在蛋白质组学分析中的作用，研究了三个初始NPs对血浆复杂蛋白质组的能力（图3）。首先将每个NP（100 µL）与血浆在37°C下孵育1 h使与NPs缔合的蛋白质平衡，形成稳定的蛋白冠，然后从未结合的蛋白质中进行基于磁体的NP纯化，将结合的蛋白质消化、纯化并洗脱，这种高度并行的准备工作流程对于96个冠状物制备总共需要约4-6小时能够完成。在以数据依赖的采集模式运行60分钟的LCMS/MS中分析来自与NP结合的冠状物产生的肽。使用MaxQuant进行多肽鉴定和蛋白质组组装，并使用MaxLFQ进行定量分析。
三个NP促进了9个样品中超过700个蛋白质组的定量（三个NP重复测量）和每种纳米颗粒类型的500多个蛋白质组的定量（图3a），确定在SPION-003，SP-007和SP-011的三个SPION冠状物中检测到蛋白质CVs的中值分别为19.6％，30.3％和17.0％（图3b），NPs检测具有足够的精度，可以在相当小的研究中检测出相对小的差异。
为了探索NPs询问广泛浓度范围内存在的血浆蛋白的能力，将从上述三个NPs的蛋白冠所测得的蛋白特征强度与已发表的值进行比较（图3c），同时还直接从消化的血浆样品中测量多肽，而无需使用SPIONs进行富集。拟合的粒子强度模型的斜率减小表明蛋白质信号强度的动态范围随丰度的降低而降低，这与以前的观察结果一致，即通过结合亲和力有效地标准化蛋白质的丰度，NPs可以有效地减少蛋白冠中测得的动态范围。我们的多NP蛋白冠策略可促进多种血浆蛋白的鉴定，尤其是那些丰度低的血浆蛋白，这对常规蛋白质组学技术的快速检测提出了挑战。
为了确定平台作为测量工具的线性度并支持其在生物标志物发现和验证研究中检测样本组之间真实差异的效用，首先使用血管生成素，C反应蛋白，钙卫蛋白（S100a8/9）对包含4个多肽的4个颗粒和3个蛋白质进行回收率研究，并且观察到的R2在0.90和1之间。示例中显示了SP-007 NP和C反应蛋白的结果（图3d），首先使用ELISA确定C反应蛋白的内源性血浆水平；接下来加标纯化的C反应蛋白以达到可测试的内源水平倍数，加标后的C反应蛋白水平分别确定为4.11、7.10、11.5、22.0和215.0 µg/mL，分别对应于内源性水平1x（对照），2x，5x，10x和100x；然后将SP-007 NP上4种指示C反应蛋白多肽的数量与C反应蛋白浓度作图以比较报告不同值类型的方法（图3d），未加标血浆中的两个C反应蛋白肽无法检测到MS1特征强度。
将回归模型拟合到所有4种C反应蛋白胰蛋白酶肽，冠状物MS信号强度对ELISA血浆水平的响应斜率均为0.90，分析性能接近完美，相反在至少5个血浆样本中的4个样本中识别出的适用于1308个其他（非加标）MS特征的相似回归模型的-0.086斜率，其相关MS特征的信号在各个样本中均不应变化。这些结果表明NPs的线性响应可能用于量化潜在标志物，加标蛋白肽特征的响应还表明通过适当的校准NP蛋白冠法可用于确定分析物的绝对水平。
通过添加其他2种蛋白血管生成素和钙卫蛋白（S100a8/9），包括3个附加的多肽和3个附加的NPs，可以更深入地探索线性应答，通过线性回归将这些其他蛋白质和NPs的强度数据与测得的ELISA值进行建模，所有蛋白质和NPs的平均斜率是1.06，表明加标样品制备中使用两个数量级的线性应答，调整后R2相关性的强度也很高（平均0.95）。这些结果证实了线性反应，并表明了NP平台能够高精度地测量各种浓度范围内肽/蛋白质水平相对变化的能力。
为了解决背景干扰的影响研究了不同脂质水平和溶血程度的影响。血浆脂质含量不仅随禁食状态变化还随年龄和健康状况而变化，比较了鉴定出的蛋白质的数量、蛋白质在条件之间的重叠以及从掺加了少量和大量脂质的血浆样品中测得的强度分布，随后用几种NPs处理，结果表明与没有加标脂质的对照样品相比，即使大量的脂质也不会影响蛋白质ID的数量或组成以及强度分布，测试的NP（SP-356-001）在测量前不对样品进行离心处理时，高浓度的加标脂质使蛋白质IDs降低的少，这凸显了使用NPs的优点之，即不同的表面特性可以允许比较同一样品的粒子冠状物来检测偏差，此外还观察到各种条件下强度的良好相关性。
图3 三个原始SPIONs的蛋白质组学表征
a：由DDA LC-MSMS和MaxQuant确定的来自三个初始SPIONs（SP-003，SP-007和SP011）的NP冠状物的蛋白质组（all表示在所有NP中检测到的蛋白质，白线表示用至少一个NP的两个或多个肽检测到的蛋白质数量，条形图为每个NP的三个重复试验的中位数和标准差，上划线表示在任何样品中检测到的蛋白质数量，下划线表示在所有三个重复中检测到的蛋白质数量，白色圆圈表示每个测定重复的蛋白质ID数量）；b：用于基于NP蛋白冠的Proteograph工作流程精度评估的CV％（内部箱线图显示25％、50％和75％分位数）；c：NP蛋白冠相对于血浆蛋白的最大强度与公布的相同蛋白浓度之间的相关性（黑线是线性回归模型，灰色阴影区域表示95％置信区间）；d：在加标回收实验中测量SP-007 NP上CRP蛋白的线性响应（误差线表示平均值附近的标准偏差）；n=3。
3. 十个磁性NPs面板的优化
为了进一步以适合自动化的可行格式扩展NP蛋白冠的选择，以与初始3个SPIONs相似的方式筛选了在43个不同的SPIONs上形成的冠状物，目的是选择10个NPs的优化面板，以最大程度地从合并的血浆样品中检测蛋白质。在6个条件下评估了43个候选SPIONs并在二级分析中使用了最佳条件以选择最佳组合，使用来自健康受试者和肺癌患者的合并血浆进行了43个SPIONs筛查以展示跨生物学样品的平台验证，分析中使用了更简单的蛋白质检测标准进行面板选择和优化，即在3个完整测定重复的每个重复中蛋白质必须由至少1个多肽-光谱-匹配会被视为已识别。这种方法避免了在评估NPs不同组合之间可能出现的任何差异蛋白质的分组效应，因为蛋白质组是基于任何给定分析中包含的经验数据，并且可能被许多不同的NP冠状物子集所混淆。
上面描述的两层筛选方法产生一个由10个NPs组成的优化面板，通过该面板可以在3个完整测定的重复实验中使用一个共同的血浆样品（图4），使用MaxQuant确定蛋白质组定量的中值CVs，结果范围为16.4至30.8％（图4b）。
接下来，将蛋白质定量的精度与已发布的蛋白质组学数据集进行比较，Geyer等人描述了一种快速的LC-MS/MS蛋白质组学方法，该方法具有简化的样品前处理方案，每次测定平均可产生284个蛋白质基团，所有重复样本可产生321个蛋白质基团。在Geyer等人发现的321个蛋白质组和我们的1184个蛋白质组之间发现了88个相同的蛋白质组，由于蛋白质组可以包含多个相关蛋白质并且根据检测到的肽而对这些蛋白质进行不同地组装，因此两个质谱实验可以报告部分重叠的蛋白质组。
对于这88个常见蛋白质组，发现Geyer等人的数据中值CV为12.1％，而我们NPs的中值CV为7.2％。选择了报告每种蛋白质最佳CV的NP用于分析。为了从另一个角度进行比较，Geyer还报告了CVs<20％（体外诊断测定的常见临界值）的蛋白质组数量，我们的10个NP面板检测到CV<20％的蛋白质组数量为761个，是Geyer报告的数目的3.7倍。
接下来用10个NP面板定量的蛋白质映射到Keshishian等人报告的归一化强度，在这项研究复杂的工作流程中需要对16个血浆样品中的5000多个蛋白质组进行检测，涉及每个样品约30个MS组分的分析，需要花费数周的时间才能完成，使用该研究中MS衍生的血浆蛋白组强度，将每个NPs的覆盖范围与该参考样品和纯血浆进行比较，来自完整血浆蛋白数据库的纯血浆蛋白在完整血浆蛋白数据库中偏向更高强度（代表丰度），而来自所有10个NPs蛋白冠的蛋白成分几乎扩展到了数据库的整个动态范围，数据库中只有39种蛋白质的强度低于NP匹配的最低蛋白质组。
快速，深入的蛋白质组分析的一项关键应用是蛋白质生物标志物的鉴定和定量，尽管有超过100种FDA批准的蛋白质生物标记物，但每年新型蛋白质生物标记物的出现率非常低（每年少于2种），且大多数生物标志物都在高丰度范围内。在90个定位的生物标记物中，我们在每个NPs和纯血浆中鉴定出33至43个（图4c）。
为了确定覆盖参考血浆蛋白质组中存在的功能类别，将功能注释（GOCC，GOBP，KEGG，Uniprot Keywords，Pfam）映射到Uniprot ID，并在10个NPs面板中比较了注释的富集和亏损，被10个NPs覆盖的蛋白质显示出对包括分泌，先天免疫和囊泡等多种功能注释的显著富集，亏损的注释包括膜和DNA相关注释（图4d）。
进一步研究NP特异性富集注释以探讨单个NPs询问蛋白质不同功能类别（即细胞外区域，膜或胞液）的能力。分析中使用了1D注释富集来比较单个NPs的蛋白冠与整个10个NP面板的平均轮廓，基于1D富集得分的聚类（图4e）显示了10个NP面板上富集和亏损的不同模式和差异模式，例如，“GOCellular Compartment”注释可表征蛋白质位置，在该类别中NP分为主要分支（具有SP-373，SP-365，SP-347和SP-406的集群1与具有SP-064，SP-007，SP-047，SP-339，SP-390和SP-333的集群2/3），与聚类2和3相比，聚类1显示出与细胞外区域相关的蛋白质消耗和细胞内蛋白质富集；Uniprot Keywords显示，某些NPs（例如SP-390，SP-339）专门消耗免疫球蛋白，而富含注释为分泌和参与炎症的蛋白质；此外Uniprot Keywords和GOBP表明，NPs的一个子集（包括SP-390和SP-047）允许富集脂质转运蛋白，而其他NPs（如SP007）可能会耗尽属于该功能类别的蛋白；注释富集表明NP冠状物不仅可以根据单个蛋白质的水平进行分类，还可以根据蛋白质的官能团进行分类，询问蛋白质的不同功能类别（即细胞外区域，膜或胞胶）的能力说明了NP冠状物在复杂蛋白质组中采样宽动态范围的能力。
图4 与纯血浆相比，优化了10个SPIONs孔板
a：来自10个SPIONs的NP冠状物的蛋白质组通过DDALC-MS/MS定量（all表示在所有NP中定量的蛋白质组数量，白线表示用至少一个NP的两个或多个肽检测到的蛋白质数量，条形图为每个NP的三个重复试验的中位数和标准差，上划线表示在任何样品中检测到的蛋白质数量，下划线表示在所有三个重复中检测到的蛋白质数量，白色圆圈表示每个测定重复的蛋白质ID数量）；b：纯血浆和10个SPIONs的基于NP蛋白冠工作流程的CV％分布（内部箱线图显示25％、50％和75％分位数，小提琴图可捕获所有数据点）；c：将10个SPIONs与MS强度的血浆蛋白数据库匹配（数据库蛋白质的强度排名显示在顶部面板中，最强的蛋白质在面板的左上角，最不弱的在右下角，底部面板显示了纯血浆中蛋白质的强度，其余面板显示了10个SPIONs的强度，红点表示FDA批准的蛋白质生物标志物）；d：火山图描绘了与数据库相比在10个NP的优化面板中检测到的蛋白质功能途径（GOCC，GOBP，KEGG，UniprotKeywords，Pfam）的注释富集分析（Log2Odds>0为富集，Log2 Odds<0为亏损，蓝色圆圈表示B.H.错误发现率FDR<1％，绿色表示一些丰富的NPs注释，黑色表示选定的亏损注释）；e：一维注释富集分析，将每个NP的蛋白质强度分布（三次重复测定的中位强度）与所有平均值进行比较，一维分数绘制为热图用于标注至少1个NP的富集或亏损；n=3。
4. 大规模应用：非小细胞肺癌研究
为了说明Proteograph在大型人群中的性能，对NSCLC受试者以及与年龄和性别相匹配的健康肺部合并症对照受试者进行了快速而深入的血浆蛋白质组分析（图5）。使用了20分钟梯度和一组从最初的10个中选择的5个NPs，优化最大蛋白质组覆盖率以进一步减少总的实验时间，完成这些分析所需的总时间约为2周，在整个研究过程中使用QC样品评估精度。结果表明即使处理3个质谱仪测得的1500种测定，Proteograph仍可实现低CVs和可重复数量的蛋白质鉴定。为了调查早期NSCLC检测的可能性，对由80名健康受试者和61名早期NSCLC受试者组成的样本集进行了分类建模，在这141位受试者的5个NPs中鉴定出1664种蛋白质（图5a），NPs组成蛋白质丰度模式的不同簇（图5b），这种无监督的聚类分析还显示出一些特定于受试者的差异，但没有明确的病理学驱动的分离。用NP检测到的其他蛋白质（除了耗尽的血浆中检测到的蛋白质）在对健康人群和NSCLC患者进行分层时有用，并在建立分类模型之前去除在耗尽的血浆中检测到的蛋白质。使用随机森林模型，健康与早期NSCLC分类获得的平均AUC为0.91（图5c），受试者的随机分类排列平均AUC仅达到0.51，这证实了分类器结果中不存在过度拟合的情况。对功能重要性排名前20位的分类器功能（颗粒和蛋白质组的组合）进行检查，可以突出显示由OT注释判断的已知和未知蛋白质在NSCLC中的作用（图5d），在最重要的特征中鉴定出微管蛋白，它是包括紫杉醇及其衍生物在内的化疗药物的靶标。Geyer等人在最近的研究中指出临床样品的质量通常会因血小板和红细胞的污染而受损，作者检查了那些最重要分类特征的蛋白质与Geyer等人发表的深层血小板蛋白质组重叠。
图5 使用五个NPs对早期NSCLC与健康受试者进行分类
a：NP和消耗血浆中蛋白质组的计数（绿色表示在141位受试者中发现的5个NP的平均蛋白质数量，黄色表示141名受试者血浆中蛋白质的平均数量，黑色表示5个NP组和所有141名受试者中蛋白质的数量，白线表示用两个/多个肽和一个/多个NP检测到的蛋白质，蓝色线表示在五个NP面板中141名受试者的至少25％中检测到的蛋白质数量，误差线表示标准差，白色圆圈表示每个生物样品的蛋白质ID数量）；b：热图显示了在141名受试者（早期NSCLC和健康）中用五个NP（列）或耗尽血浆检测出的蛋白质组（行）的中值归一化强度（缺失值设置为0深蓝色表示，使用ward.d2方法在R中执行分层聚类）；c：受试者工作特征曲线量化了健康与早期NSCLC患者的分类表现（每条彩色曲线代表10倍交叉验证的10个重复之一，10次重复的特征曲线下平均面积为0.91）；d：将健康与早期NSCLC进行分类的前20个最重要的特征。
讨论
自从对与NPs表面缔合的生物蛋白进行早期研究以来，在了解蛋白冠方面取得了很大的进步，在纳米药物和药物递送方面产生了许多见解，人们逐渐认识到蛋白冠决定了对NPs的生理反应（例如，药代动力学，生物分布，细胞摄取和治疗功效），并且NP与蛋白质相互作用高度依赖于NP的理化特性、暴露时间和蛋白质来源与浓度。最近有人提出蛋白冠的离体和体外研究以进行疾病诊断和预测，并且在体内循环后对脂质体阿霉素上形成的蛋白冠的LC-MS/MS蛋白质组学分析已显示出低丰度血浆蛋白。
但是这些研究需要广泛的蛋白质覆盖范围、深层的动态范围和高样品通量。当前研究的理由是NPs理化性质的微小改变会引起蛋白冠的剧烈但可重现的变化，因此假设与任何单个NP相比，具有不同物化性质的多个NPs提供了扩展的但部分重叠的蛋白质组学采样和更全面的蛋白质组学数据。
作者开发了高度并行和自动化的蛋白质分离技术平台Proteograph，该平台将选自筛选出46种具有不同理化性质的SPIONs的NP整合到离体测定中，用于蛋白冠形成和LC-MS/MS分析，实现无偏蛋白的收集/检测。使用合并血浆作为模型复杂的生物样品，验证了以下假设：较大的NP面板可识别更多的蛋白质，尤其是低丰度蛋白质。在一组10个NPs的面板中发现了不同的蛋白质和与各自蛋白冠相关的蛋白质途径，表明添加更多不同的NPs可以实现更广泛和更深入的蛋白质组分析，因此类似于基因测序中不同的覆盖水平，可以通过改变NPs的数量和类型来定制平台，以在不同的水平上对蛋白质组进行分析。使用相同的NP面板检测到53种FDA批准的蛋白质生物标志物，大多数这些生物标记在高丰度范围内被检测到，鉴于NPs可以检测到大量的低丰度蛋白，预测未来的研究将结合使用NPs来鉴定许多新颖的生物标记。
多NP蛋白冠分析具有许多优势，与需要消耗和分离工作流程的常规深层蛋白质组学技术不同，我们的策略是快速可扩展的并且能够利用蛋白质水平上的理化差异，只需简单添加新的NP变体，多NP检测就可以实现强大的自动化和扩展，提高准确性和广度的同时加快了96孔板的分析速度。重现性和加标回收率实验还突出了我们的多NP蛋白冠平台测量样品之间差异的能力，同时减小了富集样品中蛋白质的浓度范围并促进了低丰度蛋白的检测，这是NP蛋白冠蛋白质组学分析的关键优势。由于压缩动态范围会影响样品中不同蛋白质之间测得的丰度差异，因此未来的研究可以评估同位素标记的蛋白质刺入信号，以校准测得的量并得出绝对丰度信息，例如浓度或拷贝数。
在基于NP的分类可行性研究中重点分析了早期NSCLC患者样本与健康对照之间的差异，证明了该平台可在短时间内快速评估大量样本的实用性，并确定了作为下游NSCLC测试开发潜在新起点的已知和未知蛋白质的新组合。NP平台的简单性和稳健性实现了在2个星期内对141个受试者进行了超过2000种蛋白质的定量分析。
健康与早期NSCLC（第1、2和3期）分类器的性能较高（AUC 0.91），能够鉴定出已知和未知蛋白质在NSCLC中发挥作用，从而支持了蛋白质作为分析物在开发更好的疾病早期检测方法中的价值。在健康与早期NSCLC分类最重要的特征中鉴定出一种细胞骨架成分微管蛋白，他是通常在血小板中检测到的细胞内蛋白，也是化疗紫杉醇的靶标和脑脊液中神经元组织损伤的生物标记物，组织损伤和癌症等疾病可能与较高的细胞内蛋白质丰度有关，否则这些蛋白质与污染有关，需要新的策略来将污染标志物与生物学/疾病特征区分开，特别是在使用高灵敏度质谱仪分析复杂的生理变化时。
平台的可扩展性和效率可以推动大型蛋白质组学研究，加深对疾病和生物学机制的了解，可以将NPs集成到新的质谱采集策略（如BoxCar18或Scanning SWATH19）中，使用源自我们NP工作流程的肽等压标记（例如TMT）将MS运行时间减少10倍或更多。尽管有时间优势，同量异位标记可能不适合某些大规模蛋白质组学研究，因为它增加了试剂成本并且需要昂贵的MS3功能仪器才能获得最准确的结果。蛋白质组学测定/分析吞吐量的同时显着增加可以进行更大规模的研究，有助于将蛋白质组学数据添加到大型多组学数据集中从而产生新颖的分类，并将尚不十分了解的基因组疾病信息纳入功能范围，例如单核苷酸多态性变体，DNA甲基化模式变化和剪接变体。此外蛋白质水平的信息（如相互作用或结构信息）保留在NP表面可以进一步阐明其功能。
我们的NP技术可以扩展到脑脊液，细胞裂解液甚至组织匀浆，以快速和精确地分析蛋白质组，从而促进新疾病生物标记物的发现。此外多NP工作流程解决了整体蛋白质水平的动态范围挑战，可以集成到低成本ELISA或新兴的蛋白质测序工作流程中。最终，NP表面可以与任何类型的分子结合，使得功能化多NPs工作流程的广泛用途可以扩展到蛋白质组学以外的领域，例如基因组学的核酸富集，水样中杂质的检测和测量，以及在环境监测应用中增强化学传感。