在聊区别前，得先明确两者的共同基础 ——LiP（Limited Proteolysis，有限蛋白酶解）技术。

它的核心原理超简单：当小分子（药物 / 代谢物）结合到靶蛋白上时，会改变蛋白的构象或蛋白酶可及性，导致蛋白被蛋白酶（如蛋白酶 K）切割后，产生的肽段丰度和对照组（无小分子）出现差异。再通过质谱（LC-MS/MS）检测这些差异肽段，就能锁定「哪些蛋白是小分子的靶标」，甚至定位结合位点。

而 LiP-Smap 和 LiP-Quant，就是基于这个原理衍生出的「两种应用模式」—— 前者主打「快速探索」，后者主打「精准验证」。

● 案例：找大肠杆菌里某糖代谢物的靶蛋白（《Methods in Molecular Biology》2023）

● 背景：研究大肠杆菌（E. coli）中某未知糖代谢物的靶蛋白，只知道代谢物参与碳代谢，样本少、质谱机时紧张，1 周内要出结果；

● 关键操作：

❶ 用「1 个浓度」的代谢物（5 倍生理浓度，平衡效率和特异性），和细菌裂解液孵育；

❷ 加蛋白酶 K 酶解，DIA-MS 测差异肽段，火山图筛选（q<0.05、|log₂FC|>0.58）；

● 结果：1 周筛出 20 个候选靶标，含 1 个新 ABC 转运蛋白，后续 CETSA 验证成功；

● 核心优势：快（1-2 周）、省样本（仅需处理组 + 对照组），适合 “广撒网”。

● 丸子提示：LiP-Smap 的「快」建立在「单浓度 + 简单分析」上，但微生物样本别用超声裂解！会破坏蛋白构象，丢一半信号～

● 案例：找杀菌剂 BAYE-004 的作用靶标（《Nature Communications》2020）

● 背景：知道杀菌剂能抑制霉菌生长，但不知靶标，需给后续药物优化提供依据；

● 关键操作：

❶ 设 8 个浓度梯度（0.19nM-67.5μM，覆盖 “无结合 - 饱和结合” 全区间）；

❷ 用机器学习算 LiP-Quant 评分（看剂量反应拟合度、蛋白污染率等），只留评分 > 1.5 的肽段；

❸ 验证：CETSA 证明结合、激酶实验测 IC50 =12.5nM、结合位点定位到 ATP 口袋；

● 结果：3 周锁定主靶标（EC50=6nM），解释抑菌机制，直接支撑农药开发；

● 核心优势：准（假阳性率 <3%）、能出定量数据（EC50 、结合位点），适合 “精准锁定”。

● 丸子提示：LiP-Quant 的「准」关键在「多浓度 + 机器学习评分」，若浓度梯度未覆盖 EC50 所在区间，会导致亲和力计算误差超过 10 倍；另外结合位点预测需搭配蛋白结构模型，单纯肽段数据无法确定具体作用口袋。

比如 Paola Picotti 团队用 LiP-Smap 研究酿酒酵母（S. cerevisiae）的代谢物互作，仅用 3 组样本（1 处理 + 1 对照 + 1 重复），就筛出 FRP1（雷帕霉素已知靶标）及 2 个新候选靶标，假阳性率仅 8%—— 这是因为酵母蛋白质组仅～6000 个蛋白，且代谢物结合特异性较高，无需多浓度验证即可保证可靠性。

Piazza 团队在《Nature Communications》里做过对比：

⭐ 用 HeLa 细胞裂解液（~10000 个蛋白）测雷帕霉素，LiP-Smap 筛出 52 个候选（假阳性 > 60%）；

⭐换 LiP-Quant 后，只保留 1 个真靶标 FKBP1A，假阳性降到 3%；

⭐若研究膜蛋白（如钠钾泵），还能加 beads 富集，检出率从 5% 提至 45%（《Analytical Chemistry》2022）。

● 丸子提示：复杂样本酶解时间要准！差 10 秒，差异肽段就少 20%～

● 如果时间紧、样本少、质谱机时有限（比如学生期实验，只有 1 个月）：LiP-Smap 是唯一选择。

● 如果需要发表高分文章、数据需定量支撑（比如课题核心结果）：别省成本，选 LiP-Quant—— 它的 EC50和结合位点数据，是顶刊青睐的「硬证据」。

虽然两者定位不同，但实际研究中可以「组合使用」：先用 LiP-Smap 做「初筛」，快速缩小候选靶标范围（比如从 5000 个蛋白筛到 50 个）；再用 LiP-Quant 做「精筛」，给这 50 个候选打分、测 EC50，最终锁定 1-2 个核心靶标 —— 既省时间，又保证精准度，Piazza 团队研究泛激酶抑制剂 staurosporine时，先靠 LiP-Smap 从 5000 个蛋白里筛出 80 个候选，再用 LiP-Quant 锁定 21 个真靶标，最后结合 TPP 覆盖弱结合靶标 —— 既省 30% 时间，又兼顾广度和精度，效率拉满～

希望这篇干货能帮你避开「选技术」的坑～如果还想了解 LiP 实验的具体操作细节（如蛋白酶 K 浓度、质谱参数），丸子已经帮你准备好啦~（LiP-MS实验入门：从原理到操作，这份「可落地指南」帮你避开90%的坑）

[1] Piazza I, et al. A machine learning-based chemoproteomic approach to identify drug targets. Nature Communications, 2020, 11:4200.

[2] Holfeld A, et al. Limited proteolysis-mass spectrometry to identify metabolite-protein interactions. Methods in Molecular Biology, 2023, 2554:69.

[3] Ruan J, et al. Proteome-wide deconvolution of drug targets. Analytical Chemistry, 2022, 94:3352.