2026年3月31日，加拿大盖尔德纳基金会公布了本年度国际奖获奖名单。在五位获奖者中，三位因“建立现代系统蛋白质组学的基础”而共同获奖——John R. Yates III、Ruedi Aebersold和Matthias Mann。授奖理由是他们在“定量蛋白质测量、质谱技术和计算分析方面的变革性创新”。

来源：盖尔德纳基金会

这是一个值得质谱领域关注的大事件。蛋白质组学是质谱最具系统性影响力的应用方向之一，而盖尔德纳奖在生命科学领域的前瞻性判断力有目共睹，这不免会让人想问：质谱是否有机会再次触及诺贝尔奖？

要回答这个问题，我们需要先理解盖尔德纳奖本身的分量。加拿大盖尔德纳国际奖（Canada Gairdner International Award）创立于1957年，由多伦多的盖尔德纳基金会颁发，旨在表彰对人类健康产生重大影响的基础或临床研究。它是全球最重要的生物医学研究奖项之一，与拉斯克奖（Lasker Award）并列为诺贝尔生理学或医学奖的两大“前哨奖”。自设立以来，盖尔德纳奖已颁发给来自40多个国家的434位科学家，其中102位后来获得了诺贝尔奖，转化率接近四分之一。更引人注目的是，在1983年至2012年间的诺贝尔生理学或医学奖得主中，约70%此前曾获得过盖尔德纳奖，且其中约七成在获得盖尔德纳奖后10年内拿到了诺贝尔奖。

这意味着盖尔德纳奖并非简单地追认已经功成名就的研究，而是在诺贝尔奖之前，以相当的准确性识别出那些正在或即将改变科学格局的工作。对于蛋白质组学来说，今年的获奖是一次正式的学术认证：这个领域已经走到了被全球顶级评审体系高度认可的位置。

三位获奖人分别做了什么

要理解这次获奖的意义，需要先回到蛋白质组学在二十世纪末面对的核心挑战。基因组学告诉我们一个细胞有哪些蓝图，但真正执行功能的是蛋白质。问题在于一个细胞里有上万种蛋白质，它们的丰度可以相差六个数量级，还存在大量翻译后修饰。如何从这团复杂混合物中同时鉴定并定量数千种蛋白质？这在当时几乎是不可能的任务。三位获奖人分别从不同角度攻克了这一难题。

John R. Yates III：让质谱读懂蛋白质混合物

在Yates之前，质谱鉴定蛋白质的标准流程是：先用二维凝胶电泳把蛋白质一个个分开，然后逐一送入质谱分析。这就像一本字典只能一页一页翻。准确，但极其缓慢。

Yates的核心贡献是开发了SEQUEST算法和MudPIT（多维蛋白质鉴定技术）。SEQUEST的思路很直接：不再依赖人工解读质谱碎片图谱，而是让计算机将实验获得的串联质谱数据与蛋白质序列数据库进行自动匹配。这使得大规模、无偏倚地从复杂蛋白混合物中鉴定蛋白质成为可能。MudPIT则进一步引入多维液相色谱分离，把数千种蛋白质的酶解肽段先按不同维度分离，再逐一送入质谱，这就是鸟枪法蛋白质组学（shotgun proteomics）的核心框架。

如果做一个类比：基因组学有了测序仪和比对算法才能大规模运转，蛋白质组学有了SEQUEST和MudPIT，才算有了自己的高通量流水线。Yates解决的问题是：如何从复杂体系中快速、大规模地知道有什么。

来源：Pittcon, Hosein Mohimani

Ruedi Aebersold：让蛋白质组学变得“定量”

知道有什么（定性）还不够。在生物学研究中，真正有意义的问题往往是多了多少，定量差异才能揭示机制。早期的蛋白质组学基本只能做定性分析，或者在二维凝胶上粗略比较蛋白质点的深浅，定量精度非常有限。

Aebersold的关键突破是在1999年开发了同位素编码亲和标签（ICAT）技术。其原理是用含有不同稳定同位素的化学标签分别标记两组样品中的蛋白质，混合后一起进行质谱分析。由于同位素标记导致的质量差异可以被质谱精确区分，同一蛋白质在两组样品中的丰度比就能被直接读出。

此后，Aebersold团队又发展了靶向蛋白质组学的选择反应监测（SRM）方法，以及数据非依赖采集策略SWATH-MS（后归入DIA体系）。SRM的思路类似定向搜索，预先设定要检测的目标蛋白，以极高的灵敏度和重复性进行定量。而SWATH-MS/DIA则试图兼顾两者，在保持非靶向分析广覆盖的同时，获得接近靶向方法的定量精度。这两条技术路线后来成为蛋白质组学定量分析的主干框架。用代谢组学的术语来类比：Aebersold做的事情，相当于在蛋白质组学领域同时建立了非靶向的相对定量和靶向的绝对定量两套方法体系。

来源：ETH Shotgun Proteomics

Matthias Mann：从方法到发现，从实验室到临床

Mann在耶鲁大学攻读博士期间师从John Fenn，后者因开发电喷雾电离技术（ESI）获得了2002年诺贝尔化学奖，Mann在博士期间为ESI的多电荷态谱图开发了计算解析算法。此后，Mann又发展了纳升电喷雾（nanoESI）技术，将电喷雾的灵敏度提升了数个数量级，使微量生物样品的蛋白质分析成为可能。

不过Mann对领域更深远的影响在于他构建了从样品制备到数据解析的闭环体系。2002年，他开发了SILAC（细胞培养稳定同位素标记）技术。通过让细胞在生长中自动摄取同位素标签，SILAC实现了活体标记，在样本处理的最早期就消除了实验误差，成为定量蛋白质组学的金标准。同时，他开发的MaxQuant软件设定了行业的数据解析规范，让复杂的质谱信号能被精准转化为生物学结论。近年来，他更进一步提出了深度视觉蛋白质组学（DVP），将AI细胞分类与超灵敏质谱结合，在保留空间信息的前提下进行单细胞级分析。

如果说Yates解决了定性，Aebersold解决了定量，Mann解决的问题则是在检测到蛋白质之后，如何将其转化为生物学发现与临床价值。

来源：C&EN, Creative Proteomics

历史上的质谱与诺奖

质谱技术与诺贝尔奖的渊源最早可以追溯到这项技术诞生之初。1906年J.J. Thomson因“对气体导电的理论和实验研究”获诺贝尔物理学奖，他用早期的质谱装置首次发现了稳定元素的同位素（氖的两种同位素），这是质谱作为科学工具的起点。随后的1922年，Thomson的助手Francis Aston改进了Thomson的仪器，制造出真正意义上的质谱仪，并用这个质谱发现了212种天然同位素，因此荣获了诺贝尔化学奖。1934年，Harold Urey使用质谱发现了重氢（氘），并因此获得了诺贝尔化学奖。

进入21世纪，John Fenn和田中耕一分别因开发电喷雾电离（ESI）和软激光脱附法（SLD）获得2002年的诺贝尔化学奖。这两项技术使质谱第一次能够分析完整的大分子（主要是蛋白质）。

来源：诺贝尔奖

从历史到当下：质谱技术的地位变化

在相当长的历史中，质谱的身份是分析工具。它帮助化学家确认化合物的分子量和结构，帮助物理学家测量同位素丰度。这个角色当然重要，但本质上是辅助性的，质谱提供数据，科学发现由其他学科的研究者完成。过去二十年发生了一个根本性的转变，质谱从提供辅助数据变成了驱动科学发现。这一转变最集中的体现就是在生命科学领域。

在蛋白质组学方向，基于质谱的蛋白质组分析已经成为理解疾病机制、发现药物靶点的核心手段。从癌症分型到神经退行性疾病研究，质谱蛋白质组学提供的信息在很多场景中是其他技术无法替代的。在代谢组学方向，液相色谱-串联质谱联用（LC-MS/MS）已经成为检测样品中代谢物种类和含量的主流平台。在单细胞分析方向，质谱已经突破了长期以来的灵敏度瓶颈，正在从概念验证走向实际应用。这意味着质谱正在进入此前被认为是流式细胞术和单细胞测序专属的领域。在成像质谱方向，MALDI成像和DESI成像质谱可以直接在组织切片上获取空间分布的分子信息，这在病理诊断和肿瘤边界确定中展现出独特价值。

当前的技术边界在哪里？几个核心挑战仍然存在：覆盖深度和通量之间的权衡尚未完全解决；数据分析的标准化程度仍然不足；临床转化面临样品制备、质量控制和法规审批等多重障碍。但趋势已经很明确：质谱不再只是一种检测手段，它正在成为理解复杂生物系统的核心平台技术。

回到开头的问题

2026年的盖尔德纳国际奖对蛋白质组学的认可，并不意味着诺贝尔奖一定会随之而来。历史上有很多获得盖尔德纳奖但最终未获诺贝尔奖的优秀科学家。诺贝尔奖的评审有其自身的逻辑和时间表，也受到领域竞争的影响。

但这次获奖传递的信号是清楚的：质谱驱动的蛋白质组学已经被全球最具公信力的科学评审体系之一认定为“对人类健康产生了重大影响的基础研究”。距离质谱领域上一次诺奖已经过去了24年，质谱是否会再获诺贝尔奖？没有人能给出确定的答案。但可以说的是它目前正行走在一条与历次获奖高度相似的路径上，技术突破已经发生，科学影响正在扩大，临床转化正在推进，而顶级学术奖项的认可已经开始。剩下的，是时间的问题。

来源：质谱学堂