人們在吞咽的時候，頸部有個器官會隨著吞咽動作上下活動，它就是甲狀腺。西湖歐米有望實現臨床轉化的第一個項目，就是基于蛋白質標志物的甲狀腺結節的良惡性診斷。
甲狀腺很小，但它影響到五臟六腑。數據顯示，每5個成年人中就可能有1人患有甲狀腺結節。其中，約60%的甲狀腺結節都是良性的。但有10%的結節是惡性的，剩下約30%難以判斷，無論通過血液檢測、B超、CT還是甲狀腺組織穿刺活檢，都難以辨別到底是良性還是惡性。很多人不得不選擇手術切除——代價是終身服藥補充甲狀腺素，以維持體內的甲狀腺激素在正常水平。國外有數據顯示，切除甲狀腺的患者中，70-80%都不用挨這一刀（即實際上為良性結節）。
科學家們曾經寄期望于基因檢測解決這一難題。但經過十幾年的嘗試發現，基因診斷能夠達到的特異性也僅在10%~50%左右，這主要是因為甲狀腺結節惡性程度低等原因，基因水平上的改變并不頻繁、也不明顯。
作為一名蛋白質組學專家，郭天南選擇從“蛋白質”入手破題。
一個人從出生到死亡，從健康到疾病，絕大多數情況下基因都是不變的。但蛋白質不一樣。在不同健康狀態下，人體內的蛋白質會發生變化。難點在于，這種變化非常細微，怎么才能檢測到？
郭天南說：“在宏觀世界里，我們辨識一個人是通過看他的臉部特征，但在分子水平我們是看不到的。所有的蛋白質，即使你能看到，因其復雜的結構也很難準確辨識。我們是通過測量它的重量，來鑒定這是一個什么樣的蛋白質。給蛋白質稱重的這桿‘秤’叫質譜儀，我們目前的質譜儀可以達到約小數點后30位（kg）的精度，當然這后面涉及到很多數學計算，包括多個物理、化學等過程。”
但即使做到這一步，結節的良惡性辨別依然很艱難，因為這樣的差別是由質譜數據中眾多因素的復雜關系所決定的，是一個模式識別問題。而這正是西湖大學人工智能領域專家李子青的擅長。
在李子青看來，從甲狀腺結節質譜大數據中鑒別其良惡性，就像從一張圖像中辨識 “兩個”長像類似的人臉。研究團隊采用了機器學習的方法，從原始質譜數據中選擇出2622個有意義的候選特征蛋白質，并通過神經網絡技術構建了一套適用于蛋白質組學數據的獨特的算法，將2622個蛋白質組學數據輸入了這個模型，進行了大約2*1019次運算，終于找出了能夠幫助醫生辨別患者結節良惡性的20個關鍵蛋白。用這套模型給這20個蛋白的總體情況打分（分值在0-1之間）：當綜合得分大于等于0.5，即為惡性結節；小于0.5，就是良性結節。臨床試驗顯示，這種檢測方法的綜合準確率達到了89%。
作為一門新興學科，蛋白質組學（proteomics）是繼基因組學、轉錄組學后人類對生命活動奧秘探究的又一突破。人類的幾乎所有生命活動都是由人體內的蛋白質執行的，疾病治療的效果也取決于蛋白質機器的調控。未來蛋白質組學+AI技術的運用場景，遠遠不止于甲狀腺結節。
比如我們可以用它來篩選治療腫瘤的藥物。電影《我不是藥神》里面說到白血病中有一類叫慢性髓系白血病，幾乎90%的這類患者都會出現一個特殊的融合蛋白BCR-ABL，科學家找到一個叫伊馬替尼的藥，可以有效抑制這個融合蛋白的功能，有效率可以達到90%以上。研究表明，每個腫瘤都可能有一個或多個這樣的引起疾病的異常蛋白，并且還可能隨著疾病的演進出現改變。這時如果能通過蛋白質組學+AI技術，實時找到當前疾病階段的異常蛋白，就能實現“對癥下藥”。
在郭天南實驗室這一科研成果轉化的過程中，西湖大學成果轉化辦公室從技術保護、政策咨詢、法務服務、融資建議、團隊搭建等方面為企業深度賦能提供全程支持，加速推動了該項技術的產業化。相信隨著分子醫學、大數據技術和人工智能的快速發展，蛋白質組學在精準醫療領域將展示出越來越大的應用潛力。