CN101451975A - 一种检测胃癌预后与分期血清蛋白质的方法 - Google Patents
一种检测胃癌预后与分期血清蛋白质的方法 Download PDFInfo
- Publication number
- CN101451975A CN101451975A CNA2008101635158A CN200810163515A CN101451975A CN 101451975 A CN101451975 A CN 101451975A CN A2008101635158 A CNA2008101635158 A CN A2008101635158A CN 200810163515 A CN200810163515 A CN 200810163515A CN 101451975 A CN101451975 A CN 101451975A
- Authority
- CN
- China
- Prior art keywords
- stomach
- cancer
- prognosis
- protein
- blood serum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 88
- 238000004393 prognosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 24
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 23
- 210000002966 serum Anatomy 0.000 title claims abstract description 20
- 108010017384 Blood Proteins Proteins 0.000 title claims abstract description 14
- 102000004506 Blood Proteins Human genes 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 239000000439 tumor marker Substances 0.000 claims abstract description 9
- 238000003795 desorption Methods 0.000 claims abstract description 4
- 201000000498 stomach carcinoma Diseases 0.000 claims description 84
- 108090000623 proteins and genes Proteins 0.000 claims description 40
- 102000004169 proteins and genes Human genes 0.000 claims description 40
- 208000007882 Gastritis Diseases 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 208000010749 gastric carcinoma Diseases 0.000 claims description 11
- 201000011549 stomach cancer Diseases 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003766 bioinformatics method Methods 0.000 claims description 2
- 238000005342 ion exchange Methods 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000001269 time-of-flight mass spectrometry Methods 0.000 abstract description 2
- 241001079625 Proteides Species 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 16
- 238000001819 mass spectrum Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000000672 surface-enhanced laser desorption--ionisation Methods 0.000 description 4
- 206010010254 Concussion Diseases 0.000 description 3
- 238000000018 DNA microarray Methods 0.000 description 3
- 239000012148 binding buffer Substances 0.000 description 3
- 230000009514 concussion Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- QKNYBSVHEMOAJP-UHFFFAOYSA-N 2-amino-2-(hydroxymethyl)propane-1,3-diol;hydron;chloride Chemical compound Cl.OCC(N)(CO)CO QKNYBSVHEMOAJP-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004720 dielectrophoresis Methods 0.000 description 2
- 238000010195 expression analysis Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000010837 poor prognosis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000000756 surface-enhanced laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UBBVKEUNMNAMIB-UHFFFAOYSA-N CC1=CC2=C=C3C1C23 Chemical compound CC1=CC2=C=C3C1C23 UBBVKEUNMNAMIB-UHFFFAOYSA-N 0.000 description 1
- 101710093543 Probable non-specific lipid-transfer protein Proteins 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 239000012556 adjustment buffer Substances 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000001815 biotherapy Methods 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000011470 radical surgery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000000539 two dimensional gel electrophoresis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供从血清中早期检测胃癌、判断预后及分期的方法,通过以下方案实现:(1)用表面加强激光解吸电离-飞行时间质谱(SELDI)仪测定肿瘤患者与健康人血清标本的蛋白质组图谱;(2)结合生物信息学的方法筛选出相应的肿瘤标志物并建立检测模型进行分析检测。本发明方法不仅提供了用于方便、高效检测胃癌的血清蛋白质谱,提高人群中筛选胃癌的效率,节约医疗成本。同时对于一些确诊胃癌的患者,该发明提供了一个鉴别预后差、分期晚的血清学方法,可用于指导患者治疗。同时该发明提供了一些标记物用于进一步研究。
Description
技术领域
本发明属恶性肿瘤检测方法,涉及、预后判断及分期的方法,为一种新的非侵入性的检测方法,用于检测胃癌、判断预后不良与进展期胃癌,同时也提供了一系列的候选肿瘤标志物用于进一步研究。
背景技术
胃癌作为全球最常见的第二大恶性肿瘤,仍是癌症死亡的重要原因。在我国胃癌的发病率约为20/10万,死亡率在我国居癌症死亡率的第2位,而就诊患者中多属中晚期,预后差。据统计,根治性手术治疗早期、进展期胃癌的5年生存率分别为90%、40%,所以只有早期发现、早期诊断、早期治疗才能使更多的胃癌患者受益。目前我国早期胃癌发现率约10%,故进行大规模人群的筛查不仅效率低下,而且浪费国家宝贵的卫生资源。大多数胃癌患者多伴有非特异性上消化道不适症状,故对有症状的人群进行大规模筛查才能提高胃癌的检出率,提高筛查效率。然而有研究提示即使在日本其早期胃癌发现率在40%,仅少部分为利用纤维胃镜和放射学检查的大规模筛选时发现,故需要新的适用于大规模筛选的非侵入性检测方法用于胃癌检测。而对于已确诊胃癌的患者,TNM分期是目前临床用于指导治疗和预后判断的重要指标,但同一分期胃癌患者却会出现不同预后,故如何从一些分期较早的胃癌中筛选出预后不良患者可以进行强化术后治疗以提高生存期,而从进展期胃癌中筛选出预后良好患者可以避免过度治疗是目前胃癌治疗中的难点。
目前胃癌最常用的血清肿瘤标记物主要有CEA、CA19-9、CA72-4等,在胃癌血清的表达阳性率介于16%-75%之间,而在判断预后方面它们的敏感性更是低于40%。这些常用标志物存在灵敏度和特异度难以统一、约登指数(Youden’s Index,YI,YI=灵敏度+特异度—1)小等问题,难以成为理想的肿瘤标记物而用于临床检测或大规模人群筛查。这一现状给肿瘤的早期分子检测、疗效及预后评价、复发及转移监测和生物治疗等方面造成了一定的困难。
胃癌的发生、发展大多经历胃炎伴黏膜不典型增生、早期胃癌、进展期胃癌乃至转移的过程,是内外病因交互作用的结果。涉及了多基因及其表达蛋白产物的改变,而蛋白质改变为功能变化的最终形式,蛋白质动态分析更能反映疾病发生和发展。蛋白质组学的主要任务便是识别鉴定机体全部蛋白质,分析其功能及其模式,同时反映恶性肿瘤在疾病发生发展过程中细胞内部的遗传特性和当时环境的影响,以及直接在蛋白水平的表达分析。以往蛋白质组学研究主要依赖双向电泳技术(Two Dimensional Electrophoresis,2DE),检测的蛋白质数目比估计的细胞内总蛋白少,而一般的2DE能分辨1000~3000个蛋白质点,对细胞内低拷贝蛋白、极端酸性或碱性蛋白、分子量过大或过小蛋白、难溶蛋白(包括膜蛋白)等的电泳分离和检测仍面临很大困难。而蛋白芯片及其分析技术的出现,克服了2DE存在的内在问题,可直接从未预处理样品或微量样本中检测生物标志物--蛋白质质谱,为快速、简便、易行和高通量分析比较提供可能。
表面加强激光解吸电离-飞行时间质谱(Surface Enhanced LaserDesorption/Ionization-Time of Flight-Mass Spectrometry SELDI-TOF-MS)技术是最近几年才发展起来的一种新的蛋白质组学研究方法,其根本的原理是通过使用特异的探针表面俘获蛋白质来增强亲合力。SELDI蛋白质芯片技术的优势在于:1.可以分析2DE无法分析的蛋白质,包括疏水性蛋白质,等电点(pI)值过高或过低的蛋白质,以及低分子量(<25kD)的蛋白质;2.可分析未经处理的样品中许多被掩盖的低浓度蛋白质,增加了发现疾病标志物的机会;3.被测样品无需使用液相色谱或气相色谱预先纯化,故适用于分析组分复杂的生物样品;4.所需样品量少,检测耗时短,且实验重复性好。这些优势使SELDI蛋白质芯片技术特别适于筛选肿瘤标志物。蛋白质只要与SELDI蛋白质芯片结合,就可通过质谱仪按蛋白质质量、电荷比(m/z)的不同及量的多寡用位置、强弱不同的峰直观的表现出来,进而形成相应图谱,用于分析、判别。
发明内容
本发明目的在于提供一种检测胃癌预后与分期血清蛋白质的方法,具体通过以下步骤实现:
1.用表面加强激光解吸电离-飞行时间质谱(SELDI)仪测定胃癌患者与胃炎患者血清标本的蛋白质组图谱;
2.结合生物信息学方法筛选出相应的肿瘤标志物并建立检测模型进行分析检测。
本发明采用强阴离子交换表面(SAX)芯片检测胃癌的蛋白质质谱。
本发明采用支持向量机(Support Vector Machine SVM)结合留一法验证筛选肿瘤标志物并建立检测模型,进行判别分析。
检测胃癌的肿瘤标记物由6个蛋白质质荷比峰组成:3957m/z,4474m/z,4158m/z,8938m/z,3941m/z和4988m/z。
检测预后不良胃癌的肿瘤标记物由5个蛋白质质荷比峰组成:4474m/z,4542m/z,6443m/z,4988m/z和6685m/z。
检测进展期胃癌的肿瘤标记物由6个蛋白质质荷比峰组成:4474m/z,4060m/z,3957m/z,9446m/z,4988m/z和5075m/z。
本发明方法克服了以往蛋白质组学研究主要依赖双向电泳技术存在的内在问题,可直接从未预处理样品或微量样本中检测胃癌生物标志物--蛋白质质谱,直接在蛋白水平进行表达分析及高通量分析比较,为临床检测提供了快速、简便、易行的高效检测胃癌的血清蛋白质谱方法,可提高人群中筛选胃癌的效率,节约医疗成本。同时对于一些确诊胃癌的患者,该发明提供了一个鉴别预后差、分期晚的血清学方法,可用于指导患者治疗。同时该发明提供了一些标记物用于进一步研究。
附图说明
图1为检测胃癌与胃炎的6个蛋白质峰质荷比峰分布图。
图2为检测预后良好胃癌与预后不良胃癌的5个蛋白质峰质荷比峰分布图。
图3为检测I/II期胃癌与III/IV期胃癌的6个蛋白质峰质荷比峰分布图。
图4为胃癌血清蛋白指纹图模型与CEA的ROC比较。
具体实施方式
本发明结合附图和具体实施例作进一步说明,这些实例仅用于说明目的,而不用于限制本发明范围。
实施例一:本发明的检测方法
1、血清样本准备:
(1)所有血清样品在冰浴中解冻30-60分钟后离心5分钟,取10ul血清与20ul变性缓冲液U9(9M Urea,2% CHARPS,50mM Tris-HCl PH9)充分混匀,在冰浴中振荡30分钟;
(2)小心取出SAX芯片做好标记,装入生物芯片处理器,每孔加入200ulSAX结合缓冲液震荡2次预处理芯片;
(3)取其中10ul样品与110ul SAX结合缓冲液(50mM Tris-HCl pH 9)溶液中快速混匀,避免气泡产生,每孔加入处理好的血清样品100ul,4℃震荡60分钟;
(4)血清样品后每孔加入200ul SAX结合缓冲液,室温下震荡2次,再加入200ul去离子水清洗芯片2次;
(5)取出芯片,待微干后每孔加入0.5ul SPA,待微干后重复1次;
(6)上5机检测,用Ciphergen ProteinChip Software 3.2(美国Ciphergen)软件收集质谱信号。
2、质谱数据的收集:
(1)设定SELDI-TOF-MS的激光强度为170,灵敏度为6,收集数据的范围为1000~200000Da分子量蛋白质,收集位置从20~80,平均每点收集20次,收集总点数为140次;
(2)在收集每次实验数据前用all in one标准蛋白芯片(美国Ciphergen)校正分子量,以质控血清作重复性检测;
(3)所有原始数据先用Proteinchip Software 3.2做总离子强度及分子量的均一化;
(4)对质荷比位于2000~20000Da的峰值,用软件Biomarker Wizard做噪音过滤,设置初始的噪音过滤值为5,第二次的噪音过滤值为2,以10%为最小阈值进行聚类;
(5)得到初步筛选结果,对初步筛选出来的质荷比峰做胃癌组与非胃癌对照组的成组数据平均数比较u检验。
3、对获得的质谱数据采用生物信息学进行分析:
(1)用u检验p值最小的前10个峰作为候选标志物,这10个标志物共有574种组合,评估用这574种组合建立的574个SVM模型;
(2)采用留一法交叉检验法,每次取出一个样本,用余下样本作为训练集建立SVM诊断模型,用得到的SVM模型来测试取出的一个样本,所有样本均要测试,模型的准确率由测试结果来评估;
(3)选出测试的约登指数(约登指数=敏感性+特异性—1)最高的组合,作为建立模型的最终标志物。
实施例二
应用实施例一的方法对86例血清标本包括43例来自病理证实的胃癌患者及41例胃炎患者的血清蛋白质指纹图谱进行了检测分析。数据分析采用支持向量机(SVM)结合留一法验证完成。
1.胃癌与胃炎对照血清蛋白指纹图检测模型
为了寻找能鉴别胃癌和胃炎的潜在标志物,43例胃癌样本的蛋白表达质谱与41例胃炎的蛋白表达质谱相比较;聚类和峰值分析后选34个质荷比峰,进一步用SVM筛选出6个3957m/z,4474m/z,4158m/z,8938m/z,3941m/z和4988m/z质荷比峰(见表1),其中3957m/z是p值最小的标记物,且在胃炎中高表达(见图1,胃癌检测模型中质荷比为3957m/z(箭头标记)的标记物在胃炎患者中明显升高A为胃炎组,B为胃癌组,P<0.001)。用这6个标记物组成优化组合作为胃癌血清蛋白指纹图检测模型,其敏感性和特异性分别为95.4%和90.2%,而相应的CEA分别为34.9%(15/43)和95.1%(39/41),模型的ROC为0.934(95% CI,0.872-0.997;见图4A,为检测模型与CEA比较)。
表1 胃癌与胃炎对照血清蛋白指纹图检测模型
质荷比 | 胃炎 | 胃癌 | P值 |
3957 | 821.86 | 453.39 | 1.37E-05 |
4474 | 300.15 | 655.55 | 0.000673 |
4158 | 298.53 | 399.58 | 0.003739 |
8938 | 555.44 | 347.01 | 0.016475 |
3941 | 494.18 | 709.63 | 0.054361 |
4988 | 315.23 | 361.44 | 0.069284 |
2.预后良好胃癌与预后不良胃癌对照的血清蛋白指纹图预后模型
为了寻找能鉴别预后良好胃癌和预后不良胃癌的潜在标志物,20例预后良好胃癌的蛋白表达质谱与19例预后不良胃癌的蛋白表达质谱相比较;聚类和峰值分析后选50个质荷比峰,进一步用SVM筛选出5个4474m/z,4542m/z,6443m/z,4988m/z,6685m/z质荷比峰(见表2),其中4474m/z是判断预后不良胃癌最好的标记物(见图2,以预后良好胃癌对比,胃癌预后模型中质荷比为4474m/z(箭头标记)的标记物在预后不良胃癌患者中明显升高,A为预后不良胃癌组,B为预后良好胃癌组,P=0.04)。用这5个标记物组成优化组合作为胃癌预后判断血清蛋白指纹图预后模型,其敏感性和特异性分别为85%和84.2%,模型的ROC为0.861(95% CI,0.735-0.986;见图4B,为预后模型与CEA比较)。
表2 预后良好胃癌与预后不良胃癌对照的血清蛋白指纹图预后模型
质荷比 | 预后良好胃癌 | 预后不良胃癌 | P值 |
4474 | 516.53 | 1115.36 | 0.038907 |
4542 | 119.97 | 212.46 | 0.041643 |
6443 | 1793.32 | 2591.38 | 0.12569 |
4988 | 500.63 | 356.17 | 0.15592 |
6685 | 347.74 | 318.42 | 0.25514 |
3.I/II期胃癌与III/IV期胃癌对照的血清蛋白指纹图分期模型
为了寻找能鉴别胃癌早期(I/II期)和进展期胃癌(III/IV期)的潜在标志物,19个来源于I/II期胃癌的蛋白表达质谱与24个来源于III/IV期胃癌的蛋白表达质谱相比较;聚类和峰值分析后选36个质荷比峰,进一步用SVM筛选出6个4474m/z,4060m/z,3957m/z,9446m/z,4988m/z,5075m/z质荷比峰(见表3),其中4474m/z是最具有鉴别能力的标记物(见图3,在I/II胃癌患者对比,胃癌分期模型中质荷比为4474m/z(箭头标记)的标记物在III/IV期胃癌患者中明显升高,A为I/II期胃癌组,B为III/IV期胃癌组,P=0.01)。这6个标记物组成优化组合作为胃癌血清蛋白指纹图分期模型,其敏感性和特异性分别为79.2%和78.9%,模型的ROC为0.732(95% CI,0.576-0.889;见图4C,分期模型与CEA比较)。
表3 I/II期胃癌与III/IV期胃癌对照的血清蛋白指纹图分期模型
质荷比 | I/II期胃癌 | III/IV期胃癌 | P值 |
4474 | 572.20 | 950.12 | 0.009878 |
4060 | 364.79 | 293.63 | 0.089191 |
3957 | 628.11 | 485.04 | 0.1147 |
9446 | 608.82 | 413.26 | 0.12044 |
4988 | 510.16 | 373.23 | 0.12639 |
5075 | 486.01 | 353.75 | 0.13257 |
Claims (4)
1.一种检测胃癌预后与分期血清蛋白质的方法,通过以下步骤实现:
(1)用表面加强激光解吸电离-飞行时间质谱仪测定胃癌患者与胃炎患者血清标本的蛋白质组图谱,采用强阴离子交换表面芯片检测胃癌的蛋白质质谱;
(2)结合生物信息学方法筛选出相应的肿瘤标志物并建立检测模型进行分析检测,采用支持向量机结合留一法验证筛选肿瘤标志物并建立检测蛋白质指纹图谱模型,进行判别分析,
检测胃癌的肿瘤标记物由6个蛋白质质荷比峰组成:3957m/z,4474m/z,4158m/z,8938m/z,3941m/z和4988m/z,
检测预后不良胃癌的肿瘤标记物由5个蛋白质质荷比峰组成:4474m/z,4542m/z,6443m/z,4988m/z和6685m/z,
检测进展期胃癌的肿瘤标记物由6个蛋白质质荷比峰组成:4474m/z,4060m/z,3957m/z,9446m/z,4988m/z和5075m/z。
2.根据权利要求1所述的一种检测胃癌预后与分期血清蛋白质的方法在检测胃癌的血清蛋白质中应用。
3.根据权利要求1所述的一种检测胃癌预后与分期血清蛋白质的方法在检测预后不良胃癌的血清蛋白质中应用。
4.根据权利要求1所述的一种检测胃癌预后与分期血清蛋白质的方法在检测进展期胃癌的血清蛋白质中应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101635158A CN101451975B (zh) | 2008-12-29 | 2008-12-29 | 一种检测胃癌预后与分期血清蛋白质的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101635158A CN101451975B (zh) | 2008-12-29 | 2008-12-29 | 一种检测胃癌预后与分期血清蛋白质的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101451975A true CN101451975A (zh) | 2009-06-10 |
CN101451975B CN101451975B (zh) | 2012-01-25 |
Family
ID=40734336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101635158A Expired - Fee Related CN101451975B (zh) | 2008-12-29 | 2008-12-29 | 一种检测胃癌预后与分期血清蛋白质的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101451975B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950380A (zh) * | 2017-03-02 | 2017-07-14 | 先思达(南京)生物科技有限公司 | 一种胃癌监测试剂盒及其使用方法 |
CN107844804A (zh) * | 2017-11-10 | 2018-03-27 | 上海杉达学院 | 一种肌纹理磁共振图像的计算方法及基于其的数据建模方法 |
CN113450873A (zh) * | 2021-05-14 | 2021-09-28 | 山东大学 | 一种预测胃癌预后和免疫治疗适用性的标志物及其应用 |
CN114354933A (zh) * | 2021-12-28 | 2022-04-15 | 复旦大学 | 一种胃癌筛查血清生物标志物群及其应用 |
US11320436B2 (en) | 2020-07-16 | 2022-05-03 | Immunovia Ab | Methods, arrays and uses thereof |
CN114778815A (zh) * | 2022-03-29 | 2022-07-22 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 用于预测胃癌预后的标志物组 |
US11525832B2 (en) | 2007-03-27 | 2022-12-13 | Immunovia Ab | Protein signature/markers for the detection of adenocarcinoma |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10225144A1 (de) * | 2002-05-29 | 2003-12-18 | Immatics Biotechnologies Gmbh | An MHC-Moleküle bindende Tumor-assoziierte Peptide |
CN1595139A (zh) * | 2003-09-11 | 2005-03-16 | 北京赛尔迪科技开发有限公司 | 用蛋白指纹法检测胃癌细胞在血液中蛋白指纹的用途 |
JP4887505B2 (ja) * | 2005-04-18 | 2012-02-29 | 国立大学法人浜松医科大学 | 癌の転移性及び浸潤能の検査方法 |
CN1707258A (zh) * | 2005-05-25 | 2005-12-14 | 浙江大学医学院附属第二医院 | 一种从血清中早期检测胃癌的方法 |
JP2007215412A (ja) * | 2006-02-14 | 2007-08-30 | Shizuoka Prefecture | 悪性転移性胃癌の判定方法 |
DE102006035618A1 (de) * | 2006-07-31 | 2008-02-07 | Curevac Gmbh | Nukleinsäure der Formel (I): GlXmGn, insbesondere als immunstimulierendes Adjuvanz |
CN101191795A (zh) * | 2006-11-27 | 2008-06-04 | 许洋 | 免疫组质谱检测消化系统肿瘤生物标志群的试剂盒和方法 |
CN101329348A (zh) * | 2007-06-18 | 2008-12-24 | 许洋 | 检测胃癌特征蛋白的优化质谱模型及其制备方法和应用 |
-
2008
- 2008-12-29 CN CN2008101635158A patent/CN101451975B/zh not_active Expired - Fee Related
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11525832B2 (en) | 2007-03-27 | 2022-12-13 | Immunovia Ab | Protein signature/markers for the detection of adenocarcinoma |
CN106950380A (zh) * | 2017-03-02 | 2017-07-14 | 先思达(南京)生物科技有限公司 | 一种胃癌监测试剂盒及其使用方法 |
CN106950380B (zh) * | 2017-03-02 | 2019-01-11 | 江苏先思达生物科技有限公司 | 一种胃癌监测试剂盒及其使用方法 |
CN107844804A (zh) * | 2017-11-10 | 2018-03-27 | 上海杉达学院 | 一种肌纹理磁共振图像的计算方法及基于其的数据建模方法 |
US11320436B2 (en) | 2020-07-16 | 2022-05-03 | Immunovia Ab | Methods, arrays and uses thereof |
CN113450873A (zh) * | 2021-05-14 | 2021-09-28 | 山东大学 | 一种预测胃癌预后和免疫治疗适用性的标志物及其应用 |
CN114354933A (zh) * | 2021-12-28 | 2022-04-15 | 复旦大学 | 一种胃癌筛查血清生物标志物群及其应用 |
CN114778815A (zh) * | 2022-03-29 | 2022-07-22 | 中山大学肿瘤防治中心(中山大学附属肿瘤医院、中山大学肿瘤研究所) | 用于预测胃癌预后的标志物组 |
Also Published As
Publication number | Publication date |
---|---|
CN101451975B (zh) | 2012-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101451975B (zh) | 一种检测胃癌预后与分期血清蛋白质的方法 | |
CN105277718A (zh) | 用于恶性肿瘤相关筛查及评估的产品、应用及方法 | |
CN114414704B (zh) | 评估甲状腺结节恶性程度或概率的系统、模型及试剂盒 | |
CN101210929A (zh) | 检测子宫内膜异位症血浆标志蛋白质的方法 | |
CN104007169A (zh) | 一种胃癌的唾液蛋白诊断模型及其建立方法 | |
Shevchenko et al. | Detection of lung cancer using plasma protein profiling by matrix-assisted laser desorption/ionization mass spectrometry | |
CN109470859A (zh) | 一种外泌体蛋白作为鉴别肺结节良恶性标志物及其应用 | |
CN101424661B (zh) | 一种活动性肺结核病的血清诊断模型的建立方法 | |
CN105092627B (zh) | 用于检测胃癌相关代谢小分子的核磁共振模型及制备方法 | |
CN1707258A (zh) | 一种从血清中早期检测胃癌的方法 | |
CN101354379B (zh) | 用质谱检测多发性骨髓瘤特征蛋白的试剂 | |
CA2536213A1 (en) | Method for diagnosing head and neck squamous cell carcinoma | |
US9640375B2 (en) | Method for crystallizing low mass ions for diagnosing colorectal cancer and method for diagnosing colorectal cancer using same | |
Song et al. | MALDI‐TOF‐MS analysis in low molecular weight serum peptidome biomarkers for NSCLC | |
CN105116000B (zh) | 用于检测胃癌相关代谢小分子的核磁共振模型及制备方法 | |
CN101329348A (zh) | 检测胃癌特征蛋白的优化质谱模型及其制备方法和应用 | |
CN101363838A (zh) | 一种血清肿瘤标志物的检测方法 | |
CN101685080A (zh) | 一种生物样品中蛋白质组的分析方法 | |
CN101363837A (zh) | 一种胰腺癌化疗药疗效评价方法 | |
CN114814224A (zh) | 乳头溢液中的Hsp90α在乳腺癌中的应用 | |
CN101329347A (zh) | 检测肾癌特征蛋白的优化质谱模型及其制备方法和应用 | |
CN112630432A (zh) | Flna、fbln1、tsp-1作为标志物在制备石棉相关疾病检测试剂盒中的应用 | |
CN102435665A (zh) | 胰腺癌早期诊断的血清肿瘤标志物、检测方法和诊断模型 | |
CN101329350A (zh) | 检测鼻咽癌特征蛋白的优化质谱模型及其制备方法和应用 | |
CN104007217A (zh) | 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120125 Termination date: 20171229 |
|
CF01 | Termination of patent right due to non-payment of annual fee |