CN102472756A - 用于预测与炎症相关的器官衰竭发作的可能性的方法 - Google Patents
用于预测与炎症相关的器官衰竭发作的可能性的方法 Download PDFInfo
- Publication number
- CN102472756A CN102472756A CN2010800341097A CN201080034109A CN102472756A CN 102472756 A CN102472756 A CN 102472756A CN 2010800341097 A CN2010800341097 A CN 2010800341097A CN 201080034109 A CN201080034109 A CN 201080034109A CN 102472756 A CN102472756 A CN 102472756A
- Authority
- CN
- China
- Prior art keywords
- organ failure
- metabolin
- cer
- acid
- acyl residue
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/26—Infectious diseases, e.g. generalised sepsis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10T—TECHNICAL SUBJECTS COVERED BY FORMER US CLASSIFICATION
- Y10T436/00—Chemistry: analytical and immunological testing
- Y10T436/17—Nitrogen containing
- Y10T436/173845—Amine and quaternary ammonium
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Immunology (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Cell Biology (AREA)
- Microbiology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及用于在体外从哺乳动物对象的生物样品预测与炎症相关的器官衰竭发作的可能性的可靠和统计学显著的方法,所述方法利用对象的包含多种内源代谢物的定量代谢物组学情况,并将其与多种内源器官衰竭预测性靶代谢物的定量参比代谢物组学情况进行比较,以便预测对象是否可能或不可能发生器官衰竭。此外,本发明涉及内源器官衰竭预测性靶代谢物在这样的方法中的有效性。
Description
本发明涉及权利要求1的用于在体外从哺乳动物对象的生物样品预测与炎症或感染相关的器官衰竭发作的可能性的方法。
本发明总的来说涉及将用于器官衰竭的生物标志物作为工具,在临床诊断中用于器官衰竭的早期检测、疗法监测以及基于同样生物标志物的方法。
发明背景
据估计,每年在美国有200000人发生器官衰竭(OF),其中有60%死亡。由于器官衰竭可能由感染引起,并且部分由于免疫抑制性癌症和移植患者数量的增加而在医院中观察到更多病例,因此数量越来越多的医院患者处于风险之中。
医院中多器官功能障碍综合征(MODS)的死亡率约为50%。MODS的主要致病因素仍然是重度感染、大手术、外伤和重症胰腺炎(ZhangSW,Wang C,Yin CH,Wang H,Wang BE,Zhongguo Wei Zhong Bing JiJiu Yi Xue.2004,16,328-32.用于多器官功能障碍综合征的诊断判据以及疾病严重性评分系统的多中心临床研究(Multi-center clinical studyon the diagnostic criteria for multiple organ dysfunction syndrome withillness severity score system))。
到目前为止,OF和MODS的诊断依赖于临床判据和评分例如Atlanta判据和脓毒症相关的器官衰竭评估(SOFA)评分,以及依赖于使用少数不可靠的蛋白标志物。例如,在约25%患有急性胰腺炎的患者中发生伴有系统性器官功能障碍的重症急性胰腺炎。生物化学参数限于几种蛋白标志物,例如降钙素原(PCT)、C反应蛋白(CRP)和白介素(Beger HG,Rau BM,重症急性胰腺炎:临床过程和管理(Severeacute pancreatitis:Clinical course and management),World JGastroenterol.2007,13,5043-51)。通过使用血浆白介素10和血清钙测量值的组合来预测急性胰腺炎中的器官衰竭(通过组合标志物在患有急性胰腺炎的患者中早期预测器官衰竭(Early Prediction of OrganFailure bv Combined Markers in Patients With Acute Pancreatitis),Mentula P,M-L,Kemppainen E,Br J Surg,92,68-75,2005)。在外伤患者中,使用白介素6和白介素10进行多OF预测(Lausevic Z,Lausevic M,Trbojevic-Stankovic J,Krstic S,Stojimirovic,在患有严重外伤的患者中预测多器官衰竭(Predicting multiple organ failure in patientswith severe trauma),B Can J Surg.2008,51,97-102)。
重症脓毒症也包括OF,并在一种或多种重要器官受损时发生。它能够引起脓毒性休克,其特征为对标准治疗无应答的低血压、重要器官的问题和缺氧。约一半患有脓毒性休克的患者死亡。
然而,初期OF的早期诊断是困难的,这是因为它的临床征兆类似于其他病症。系统性炎性应答期间宿主应答的复杂性,使理解疾病发病机理的尝试难以进行(综述在Healy,Annul.Pharmacother.36:648-54(2002)中)。然而,早期诊断对于挽救更多生命来说是关键的,但是目前可用的诊断方法不能指示初期器官衰竭。因此,一些实验室开始提供更快速的OF标志物测试以加速诊断。
除了紧急护理药物疗法例如抗生素疗法和对症疗法之外,器官衰竭的治疗仍限于预防措施和对症支持策略。
目前临床上常用的诊断限于a)临床信息,和b)使用在下面的定义中概括的基本生物化学临床参数或者非特异性生物标志物例如具有低灵敏度和特异性的C反应蛋白(CRP)或降钙素原(PCT)(CriticalCare Medicine 2006;34:1996-2003,Archives of Surgery 2007;142:134-142)。
脓毒症被定义为包含系统性炎性反应综合症(SIRS)和由病原体引起的感染。
当存在两种或以上下述临床发现时,考虑存在系统性炎性反应综合症(SIRS):
1.体温>38℃或<36℃;
2.心率>90min-1;
3.过度换气,表现为呼吸率>20min-1或PaCO2<32mm Hg;以及
4.白细胞计数>12,000个细胞μL-1或<4,000个细胞μL-1。
内源器官衰竭预测性靶代谢物的定量代谢物组学情况可以与任何上述经典临床实验室参数相组合。
器官衰竭包括同时存在系统性炎性反应综合症(SIRS)和感染。
脓毒症(通常被称为“血流感染”)是指在血液(败血症)或其他身体组织中存在细菌(菌血症)或其他感染性生物体或其毒素并存在宿主的免疫应答。由脓毒症引起的器官衰竭目前被认为是始于宿主应答与体内存在的微生物和/或其毒素之间的相互作用。观察到的宿主应答包括免疫、凝结、前炎性和抗炎性应答。因此,脓毒性器官衰竭包含对感染的系统性应答,其被定义为体温过低或体温过高、心动过速、呼吸急促、临床明显的感染焦点或血液培养物阳性、一个或多个末梢器官功能障碍或灌注不足、脑功能障碍、低血氧症、血浆乳酸增加或无法解释的代谢性酸中毒以及尿过少。
尽管通常与感染相关,但它也可以与非感染性损伤例如外伤、烧伤和胰腺炎相关。它是成年人呼吸窘迫综合症的最常见原因之一。
术语脓毒症的精确定义由ACCP/SCCM共识大会委员会(ACCP/SCCM Consensus Conference Committee)于1992年引入:脓毒症的定义和在脓毒症中使用创新疗法的指导方针(Definition forsepsis and guidelines for the use of innovative therapies in sepsis),CritCare Med.20(6):864-874。2001年的国际器官衰竭定义大会(International Organ Failure Definitions Conference)试图改进上述定义以帮助增加脓毒症诊断的准确性(Levy M,Fink M,Mitchell P,MarshallJC,Abraham E等,国际脓毒症定义大会(the International SepsisDefinitions Conference),2001SCCM/ESICM/ACCP/ATS/SIS)。报告建议,尽管SIRS的概念是有效的,但将来如果得到其他流行病学数据的支持,可能可以使用纯粹的生物化学和/或免疫学而不是临床判据来鉴定炎性反应。它也将感染定义为由微生物诱导的病理过程,并且器官衰竭应该被定义为被证实或怀疑患有“感染”并表现出一些下列变量的患者:
1.通用变量
○ 发烧(核心温度>38.3℃)
○ 体温过低(核心温度<36℃)
○ 心率>90min-1或超过年龄正常值>2SD
○ 呼吸急促
○ 精神状态改变
○ 显著水肿或液体正平衡(在24小时内>20mL/kg)
○ 在无糖尿病情况下高血糖(血浆葡萄糖>7.7mmol/L)
2.炎性变量
○ 白细胞增多-WBC计数>12,000μL-1
○ 白细胞减少-WBC计数<4000μL-1
○ 正常WBC计数具有>10%的不成熟形式
○ 血浆C反应蛋白超过正常值>2SD
○ 血浆降钙素原超过正常值>2SD
3.血流动力学变量
○ 低动脉压(SBP<90mmHg,MAP<70mmHg,或在成年人中SBP降低>40mmHg)
○ SvO2a>70%
○ 心脏指数>3.5Lmin-1M-2
4.器官功能障碍变量
○ 动脉血氧过低(PaO2/FIO2<300)
○ 急性尿过少(至少2小时尿输出<0.5mLkg-1hr-1)
○ 肌酸酐增加>0.5mg/dL
○ 凝结异常(INR>1.5或aPTT>60秒)
○ 肠梗阻(无肠鸣音)
○ 血小板减少(血小板计数<100μL)
○ 血胆红素过多(血浆总胆红素>4mg/dL或70mmol/L)
5.组织灌注变量
○ 血液乳酸过高(>1mmol/L)
○ 毛细血管再充盈降低或花斑
(WBC,白细胞;SBP,收缩压;MAP,平均动脉血压;SvO2,混合静脉血氧饱和度;INR,国际标准化比值;aPTT;活化部分凝血激酶时间;心动过速(在体温过低患者中可能不出现),以及至少一种下列器官功能变化的迹象:精神状态改变、血氧过低、血清乳酸水平增加。
重症脓毒症的定义保持未变,是指并发有器官功能障碍的脓毒症。器官功能障碍使用多器官功能障碍评分(Marshall JC,Cook DJ,ChristouNV等,多器官功能障碍评分:复杂临床结果的可靠描述法(Multipleorgan dysfunction score:A reliable descriptor of a complex clinicaloutcome),Crit Care Med 1995;23:1638-1652)或用于顺序器官衰竭评估(SOFA)评分的定义(Ferreira FL,Bota DP,Bross A等,SOFA评分的连续评估用于在重病患者中预测结果(Serial evaluation of theSOFA score to predict outcome in critically ill patients),JAMA 2002;286:1754-1758)来定义。成年人中的脓毒性休克是指以不能用其他原因解释的持续性动脉压过低为特征的急性循环衰竭状态。血压过低被定义为在不存在其他低血压原因的情况下,尽管具有足够的容量复苏,但动脉收缩压低于90mm Hg,MAP<70mmHg,或动脉收缩压从基线值的降低>40mm Hg。
与器官衰竭、重症脓毒症和脓毒性休克相关的死亡率相当高,据报道分别为25~30%和40~70%(Bernard GR,Vincent JL,Laterre PF等,重组人类活化蛋白C对重症脓毒症的效能和安全性(Efficacy andsafety of recombinant human activated protein C for severe sepsis),NEngl J Med 2001;344:699-709;Annane D,Aegerter P,Jars-GuincestreMC,Guidet B.,脓毒性休克的当前流行病学:CUB-Rea网络(Currentepidemiology of septic shock:the CUB-Rea Network),Am J Respir CritCare Med 2003;168:165-72)。
在学术界中出现了大量其他预后方法,下面显示了从中选择的一些。然而,所有这些方法都未致力于预测与炎症相关的器官衰竭发作的可能性的问题:
Xu等,J.Infection(2008)56,471-481描述了通过使用亚麻酸、亚油酸、油酸、硬脂酸、二十二碳六烯酸和二十二碳五烯酸作为生物标志物来区别幸存(surving)、非幸存(non-surving)和模拟手术动物组,在大鼠中对实验脓毒症进行早期预后评估的代谢物组学方法。在该论文中没有提到器官衰竭,更不用说阐述具体公开的生物标志物。
Bradford等,Toxicology and Applied Pharmacology 232(2008),236-243描述了在小鼠中使用氨基酸进行的用于肝损伤的改良的醇液体饮食模型的代谢物组学情况分析。然而,没有提到与炎症相关的器官衰竭的预测。
US 2009/0104596A1公开了通过测量生物标志物情况来诊断恶病质疾病状态的方法和试剂盒。所涉及的生物标志物是来自能量代谢的已知生物标志物,即乳酸、柠檬酸、甲酸、乙酰乙酸、3-羟基丁酸和一些氨基酸。没有提到任何类型的器官衰竭。
Freund等,Ann.Surg.(1979),190,571-576公开了使用血浆氨基酸模式作为脓毒症严重性和结果的预测物在脓毒性脑病和非脑病之间进行区别,其中患者脑病的程度被当作脓毒性过程的严重性的表示。此外,该文献在脓毒症的存活者与未存活者之间进行区别。没有提到器官衰竭的预测物。
Munoz等,Transplantation Proceedings(1993),25,1779-1782公开了血清氨基酸作为常位肝移植后肝移植物功能状态的指示物。
此外,WO 2006/071583A2涉及用于确定SIRS中的治疗方案的方法和组合物。尽管提到了多器官功能障碍综合征(MODS),但该文献没有提供哪些生物标志物可用于诊断MODS,更不用说哪些生物标志物可用于预测与炎症相关的器官衰竭发作的可能性的信息。
Moyer等,The Journal ofTrauma(1981),21,862-869公开了在外伤-脓毒状态中利用氨基酸模式作为死亡预测因子,然而,没有提到用于与炎症相关的器官衰竭发作的可能性的预测因子。
最后,在Fekkes,D.,Journal of Chromatography B(1996),682,3-22中描述了生理学样品中氨基酸的HPLC分析的背景信息,在Pramanik等,Analyt.Biochem.(1989),176,269-277中公开了通过热喷雾LC/MS鉴定苯硫基氨甲酰基氨基酸用于组成分析。
尽管在重症脓毒症和脓毒性休克的管理中取得一些进展,但关于目前使用的定义的效用和诊断中通常遇到的延迟,仍存在问题。器官衰竭的可靠诊断仍然是一个挑战。
对于诊断来说,在患病对象中病原体或来自这些病原体的核酸的鉴定远远称不上可靠、有效或充分,更不用说它们的定量,大量科学证据支持根据真实反映了对象的个体临床状态的宿主分子应答和免疫应答进行诊断,而不管其下隐藏的病原体、这些生物体的相应片段的本质或数量。
在经典的患者筛查和诊断中,医学专业人员使用大量诊断工具来诊断患有某种疾病的患者。在这些工具中,测量例如血样中的一系列单一常规参数,是常用的实验室诊断手段。这些单一参数包含例如酶活性和酶浓度和/或检测。
对于这类所关注的可以容易并明确地与通过临床化学获得的单一参数或几种参数相关联的疾病来说,这些参数被证明是现代实验室医学和诊断中不可或缺的工具。然而,在缺乏可明确指派的单一参数或标志物的病理生理状态例如癌症或脱髓鞘疾病例如多发性硬化症中,从血液或组织样品进行差异诊断目前是困难或不可能的。
尽管目前已探索了从血细胞基于RNA来诊断器官衰竭,但这些方法受到几种严重限制的困扰:
所需的通常几毫升血液的样品量对于重病对象的连续监测来说是困难的;使用转录本扩增的可选方案是冗长并易于出错的。整个程序需要花费大量步骤,并且由于繁琐的样品制备和RNA分离,转录和阵列或PCR分析仍花费至少几个小时和大量技术努力。
因此,目前使用的诊断方法需要时间和具有高成本和常常不令人满意的灵敏度的适合设备。然而,这种所使用的诊断手段的主要限制是曲线下面积(AUC)减小和/或诊断延迟或由于设备所需导致的成本增加。因此,这些程序不允许对急性和快速演变的疾病做出及时评估,并且总体形势远远不能令人满意并提供重症脓毒症和器官衰竭的快速可靠的诊断。
因此,对于理想情况下只需少量血液的器官衰竭或提供非特异性临床症状的任何其他健康状况的早期、快速和可靠诊断,仍存在迫切需求;存在着对器官衰竭的即时治疗和早期诊断的迫切需求,以及对疗法监测的迫切需求。此外,对于能够进行早期和可靠诊断的早期器官衰竭生物标志物,存在迫切需求。
这些需求通过权利要求1的用于体外预测器官衰竭发作可能性的方法得到满足可。具体来说,基于在该背景下应用新的技术并基于作为诊断标志物的内源代谢物的未知名单,本发明为这些难题提供了解决方案。由于生物流体和组织中的代谢物浓度差异提供了与各种表型响应的联系,因此代谢物是适合的生物标志物候选物。
通过在单一时间点从生物样品获取多种内源代谢生物标志物(代谢物)的测量值,本发明允许准确、快速和灵敏地预测和诊断OF。这通过在单一时间点从个体、特别是有发生OF的风险、患有OF或怀疑患有OF的个体获得生物标志物评估组,并将来自个体的生物标志物情况与参比生物标志物值或评分值进行比较来实现。参比生物标志物值可以从例如患有OF或正经历OF发作或OF进程中的特定阶段的个体群体(“参比群体”)获得。如果来自个体的生物标志物评估组值或评分值包含来自参比群体的生物标志物值或评分值的特征性特点,那么个体被诊断为具有更可能发生OF的机会,正患有OF或正处于与参比群体相同的OF进程中的特定阶段。
因此,本发明尤其提供了在个体中预测OF发作可能性的方法。方法包含在单一时间点从个体获得生物标志物评分值,并将个体的生物标志物情况与参比生物标志物情况进行比较。生物标志物情况的比较能够优选以至少约90%的精确度预测个体中OF的发作。这种方法可以在OF发作前的任何时间再次重复。
本发明还提供了在个体中确定脓毒症朝向OF的进展(即阶段)的方法。该方法包含在单一时间点从个体获得生物标志物情况,并将个体的生物标志物情况与参比生物标志物评分值进行比较。生物标志物评分值的比较可以优选以至少约90%的精确度确定个体中脓毒症的进展。这种方法也可以在任何时间在个体上重复。
此外,本发明提供了在患有或怀疑患有OF的个体中诊断OF的方法。所述方法包含在单一时间点从个体获得生物标志物评分值,并将个体的生物标志物评分值与参比生物标志物评分值进行比较。生物标志物情况的比较能够以至少约90%的精确度在个体中诊断OF。该方法也可以在任何时间在个体上重复。
在另一个实施方案中,本发明提供了尤其是在个体中确定OF状态或诊断OF的方法,所述方法包含使用决策规则。决策规则包含将(i)在单一时间点从个体获取的生物样品产生的生物标志物评分值与(ii)从参比群体产生的生物标志物评分值进行比较。决策规则的使用在个体中确定脓毒症的状态或诊断OF。方法可以在一个或多个分开的单一时间点在个体上重复。
本发明还提供了尤其是在个体中确定OF状态或诊断OF的方法,所述方法包含从取自个体的生物样品获得生物标志物评分值,并将个体的生物标志物评分值与参比生物标志物评分值进行比较。单个这样的比较能够将个体分类为从属于参比群体。生物标志物评分值的比较在个体中确定OF的状态或诊断OF。
在另一个实施方案中,本发明提供了尤其是在个体中确定OF的状态或诊断OF的方法。所述方法包含对生物标志物评估组之间的至少一个生物标志物的可测量特征进行比较,或将从来自个体的生物样品获得的由该评估组的(处理或未处理过的)值构成的生物标志物评分值,与从来自参比群体的生物样品获得的生物标志物评分值进行比较。基于这种比较,将个体分类为属于或不属于参比群体。因此,这种比较在个体中确定OF的可能性或诊断OF。在一个实施方案中,生物标志物选自在表1至3任一个中显示的生物标志物。
本发明提供了用于预测器官衰竭的方法,其在临床上清楚地与诊断脓毒症、SIRS等的方法相区分。这样的方法包含下列步骤:分析来自对象的生物样品以测定样品中用于器官衰竭的多种生物标志物的水平,其中多种生物标志物选自表1,以及将多种生物标志物的水平——相应地为通过将样品中单独生物标志物的浓度应用于分类方法所产生的合成值/评分值,例如提供方程加工过的单一浓度值——进行比较,以获得两个(患病和健康)组之间的分离,或者将样品中多种生物标志物的水平与多种生物标志物的器官衰竭阳性或器官衰竭阴性参比水平进行比较,以便在非常早的状态下确定对象是否正发生器官衰竭,从而可以启动适合的治疗措施。
本发明提供了上述难题的解决方案,并总的来说涉及代谢物组学数据的使用,所述代谢物组学数据的产生通过使用包括不限于质谱术(MS)、特别是诸如MALDI、ESI、大气压化学电离(APCI)的MS技术和其他方法对内源代谢物进行定量,使用MS技术或与分离技术(LC-MS、GC-MS、CE-MS)偶联的可选方法来测定代谢物浓度,随后进行特征选择和/或将特征组合成包括至少两种分子的分子数据的分类器。
由此测量了个体标志物、被分析物、代谢物的浓度,并与参比值进行比较,或者将数据组合并加工成评分值、分类器并与参比值进行比较,由此以与已知程序、临床参数和生物标志物相比更优越的灵敏度和特异性指示患病状态等。
本技术领域的专业人员将会理解,对于某些代谢物的定量来说,也可以使用化学修饰过的代谢物。例如,沿用已久的一种技术是使用氨基酸的苯异硫氰酸酯进行更灵敏(灵敏度增加高达100倍)和更精确的定量,因为人们在MS-技术之前在所使用的柱材料上获得了更好的分离。
此外,在某些实施方案中,本发明提供了诊断器官衰竭和/或持续时间/严重性的方法,所述方法包含:在来自对象的样品(例如组织(例如活检)样品、血样、血清样品或尿样品)中检测多种器官衰竭特异性代谢物(例如在多路或评估组格式中一起测量2种以上、3种以上、5种以上、10种以上等)的存在或不存在;以及根据器官衰竭特异性代谢物的存在来诊断器官衰竭。
本发明还提供了筛选化合物的方法,所述方法包含:将含有器官衰竭特异性代谢物的动物、组织、细胞与测试化合物相接触;以及检测器官衰竭特异性代谢物的水平。在一些实施方案中,方法还包含将存在测试化合物或治疗性干预情况下器官衰竭特异性代谢物的水平,与不存在器官衰竭特异性代谢物的情况下器官衰竭特异性代谢物的水平进行比较的步骤。在一些实施方案中,细胞是体内的、在非人类哺乳动物中或离体的。在一些实施方案中,测试化合物是小分子或核酸(例如反义核酸、siRNA或miRNA)或氧/氙或抑制参与器官衰竭特异性代谢物的合成或分解的酶的表达的任何神经保护性药物。在一些实施方案中,器官衰竭特异性代谢物组提供在表2和3中。在一些实施方案中,方法是高通量方法。
具体来说,本发明涉及:
一种用于在体外从哺乳动物对象的生物样品预测与炎症相关的器官衰竭发作的可能性的方法,其中
a.利用定量代谢物组学分析,检测样品中对象的包含多种内源代谢物的定量代谢物组学情况,并且
b.将对象样品的定量代谢物组学情况与多种内源器官衰竭预测性靶代谢物的定量参比代谢物组学情况进行比较,以便预测对象是否可能或不可能发生器官衰竭;并且
c.其中所述内源器官衰竭预测性靶代谢物具有小于1500Da的分子质量,并且选自:
氨基酸,特别是精氨酸、天冬氨酸、瓜氨酸、谷氨酸、谷氨酰胺、亮氨酸、异亮氨酸、组氨酸、鸟氨酸、脯氨酸、苯丙氨酸、丝氨酸、色氨酸、酪氨酸、缬氨酸、犬尿氨酸;
苯硫基氨甲酰基氨基酸(PTC-氨基酸),特别是PCT-精氨酸、PTC-谷氨酰胺、PTC-组氨酸、PTC-甲硫氨酸、PTC-鸟氨酸、PTC-苯丙氨酸、PTC-脯氨酸、PTC-丝氨酸、PTC-色氨酸、PTC-酪氨酸、PTC-缬氨酸;
二甲基精氨酸,特别是N,N-二甲基-L-精氨酸;
羧酸,即15(S)-羟基-5Z,8Z,11Z,13E-二十碳四烯酸[(5Z,8Z,11Z,13E,15S)-15-羟基二十碳-5,8,11,13-四烯酸]、琥珀酸;
具有N-酰基残基的神经酰胺类,其在酰基残基中具有2至30个碳原子并具有0至5个双键和具有0至5个羟基;
肉毒碱类;在酰基残基中具有1至20个碳原子的酰基肉毒碱;在酰基残基中具有3至20个碳原子并且在酰基残基中具有1至4个双键的酰基肉毒碱;在酰基残基中具有1至20个碳原子并且在酰基残基中具有1至3个OH基的酰基肉毒碱;在酰基残基中具有3至20个碳原子并在酰基残基中具有1至4个双键和1至3个OH基的酰基肉毒碱;
磷脂类,特别是
在酰基残基中具有1至30个碳原子的溶血磷脂酰胆碱(单酰基磷脂酰胆碱);在酰基残基中具有3至30个碳原子并在酰基残基中具有1至6个双键的溶血磷脂酰胆碱;
在酰基残基中具有总共1至50个碳原子的磷脂酰胆碱(二酰基磷脂酰胆碱);在酰基残基中具有总共3至50个碳原子并在酰基残基中具有总共1至8个双键的磷脂酰胆碱;
鞘脂类,特别是在酰基链中总碳原子数为10至30的神经鞘磷脂;在酰基链中总碳原子数为10至30并具有1至5个双键的神经鞘磷脂;在酰基残基中总碳原子数为10至30的羟基神经鞘磷脂;在酰基残基中总碳原子数为10至30并具有1至5个双键的羟基神经鞘磷脂;
前列腺素类,即6-酮基-前列腺素F1α、前列腺素D2、血栓烷B2;
腐胺;
氧甾醇类,即22-R-羟基胆甾醇、24-S-羟基胆甾醇、25-羟基胆甾醇、27-羟基胆甾醇、20α-羟基胆甾醇、22-S-羟基胆甾醇、24,25-环氧胆甾醇、3β,5α,6β-三羟基胆甾醇、7α-羟基胆甾醇、7-酮基胆甾醇、5β,6β-环氧胆甾醇、5α,6α-环氧胆甾醇、4β-羟基胆甾醇、链甾醇(维生素D3)、7-脱氢胆甾醇、胆甾烯酮、羊毛甾醇、24-脱氢羊毛甾醇;
胆汁酸类,即胆酸、鹅去氧胆酸、去氧胆酸、甘胆酸、甘鹅去氧胆酸、甘去氧胆酸、甘石胆酸、甘石胆酸硫酸盐、甘熊去氧胆酸、石胆酸、牛黄胆酸、牛黄鹅去氧胆酸、牛黄去氧胆酸、牛黄石胆酸、牛黄石胆酸硫酸盐、牛黄熊去氧胆酸、熊去氧胆酸;
生物胺类,即组胺、5-羟色胺、棕榈酰乙醇胺。
根据本发明,术语“与炎症相关的器官衰竭”包含“与感染相关的器官衰竭”和/或“与脓毒症相关的器官衰竭”。
在优选方法中,生物样品选自粪便;体液,特别是血液、液体、脑脊液、尿、腹水、精液、唾液、穿刺液、细胞内含物、组织样品特别是肝活检材料;或其混合物。
有利情况下,在本发明方法的优选实施方案中,所述定量代谢物组学情况通过定量代谢物组学情况分析方法来获得,所述分析方法包含通过质谱术(MS)、特别是通过高通量质谱术、优选通过诸如基质辅助激光解吸/电离(MALDI)、电喷雾电离(ESI)、大气压化学电离(APCI)的MS技术,任选与MS偶联的1H-、13C-和/或31P-核磁共振波谱(NMR)产生用于为内源代谢物定量的强度数据,通过使用与分离技术,特别是液相色谱(LC-MS)、气相色谱(GC-MS)或毛细管电泳(CE-MS)偶联的MS技术和/或方法来测定代谢物浓度。
此外,优选情况下,通过将所选内源器官衰竭预测性靶代谢物的检测强度与一组内源持家代谢物的强度相关联,用所述一组内源持家代谢物对所述代谢物组学情况的强度数据进行归一化。
在本发明的特别优选方法中,所述内源持家代谢物选自根据选自下列的统计学稳定性量度显示出稳定性的内源代谢物:原始强度数据的变差系数(CV)、对数强度数据的标准偏差(SD)、geNorm算法的稳定性量度(M)或NormFinder算法的稳定性量度值(rho)。
此外,所述定量代谢物组学情况包含选自下列的至少一种参数的测量结果:所述样品中所述多种内源代谢物中的每种单独内源代谢物的浓度、水平或量,定性和/或定量分子模式和/或分子特征;以及使用获得的数值集并将其储存在数据库中。
参比内源器官衰竭预测性靶代谢物或其衍生物的评估组通过下述步骤建立:
a)对获得的用于产生代谢物组学情况的强度值进行数学预处理,以便减小用于产生代谢物组学情况的测量步骤自身固有的技术误差;
b)从逻辑回归、(对角线)线性或二次判别分析(LDA、QDA、DLDA、DQDA)、感知器、质心收缩正则化判别分析(RDA)、随机森林法(RF)、神经网络(NN)、贝叶斯网络、隐马尔科夫模型、支持向量机(SVM)、广义偏最小二乘法(GPLS)、围绕中心点的分割算法(PAM)、归纳逻辑编程(ILP)、广义相加模型、高斯过程、正则化最小二乘回归、自组织映射(SOM)、递归分割和回归树、K-最近邻域分类器(K-NN)、模糊分类器、bagging方法、boosting方法和朴素贝叶斯法中选择至少一种适合的分类算法;并将所述所选分类算法应用于步骤a)的所述预处理过的数据;
c)将所述步骤b)的分类算法在至少一个训练数据集上进行训练,所述训练数据集含有来自于根据其发生器官衰竭的可能性而被分类的对象的预处理过的数据,以便选择用于将所述预处理过的数据作图于所述可能性的分类器函数;
d)将步骤c)的所述训练过的分类算法应用于具有未知器官衰竭可能性的对象的预处理过的数据集,并使用训练过的分类算法预测所述数据集的类别标签,以便预测对象发生器官衰竭的可能性。
为了更容易和/或更灵敏地检测,内源器官衰竭预测性靶代谢物优选利用其化学修饰的衍生物例如氨基酸的苯异硫氰酸酯来检测。
在本发明的优选实施方案中,所述内源器官衰竭预测性靶代谢物选自:
肉毒碱类,酰基肉毒碱(C链长度:双键总数),特别是C12-DC、C14:1、C14:1-OH、C14:2、C14:2-OH、C 18、C6:1;
神经鞘磷脂(SM链长:双键总数),特别是SM C16:0、SM C17:0、SM C18:0、SM C19:0、SM C21:1、SM C21:3、SM C22:2、SM C23:0、SM C23:1、SM C23:2、SM C23:3、SM C24:0、SM C24:1、SM C24:2、SM C24:3、SM C24:4、SM C26:4、SM C3:0、SM(OH)C22:1、SM(OH)C22:2、SM(OH)C24:1、SM C26:0、SM C26:1;
磷脂酰胆碱(二酰基磷脂酰胆碱,PC aa链长:双键总数或PC ae),特别是PC aa C28:1、PC aa C38:0、PC aa C42:0、PC aa C42:1、PC aeC40:1、PC ae C40:2、PC ae C40:6、PC ae C42:2、PC ae C42:3、PC aeC42:4、PC ae C44:5、PC ae C44:6、PC aa C36:4、PC aa C38:1、PC aaC38:2、PC aa C38:4、PC aa C38:5、PC aa C38:6、PC aa C40:5、PC aaC40:6、PC aa C40:7、PC aa C40:8、PC ae C36:4、PC ae C36:5、PC aeC38:4、PC ae C38:6;
溶血磷脂酰胆碱(单酰基磷脂酰胆碱,PC a链长:双键总数),特别是PC a C18:2、PC a C20:4、PC a C20:3、PC a C26:0;
Phe;
氧甾醇类,特别是3β,5α,6β-三羟基胆甾烷、7-酮基胆甾醇、5α,6α-环氧胆甾醇;
溶血磷脂酰乙醇胺类(单酰基磷脂酰胆碱,PE a链长:双键总数),特别是PE a C18:1、PE a C18:2、PE a C20:4、PE a C22:5、PE a C22:6;
磷脂酰乙醇胺类(二酰基磷脂酰胆碱,PE aa链长:双键总数),特别是PE aa C38:0、PE aa C38:2;
神经鞘氨醇类(N-链长:双键总数),特别是N-C2:0-Cer、N-C7:0-Cer、N-C9:3-Cer、N-C17:1-Cer、N-C22:1-Cer、N-C25:0-Cer、N-C27:1-Cer、N-C5:1-Cer(2H)、N-C7:1-Cer(2H)、N-C8:1-Cer(2H)、N-C 11:1-Cer(2H)、N-C20:0-Cer(2H)、N-C21:0-Cer(2H)、N-C22:1-Cer(2H)、N-C25:1-Cer(2H)、N-C26:1-Cer(2H)、N-C24:0(OH)-Cer 、N-C26:0(OH)-Cer 、N-C6:0(OH)-Cer 、N-C8:0(OH)-Cer(2H)、N-C 10:0(OH)-Cer(2H)、N-C25:0(OH)-Cer(2H)、N-C26:0(OH)-Cer(2H)、N-C27:0(OH)-Cer(2H)、N-C28:0(OH)-Cer(2H)。
为了产生代谢物组学分析情况,所述多种内源器官衰竭预测性靶代谢物或其衍生物包含2至80种、特别是2至60种、优选2至50种、优选2至30种、更优选2至20种、特别优选2至10种内源代谢物。
本发明的具体实施方案是在体外使用来自哺乳动物对象的生物样品的多种内源代谢物预测与感染相关的器官衰竭的发作,其中代谢物选自:
氨基酸,特别是精氨酸、天冬氨酸、瓜氨酸、谷氨酸、谷氨酰胺、亮氨酸、异亮氨酸、组氨酸、鸟氨酸、脯氨酸、苯丙氨酸、丝氨酸、色氨酸、酪氨酸、缬氨酸、犬尿氨酸;
苯硫基氨甲酰基氨基酸(PTC-氨基酸),特别是PCT-精氨酸、PTC-谷氨酰胺、PTC-组氨酸、PTC-甲硫氨酸、PTC-鸟氨酸、PTC-苯丙氨酸、PTC-脯氨酸、PTC-丝氨酸、PTC-色氨酸、PTC-酪氨酸、PTC-缬氨酸;
二甲基精氨酸,特别是N,N-二甲基-L-精氨酸;
羧酸,即15(S)-羟基-5Z,8Z,11Z,13E-二十碳四烯酸[(5Z,8Z,11Z,13E,15S)-15-羟基二十碳-5,8,11,13-四烯酸]、琥珀酸;
具有N-酰基残基的神经酰胺类,在酰基残基中具有2至30个碳原子并具有0至5个双键和具有0至5个羟基;
肉毒碱类;在酰基残基中具有1至20个碳原子的酰基肉毒碱;在酰基残基中具有3至20个碳原子并且在酰基残基中具有1至4个双键的酰基肉毒碱;在酰基残基中具有1至20个碳原子并且在酰基残基中具有1至3个OH基的酰基肉毒碱;在酰基残基中具有3至20个碳原子并在酰基残基中具有1至4个双键和1至3个OH基的酰基肉毒碱;
磷脂类,特别是
在酰基残基中具有1至30个碳原子的溶血磷脂酰胆碱(单酰基磷脂酰胆碱);在酰基残基中具有3至30个碳原子并在酰基残基中具有1至6个双键的溶血磷脂酰胆碱;
在酰基残基中具有总共1至50个碳原子的磷脂酰胆碱(二酰基磷脂酰胆碱);在酰基残基中具有总共3至50个碳原子并在酰基残基中具有总共1至8个双键的磷脂酰胆碱;
鞘脂类,特别是在酰基链中总碳原子数为10至30的神经鞘磷脂;在酰基链中总碳原子数为10至30并具有1至5个双键的神经鞘磷脂;在酰基残基中总碳原子数为10至30的羟基神经鞘磷脂;在酰基残基中总碳原子数为10至30并具有1至5个双键的羟基神经鞘磷脂;
前列腺素类,即6-酮基-前列腺素F1α、前列腺素D2、血栓烷B2;
腐胺;
氧甾醇类,即22-R-羟基胆甾醇、24-S-羟基胆甾醇、25-羟基胆甾醇、27-羟基胆甾醇、20α-羟基胆甾醇、22-S-羟基胆甾醇、24,25-环氧胆甾醇、3β,5α,6β-三羟基胆甾醇、7α-羟基胆甾醇、7-酮基胆甾醇、5β,6β-环氧胆甾醇、5α,6α-环氧胆甾醇、4β-羟基胆甾醇、链甾醇(维生素D3)、7-脱氢胆甾醇、胆甾烯酮、羊毛甾醇、24-脱氢羊毛甾醇;
胆汁酸类,即胆酸、鹅去氧胆酸、去氧胆酸、甘胆酸、甘鹅去氧胆酸、甘去氧胆酸、甘石胆酸、甘石胆酸硫酸盐、甘熊去氧胆酸、石胆酸、牛黄胆酸、牛黄鹅去氧胆酸、牛黄去氧胆酸、牛黄石胆酸、牛黄石胆酸硫酸盐、牛黄熊去氧胆酸、熊去氧胆酸;
生物胺类,即组胺、5-羟色胺、棕榈酰乙醇胺。
需要强调的是,每种上面提到的化学化合物组,例如“氨基酸”、“胆汁酸类”、“氧甾醇类”等,本身可以在本发明的框架内用作器官衰竭预测性靶代谢物(OF预测物)。
特别优选的内源器官衰竭预测性靶代谢物选自:
肉毒碱类,酰基肉毒碱(C链长度:双键总数),特别是C12-DC、C14:1、C14:1-OH、C14:2、C14:2-OH、C 18、C6:1;
神经鞘磷脂(SM链长:双键总数),特别是SM C16:0、SM C17:0、SM C18:0、SM C19:0、SM C21:1、SM C21:3、SM C22:2、SM C23:0、SM C23:1、SM C23:2、SM C23:3、SM C24:0、SM C24:1、SM C24:2、SM C24:3、SM C24:4、SM C26:4、SM C3:0、SM(OH)C22:1、SM(OH)C22:2、SM(OH)C24:1、SM C26:0、SM C26:1;
磷脂酰胆碱(二酰基磷脂酰胆碱,PC aa链长:双键总数或PC ae),特别是PC aa C28:1、PC aa C38:0、PC aa C42:0、PC aa C42:1、PC aeC40:1、PC ae C40:2、PC ae C40:6、PC ae C42:2、PC ae C42:3、PC aeC42:4、PC ae C44:5、PC ae C44:6、PC aa C36:4、PC aa C38:1、PC aaC38:2、PC aa C38:4、PC aa C38:5、PC aa C38:6、PC aa C40:5、PC aaC40:6、PC aa C40:7、PC aa C40:8、PC ae C36:4、PC ae C36:5、PC aeC38:4、PC ae C38:6;
溶血磷脂酰胆碱(单酰基磷脂酰胆碱,PC a链长:双键总数),特别是PC a C18:2、PC a C20:4、PC a C20:3、PC a C26:0;
Phe;
氧甾醇类,特别是3β,5α,6β-三羟基胆甾烷、7-酮基胆甾醇、5α,6α-环氧胆甾醇;
溶血磷脂酰乙醇胺类(单酰基磷脂酰胆碱,PE a链长:双键总数),特别是PE a C18:1、PE a C18:2、PE a C20:4、PE a C22:5、PE a C22:6;
磷脂酰乙醇胺类(二酰基磷脂酰胆碱,PE aa链长:双键总数),特别是PE aa C38:0、PE aa C38:2;
神经鞘氨醇类(N-链长:双键总数),特别是N-C2:0-Cer、N-C7:0-Cer、N-C9:3-Cer、N-C17:1-Cer、N-C22:1-Cer、N-C25:0-Cer、N-C27:1-Cer、N-C5:1-Cer(2H)、N-C7:1-Cer(2H)、N-C8:1-Cer(2H)、N-C 11:1-Cer(2H)、N-C20:0-Cer(2H)、N-C21:0-Cer(2H)、N-C22:1-Cer(2H)、N-C25:1-Cer(2H)、N-C26:1-Cer(2H)、N-C24:0(OH)-Cer 、N-C26:0(OH)-Cer 、N-C6:0(OH)-Cer 、N-C8:0(OH)-Cer(2H)、N-C 10:0(OH)-Cer(2H)、N-C25:0(OH)-Cer(2H)、N-C26:0(OH)-Cer(2H)、N-C27:0(OH)-Cer(2H)、N-C28:0(OH)-Cer(2H)。
此外,本发明包括用于在生物样品中执行在体外从哺乳动物对象的生物样品预测与感染相关的器官衰竭发作的可能性的方法的试剂盒,所述试剂盒包含:
a)校准试剂,其用于定量检测内源器官衰竭预测性靶代谢物,其中所述代谢物选自:
氨基酸,特别是精氨酸、天冬氨酸、瓜氨酸、谷氨酸、谷氨酰胺、亮氨酸、异亮氨酸、组氨酸、鸟氨酸、脯氨酸、苯丙氨酸、丝氨酸、色氨酸、酪氨酸、缬氨酸、犬尿氨酸;
苯硫基氨甲酰基氨基酸(PTC-氨基酸),特别是PCT-精氨酸、PTC-谷氨酰胺、PTC-组氨酸、PTC-甲硫氨酸、PTC-鸟氨酸、PTC-苯丙氨酸、PTC-脯氨酸、PTC-丝氨酸、PTC-色氨酸、PTC-酪氨酸、PTC-缬氨酸;
二甲基精氨酸,特别是N,N-二甲基-L-精氨酸;
羧酸,即15(S)-羟基-5Z,8Z,11Z,13E-二十碳四烯酸[(5Z,8Z,11Z,13E,15S)-15-羟基二十碳-5,8,11,13-四烯酸]、琥珀酸;
具有N-酰基残基的神经酰胺类,在酰基残基中具有2至30个碳原子并具有0至5个双键和具有0至5个羟基;
肉毒碱类;在酰基残基中具有1至20个碳原子的酰基肉毒碱;在酰基残基中具有3至20个碳原子并且在酰基残基中具有1至4个双键的酰基肉毒碱;在酰基残基中具有1至20个碳原子并且在酰基残基中具有1至3个OH基的酰基肉毒碱;在酰基残基中具有3至20个碳原子并在酰基残基中具有1至4个双键和1至3个OH基的酰基肉毒碱;
磷脂类,特别是
在酰基残基中具有1至30个碳原子的溶血磷脂酰胆碱(单酰基磷脂酰胆碱);在酰基残基中具有3至30个碳原子并在酰基残基中具有1至6个双键的溶血磷脂酰胆碱;
在酰基残基中具有总共1至50个碳原子的磷脂酰胆碱(二酰基磷脂酰胆碱);在酰基残基中具有总共3至50个碳原子并在酰基残基中具有总共1至8个双键的磷脂酰胆碱;
鞘脂类,特别是在酰基链中总碳原子数为10至30的神经鞘磷脂;在酰基链中总碳原子数为10至30并具有1至5个双键的神经鞘磷脂;在酰基残基中总碳原子数为10至30的羟基神经鞘磷脂;在酰基残基中总碳原子数为10至30并具有1至5个双键的羟基神经鞘磷脂;
前列腺素类,即6-酮基-前列腺素F1α、前列腺素D2、血栓烷B2;
腐胺;
氧甾醇类,即22-R-羟基胆甾醇、24-S-羟基胆甾醇、25-羟基胆甾醇、27-羟基胆甾醇、20α-羟基胆甾醇、22-S-羟基胆甾醇、24,25-环氧胆甾醇、3β,5α,6β-三羟基胆甾醇、7α-羟基胆甾醇、7-酮基胆甾醇、5β,6β-环氧胆甾醇、5α,6α-环氧胆甾醇、4β-羟基胆甾醇、链甾醇(维生素D3)、7-脱氢胆甾醇、胆甾烯酮、羊毛甾醇、24-脱氢羊毛甾醇;
胆汁酸类,即胆酸、鹅去氧胆酸、去氧胆酸、甘胆酸、甘鹅去氧胆酸、甘去氧胆酸、甘石胆酸、甘石胆酸硫酸盐、甘熊去氧胆酸、石胆酸、牛黄胆酸、牛黄鹅去氧胆酸、牛黄去氧胆酸、牛黄石胆酸、牛黄石胆酸硫酸盐、牛黄熊去氧胆酸、熊去氧胆酸;
生物胺类,即组胺、5-羟色胺、棕榈酰乙醇胺。
b)数据库,所述数据库具有来自健康患者和发生与感染相关的器官衰竭的患者的加工过的数据;
c)分类软件,其用于产生使用步骤a)的所述校准步骤获得的定量代谢物组学情况,并基于步骤b)的加工过的数据对结果进行分类。
数据分类是对数据进行归类以使其最有效和高效地使用。分类器典型情况下是确定性函数,其将生物测量值的多维向量映射至编码临床相关类型、表型、独特的生理状态或独特的疾病状态的不存在或存在的二元(或n元)结果变量。为了实现这一点,可以使用各种分类方法,包括但不限于逻辑回归、(对角线)线性或二次判别分析(LDA、QDA、DLDA、DQDA)、感知器、质心收缩正则化判别分析(RDA)、随机森林法(RF)、神经网络(NN)、贝叶斯网络、隐马尔科夫模型、支持向量机(SVM)、广义偏最小二乘法(GPLS)、围绕中心点的分割算法(PAM)、归纳逻辑编程(ILP)、广义相加模型、高斯过程、正则化最小二乘回归、自组织映射(SOM)、递归分割和回归树、K-最近邻域分类器(K-NN)、模糊分类器、bagging方法、boosting方法和朴素贝叶斯法以及许多其他方法。
通过来自于下面实验部分的实例描述并利用附图,本发明的其他方面、优点和实施方案将变得明显。
图1是Venn图,显示了在脓毒症患者和发生器官衰竭的脓毒症患者之间进行比较时,调整过的p值(P.adj)、倍数变化和受试者工作特征曲线下面积(AUC)之间的一致性,其中选择了调整过的p值<0.01、绝对倍数变化>50%和AUC>0.80的代谢物;
图2是显示了对于具有线性核的支持向量机(SVM)、对角线线性判别分析(DLDA)和k等于1的k最近邻域(KNN)来说分类器的准确性的图,其中使用根据组合的调整过的p值、倍数变化和AUC对代谢物进行排序的排序器来选择特征;
图3是显示了对于具有线性核的支持向量机(SVM)、对角线线性判别分析(DLDA)和k等于1的k最近邻域(KNN)来说分类器的准确性的图,其中通过所谓的包装器使用boosted回归树来选择特征;
图4是Venn图,显示了在脓毒症小鼠和发生肝衰竭的脓毒症小鼠之间进行比较时,调整过的p值(P.adj)、倍数变化和受试者工作特征曲线下面积(AUC)之间的一致性,其中选择了调整过的p值<0.05、绝对倍数变化>50%和AUC>0.8的代谢物。
在本发明的情形中,“器官衰竭”(OF)是指任何患病状态,然后特别是指与感染相关的器官衰竭。
“重症脓毒症”是指伴有器官机能障碍、灌注不足异常或脓毒症诱导的低血压的脓毒症。灌注不足异常包括但不限于乳酸酸中毒、少尿症或精神状态的急性改变。“脓毒性休克”是指脓毒症诱导的低血压,其对静脉内流体充分激惹无响应,并具有外周灌注不足的表象。“转变患者”是指在患者被监测期间、典型地在ICU监护期间发展成临床疑似脓毒症的SIRS阳性患者。“未转变患者”是指在患者被监测期间、典型地在ICU监护期间未发展成临床疑似脓毒症的SIRS阳性患者。
具有OF的患者具有如上所定义被分类为OF的临床表征,但不在临床上被视为患有OF。有发生OF风险的个体包括ICU中的患者以及已遭受生理创伤例如烧伤或其他损伤的患者。
当在本文中使用时,“器官衰竭”(OF)包括OF的所有阶段,包括但不限于OF的发作和例如伴有脓毒症末期的多器官衰竭(MOD)。
“脓毒症”是指与已证实的感染过程相关的SIRS阳性病症。临床疑似脓毒症源于SIRS患者的SIRS阳性病症是感染过程的结果这一怀疑。
“OF发作”是指OF的早期阶段,即在临床表象足以支持临床疑似OF的阶段之前的阶段。因为本发明的方法用于在使用常规技术怀疑OF的时间之前检测OF,因此患者在OF早期的疾病状态只能在OF的表象在临床上更明显时回顾证实。患者获得OF的准确机制不是本发明的关键方面。本发明的方法能够不依赖于OF的起源来检测生物标志物评分值的变化。无论OF如何产生,本发明的方法允许确定具有或怀疑具有OF的患者的状态,正如通过以前使用的判据所分类的。
当在本文中使用时,术语“器官衰竭特异性代谢物”是指在脓毒性生物体中与非脓毒性生物体相比差异存在或浓度有差异的代谢物。例如,在某些实施方案中,器官衰竭特异性代谢物存在于脓毒性组织中,但是不存在于非脓毒性组织中。
在其他实施方案中,器官衰竭特异性代谢物在脓毒性组织中不存在,但是存在于非脓毒性细胞、组织、体液中。在其他实施方案中,在脓毒性组织/细胞中与非脓毒性细胞相比,器官衰竭特异性代谢物以不同水平存在(例如更高或更低)。例如,器官衰竭特异性代谢物可以以任何水平差异存在,但是一般以增加至少10%、至少15%、至少20%、至少25%、至少30%、至少35%、至少40%、至少45%、至少50%、至少55%、至少60%、至少65%、至少70%、至少75%、至少80%、至少85%、至少90%、至少95%、至少100%、至少110%、至少120%、至少130%、至少140%、至少150%或以上的水平存在;或者一般以降低至少5%、至少10%、至少15%、至少20%、至少25%、至少30%、至少35%、至少40%、至少45%、至少50%、至少55%、至少60%、至少65%、至少70%、至少75%、至少80%、至少85%、至少90%、至少95%或100%(即不存在)的水平存在。
器官衰竭特异性代谢物优选以统计学显著(例如当使用变差分析、Welch′s t检验或其非参数性等效形式测定时,调整后p值小于0.05)的水平差异存在。示例性的器官衰竭特异性代谢物描述在下面的详细描述和实验部分中。
在本说明书和权利要求书中的术语“样品”以其最广泛的意义使用。一方面,它意味着包括样本或培养物。有两方面,它意味着包括生物和环境样品两者。样品可以包括合成来源的样本。
生物样品可以是动物包括人类的流体、固体(例如粪便)或组织,,这样的生物样品可以从所有各种不同类型的驯养动物以及未驯养或野生动物获得,包括但不限于例如有蹄类、熊类、鱼类、啮齿类动物等。生物样品可以包含适合于检测所需生物标志物的任何生物材料,并可以包含来自对象的细胞和/或非细胞材料。样品可以从任何适合的生物组织或流体例如组织、血液、血浆、尿或脑脊液(CSF)来分离。
代谢物的“参比水平”是指指示特定疾病状态、表型或其缺失以及疾病状态、表型或其缺失的组合的代谢物水平。代谢物的“阳性”参比水平是指指示特定疾病状态或表型的水平。代谢物的“阴性”参比水平是指指示特定疾病状态或表型的缺乏的水平。例如,代谢物的“器官衰竭阳性参比水平”是指指示对象中器官衰竭的阳性诊断的代谢物水平,代谢物的“器官衰竭阴性参比水平”是指指示对象中器官衰竭的阴性诊断的代谢物水平。代谢物的“参比水平”可以是代谢物的绝对或相对量或浓度、代谢物的量或浓度范围、代谢物的最小和/或最大量和浓度、代谢物的平均量或浓度和/或代谢物的中位数量或浓度;并且此外,代谢物组合的“参比水平”也可以是两种或多种带习武相对于彼此的绝对或相对量或浓度的比率,或通过分类获得的合成的值/评分值。
用于特定疾病状态、表型或其缺失的代谢物的适合的阳性和阴性参比水平,可以通过在一个或多个适合对象中测量目标代谢物的水平来确定,并且这样的参比水平可以针对特定对象群体进行定制(例如,参比水平可以是年龄匹配的,以便可以在来自某一年龄对象的样品中的代谢物水平与某一年龄组中特定疾病状态、表型或其缺失的参比水平之间进行比较)。这样的参比水平也可以针对用于测量生物样品中的代谢物水平的特定技术(例如LC-MS、GC-MS等)进行定制,其中根据所使用的特定技术,代谢物的水平可能不同。
当在本文中使用时,术语“细胞”是指任何真核或原核细胞(例如细菌细胞例如大肠杆菌、酵母细胞、哺乳动物细胞、鸟类细胞、两栖动物细胞、植物细胞、鱼类细胞和昆虫细胞),无论位于体外还是体内。
当在本文中使用时,术语“处理器”是指按照程序执行一组步骤的装置(例如数字计算机)。处理器包括例如中央处理器(“CPU”)、电子器件或用于在程序控制下接收、发送、储存和/或操作数据的系统。
当在本文中使用时,术语“存储器”或“计算机内存”是指任何计算机可读的数据存储器件,包括但不限于随机存取存储器、硬盘、磁盘(软盘)、光盘、DVD、磁带、闪存等。
“质谱术”(MS)是用于测量和分析分子的技术,其涉及将靶分子片段化,然后根据片段的质量/电荷比分析片段,以产生用作“分子指纹”的质谱图。通过测定物体吸收电磁能的波长的手段来进行物体的质量/电荷比的确定。有几种常用于测定离子的质量电荷比的方法,其中一些测量离子轨道与电磁波的相互作用,其他的测量离子通过给定距离所花费的时间,或二者的组合。来自这些片段质量测量的数据可以针对数据库进行搜索,以获得靶分子的决定性鉴定。质谱术也广泛用于其他化学领域,例如石油化学或药物质量控制等等。
当在本文中使用时,术语“代谢物”是指细胞、生物体、组织的,或存在于体液中和从上面提到的来源获得的提取物中的内源有机化合物,其具有典型低于1500道尔顿的分子量。代谢物的典型实例是糖类、脂类、磷脂、鞘脂类和鞘磷脂、氨基酸、胆甾醇、甾类激素和氧化甾醇,以及其他化合物,例如收集在人类代谢物数据库[Wishart DS等,HMDB:人类代谢组数据库(HMDB:the Human Metabolome Database),Nucleic Acids Res.2007Jan;35(数据库版):D521-6(参见http://www.hmdb.ca/)]和其他数据库和文献中的化合物。这包括通过代谢或通过代谢过程产生的任何物质和参与代谢的任何物质。
在本发明的范围内所理解的“代谢物组学”是指通过多种方法对几种(两千种)代谢物进行的全面定量测量,所述方法例如但不限于质谱术,液相色谱、气相色谱和其他色谱分离方法与质谱术的偶联。
术语“分离”是指将复杂混合物分离成其组成蛋白或代谢物。常用的实验室分离技术包括凝胶电泳和层析。
术语“毛细管电泳”是指通过跨过缓冲液填充的毛细管施加电压来分离溶液中的分子的自动化分析技术。毛细管电泳一般用于分离离子,当施加电压时,所述离子根据其大小和电荷以不同速度移动。当溶质(离子)通过检测器时作为峰被观察到,并且每个峰的面积与溶质中的离子浓度成正比,这允许对离子进行定量测定。
术语“层析”是指一种物理分离方法,其中待分离的组分在两相中分配,一相是固定的(固定相),而另一相(流动相)以确定的方向移动。层析输出数据可用于通过本发明进行操作。
“离子”是通过向原子添加电子或从原子移除电子而形成的带电物体。
“质谱图”是由质谱仪产生的数据图,典型包含x-轴上的m/z值和y-轴上的强度值。
“峰”是质谱图上具有相对高的y-值的点。
术语“m/z”是指用离子的质量数除以其电荷数而形成的无量纲的数量值。长期以来,它被称为“质荷”比。
术语“代谢”是指在生物体的组织内发生的化学变化,包括“合成代谢”和“分解代射”。合成代谢是指分子的生物合成或形成,分解代射是指分子的分解。
当在本文中使用时,术语“手术后组织”是指在手术程序中从对象中取出的组织。其实例包括但不限于活检样品、切除的器官和切除的器官部分。
当在本文中使用时,术语“检测”可以描述发现或察觉或特异性观察可检测标记的成分的一般性行动。
当在本文中使用时,术语“临床失败”是指器官衰竭治疗后的负面结果。
在本发明的情形中,生物标志物是特征,包含至少一种被测量和评估的代谢物的数据,其可用作与器官衰竭相关或与器官衰竭治疗相关的生物过程、病理过程或对治疗干预的响应的指示物。当在本文中使用时,组合生物标志物可以选自至少两种小的内源分子和代谢物。
发明详述
本发明涉及器官衰竭及其持续时间/严重性以及治疗性干预的效果的标志物。在具体实施方案中,本发明提供了在器官衰竭中差异存在的代谢物。在开发本发明的实施方案的过程中进行的实验,鉴定到一系列在器官衰竭中差异存在的代谢物。
表2和表3提供了血浆或其他体液中存在的其他代谢物。所公开的标志物可用作诊断和治疗靶点。
诊断应用
在某些实施方案中,本发明提供了根据器官衰竭特异性代谢物或其衍生物、前体、代谢物等的存在来诊断器官衰竭,包括但不限于定性器官衰竭风险、器官衰竭的阶段、持续时间和严重性等的方法和组合物。下面描述示例性的诊断方法。
因此,例如,诊断(或协助诊断)对象是否具有器官衰竭的方法包含(1)检测选自表1***的多种器官衰竭特异性代谢物的存在或不存在或差异水平,以及b)根据器官衰竭特异性代谢物的存在或不存在或差异水平来诊断器官衰竭。当这样的方法被用于协助器官衰竭的诊断时,方法的结果可以与可用于对象是否具有器官衰竭的临床确定的其他方法(或其结果)一起使用。
按照本文描述的方法测试怀疑含有器官衰竭特异性代谢物的任何哺乳动物样品。作为非限制性实例,样品可以是组织(例如活检样品或手术后组织)、血液、尿或其级份(例如血浆、血清、尿上清液、尿细胞沉淀物)。
在某些实施方案中,患者样品经历被设计用于分离或富集样品的器官衰竭特异性代谢物或含有器官衰竭特异性代谢物的细胞的初步处理。本技术领域的普通专业人员已知的各种技术可用于此目的,包括但不限于:离心、免疫捕获和细胞裂解。
代谢物可以使用任何适合的方法来检测,所述方法包括但不限于单独或与质谱术偶联的液相和气相色谱(参见例如下面的实验部分)、NMR、免疫测定法、化学测定法、光谱术等。在某些实施方案中,利用了用于层析和NMR分析的商业化系统。
在其他实施方案中,使用光学成像技术例如磁共振光谱术(MRS)、磁共振成像(MRI)、CAT扫描、超声、基于MS的组织成像或X-射线检测方法(例如能量分散x-射线荧光检测)来检测代谢物(即生物标志物及其衍生物)。
可以使用任何适合的方法来分析生物样品,以便确定样品中多种代谢物的存在、不存在或水平。适合的方法包括层析(例如HPLC、气相色谱、液相色谱)、质谱术(例如MS、MS-MS)、酶联免疫吸附测定法(ELISA)、抗体连接、其他免疫化学技术、生物化学或酶反应或测定法及其组合。此外,多种代谢物的水平可以间接测定,例如通过使用测量与希望测量的生物标志物的水平相关的化合物的水平的测定法。
在本发明的方法中可以测定多种所述代谢物的水平。例如,在这样的方法中可以测定并使用包括但不限于表2中列出的代谢物中的一种代谢物、两种或更多种代谢物、三种或更多种代谢物、四种或更多种代谢物、五种或更多种代谢物、六种或更多种代谢物、七种或更多种代谢物、八种或更多种代谢物、九种或更多种代谢物、十种或更多种代谢物等,包括一些或所有代谢物的组合的水平。
在例如诊断器官衰竭和协助诊断器官衰竭的方法中,测定代谢物组合的水平可以允许更高的灵敏度和特异性,并可以允许更好地将器官衰竭与(当与不具有器官衰竭的对象相比时)可能与器官衰竭具有类似或重叠代谢物的其他障碍或其他器官衰竭区分开或对其进行表征。例如,生物样品中某些代谢物的水平的比率,可以在诊断器官衰竭和协助诊断器官衰竭的方法中允许更高的灵敏度和特异性,并可以允许更好地将器官衰竭与(当与不具有器官衰竭的对象相比时)可能与器官衰竭具有类似或重叠代谢物的其他器官衰竭或其他障碍区分开或对其进行表征。
数据分析
在某些实施方案中,使用基于计算机的分析程序将由检测测定法产生的原始数据(例如器官衰竭特异性代谢物的存在、不存在或量)转变成预测值数据以供临床医生使用。临床医生可以使用任何适合的手段访问预测数据。因此,在某些实施方案中,本发明提供了其他益处,即可能没有经受代谢物分析训练的临床医生不必理解原始数据。数据以其最有用的形式直接呈递给临床医生。然后临床医生能够立即利用信息以便优化对象的护理。
本发明考虑到了何能够向或从执行测定的实验室、信息提供商、医疗人员和对象接收、处理和传送信息的任何方法。例如,在本发明的某些实施方案中,从对象获得样品(例如活检样品或血液、尿或血清样品),并将其送往位于世界任何部分(例如在与对象所居住或最终使用信息的国家不同的国家中)的情况分析服务商(例如医疗结构的临床实验室),以产生原始数据。当样品包含组织或其他生物样品时,对象可以拜访医疗中心以获得样品并将其送往情况分析中心,或者对象可以自己收集样品(例如血浆样品),并将其直接送往情况分析中心。当样品包含以前测定的生物信息时,信息可以由对象直接送往情况分析中心(例如可以用计算机扫描含有信息的信息卡,并使用电子通讯系统将数据传送到情况分析中心的计算机)。在情况分析服务商接收后,对样品进行处理并产生特异性用于对象的所需诊断或预后信息的情况(即代谢物情况)。
然后,将情况数据准备成适合于被治疗临床医生解释的格式。例如,不是提供原始数据,所准备的格式可以表示对象的诊断或风险评估(例如存在器官衰竭的可能性),以及对特定治疗选项的推荐意见。可以通过任何适合的方法将数据显示给临床医生。例如,在某些实施方案中,情况分析服务商产生报告,其可以打印给临床医生(例如在护理现场)或在计算机监测器上显示给临床医生。
在某些实施方案中,信息首先在护理现场或地区机构进行分析。然后将原始数据送往中央处理机构用于进一步分析和/或将原始数据转变成对临床医生或患者有用的信息。中央处理机构提供数据分析的私密性(所有数据储存在具有统一安全协议的中央机构中)、速度和均一性的优点。然后中央处理机构可以控制数据在对象治疗后的命运。例如,使用电子通讯系统,中央处理机构可以向临床医生、对象或研究人员提供数据。
在某些实施方案中,对象能够使用电子通讯系统直接访问数据。对象可以根据数据选择进一步干预或咨询。在某些实施方案中,数据被用于研究使用。例如,数据可用于进一步优化作为特定病症或疾病阶段的有用指示物的标志物的包含或排除。
当样品中多种代谢物的量或水平被测定时,可以将量或水平与器官衰竭代谢物参比水平例如器官衰竭阳性和/或器官衰竭阴性参比水平进行比较,以协助诊断或诊断对象是否具有器官衰竭。样品中对应于器官衰竭阳性参比水平的多种代谢物水平(例如与参比水平相同、与参比水平基本上相同、高于和/或低于参比水平的最小值和/或最大值、和/或在参比水平范围内的水平),指示了对象中器官衰竭的诊断。样品中对应于器官衰竭阴性参比水平的多种代谢物水平(例如与参比水平相同、与参比水平基本上相同、高于和/或低于参比水平的最小值和/或最大值、和/或在参比水平范围内的水平),指示了对象中无器官衰竭的诊断。此外,当与器官衰竭阴性参比水平相比时,样品中差异存在(特别是以统计学显著的水平)的多种代谢物的水平,指示了对象中器官衰竭的诊断。当与与器官衰竭阳性参比水平相比时,样品中差异存在(特别是以统计学显著的水平)的多种代谢物的水平,指示了对象中无器官衰竭的诊断。
可以使用各种技术将多种代谢物的水平与器官衰竭阳性和/或器官衰竭阴性参比水平进行比较,所述技术包括将生物样品中多种代谢物的水平与器官衰竭阳性和/或器官衰竭阴性参比水平进行简单比较(例如手动比较)。也可以使用一种或多种统计分析(例如t-检验、Welch′s t-检验、Wilcoxon′s秩和检验、随机森林法、支持向量机、线性判别分析、K-最近邻域)将生物样品中多种代谢物的水平与器官衰竭阳性和/或器官衰竭阴性参比水平进行比较。
用于(例如足以用于、所需或可用于)本发明的某些实施方案的诊断方法中的组合物,包括用于检测器官衰竭特异性代谢物的存在或不存在的试剂。任何这些组合物可以单独或与本发明的其他组合物组合,以试剂盒的形式提供。试剂盒还包含适合的对照和/或检测试剂。
本发明的实施方案提供了多路或成组测定法,其同时检测单独或与本技术领域已知的其他器官衰竭标志物组合的表1至3中显示的本发明的多种标志物。例如,在某些实施方案中提供了成组或组合测定法,其在单一测定中检测2种或更多种、3种或更多种、4种或更多种、5种或更多种、6种或更多种、7种或更多种、8种或更多种、9种或更多种、10种或更多种、15种或更多种或20种或更多种、30种或更多种、40种或更多种标志物。在某些实施方案中,测定法是自动或高通量的。
本发明的优选实施方案时使用表2和3中列出的标志物来预测/诊断器官衰竭及其持续时间/严重性,其中所述哺乳动物对象是人类,所述生物样品是血液和/或血细胞。
在某些实施方案中,在多路或成组测定法中包括其他器官衰竭标志物。根据其单独或与本文描述的代谢标志物组合时的预测价值来选择标志物。
治疗方法
在某些实施方案中,本发明提供了治疗方法(例如靶向本文描述的器官衰竭特异性代谢物的治疗方法)。在某些实施方案中,治疗方法靶向本文描述的器官衰竭特异性代谢物的酶或途径组分。
例如,在某些实施方案中,本发明提供了靶向本发明的器官衰竭特异性代谢物的化合物。化合物可以通过例如干扰器官衰竭特异性代谢物或其前体或代谢物的合成(例如通过阻断参与代谢物合成的酶的转录或翻译、通过失活参与代谢物合成的酶(例如通过翻译后修饰或与不可逆抑制剂结合)、或通过抑制参与代谢物合成的酶的活性),通过结合并抑制器官衰竭特异性代谢物的功能,通过与器官衰竭特异性代谢物的靶结合(例如竞争性或非竞争性抑制剂),或通过增加代谢物的分解或清除速率,来降低器官衰竭特异性代谢物的水平。
化合物可以通过例如抑制器官衰竭特异性代谢物的分解或清除速率(例如通过抑制参与代谢物分解的酶),通过增加器官衰竭特异性代谢物前体的水平,或通过增加代谢物对其靶的亲和性,来增加器官衰竭特异性代谢物的水平。
剂量取决于待治疗疾病状态的严重性和响应性,其中治疗过程持续几日到几个月,或直到实现治愈或获得疾病状态的降低。最佳给药日程安排可以从患者体内药物积累的测量值来计算。给药医生可以容易地确定最佳剂量、给药方法和重复率。
在某些实施方案中,本发明提供了药物筛选测定法(例如筛选抗器官衰竭药物)。本发明的筛选方法利用了本文中描述的器官衰竭特异性代谢物。如上所述,在某些实施方案中,测试化合物是小分子、核酸或抗体。在某些实施方案中,测试化合物直接靶向器官衰竭特异性代谢物。在其他实施方案中,它们靶向参与器官衰竭特异性代谢物的代谢途径的酶。
实验
提供了下面的实施例以便演示和进一步说明本发明的某些优选实施方案和特点,并且所述实施例不应被解释为对本发明范围的限制。
通用分析法:
样品制备和代谢物组学分析在奥地利Innsbruck的BIOCRATESLife Sciences AG进行。我们使用了多参数、高鲁棒性、灵敏和高通量的定向代谢物组学平台,其由流动注射分析(FIA)-MS/MS和LC-MS/MS方法组成,用于对广范围内源中间体、即来自于表1中公开的评估组的内源中间体进行同时定量。所有程序(样品操作、分析)由未被告知研究组的合作人员执行。
血浆匀浆
血浆样品通过标准程序制备并储存(-70℃)。为了能够同时分析一个批次中的所有样品,在分析当天将样品在冰上融化(1小时),并在2℃下以18000g离心5分钟。所有管子用0.001%BHT(丁基羟基甲苯;Sigma-Aldrich,Vienna,奥地利)制备,以防止由自然氧化引起的前列腺素的非天然形成。
肝组织样品在分析前使用带有Cryolys冷却模块的24匀浆器进行匀浆。典型情况下,将50mg组织在9∶1(v/v)的乙醇:磷酸盐缓冲液中匀浆30分钟,并通过以10000g离心5分钟除去未打散的材料和用于组织破碎的珠子。
酰基肉毒碱、神经鞘磷脂、己糖、甘油磷脂(FIA-MS/MS)
为了测定脑匀浆液和血浆中酰基肉毒碱、神经鞘磷脂和甘油磷脂的浓度,按照制造商的流程中所述准备AbsoluteIDQ试剂盒p150(Biocrates Life Sciences AG)。简单来说,将10μL脑匀浆液加到试剂盒的上层96孔板上滤膜的中央,并使用氮吹仪(VLM Laboratories)干燥样品。随后加入20μL 5%的苯基异硫氰酸酯溶液进行衍生。在温育后,将滤膜斑再次使用氮吹仪干燥。使用300μL 5mM乙酸铵的甲醇溶液提取代谢物。通过离心到下层96深孔板中获得提取液,然后使用600μL试剂盒的MS运行溶剂执行稀释步骤。质谱分析在装备有电喷雾电离(ESI)源的API4000串联质谱仪(Applied Biosystems/MDSAnalytical Technologies)上,使用在AbsoluteIDQ试剂盒中提供的分析捕获方法来进行。将标准的FIA-MS/MS方法应用于所有测定,进行两次相继的20μL注射(一个用于正离子模式分析,一次用于负离子模式分析)。应用整合在MetIQ软件(Biocrates Life Sciences AG)中的谱图剖析算法,使用多反应监测(MRM)检测进行定量。将通过内部校准获得的148种代谢物的浓度值(所有被分析物使用代谢物组学试剂盒测定,只有氨基酸例外,其通过不同方法测定)输出,用于全面统计分析。
氨基酸、生物胺类(LC-MS/MS)
通过反相LC-MS/MS对氨基酸和生物胺进行定量分析,以获得同量异位(相同MRM离子对)代谢物的层析分离,用于通过外部校准和利用内标执行的单个定量。对于使用下述样品制备的分析来说,需要10μL样品体积(血浆、脑匀浆液)。将样品加到置于固定在96深孔板(捕集板)上的溶剂惰性96孔板中的滤膜斑上(事先已放置内标并在在氮气下干燥)。加入20μL 5%的苯基异硫氰酸酯衍生试剂。温育后,将衍生过的样品用甲醇水溶液提取到捕集板中。使用API4000串联质谱仪(Applied Biosystems/MDS Analytical Technologies)以正MRM检测模式通过LC-ESI-MS/MS分析样品提取物。将分析过的单个代谢物浓度(Analyst 1.4.2软件,Applied Biosystems)输出,用于全面统计分析。
胆汁酸类(LC-MS/MS)
在负MRM检测模式下使用高选择性反相LC-MS/MS分析方法来测定血浆样品中的胆汁酸浓度。将样品通过干燥滤膜斑技术以非常适合于高通量分析的96孔板格式进行提取。为了进行高精确性定量,使用了内标和外部校准。简单来说,将置于滤膜斑上的内标和20μL样品体积进行提取,同时用甲醇水溶液进行蛋白质沉淀。这些样品提取物使用API4000串联质谱仪(Applied Biosystems/MDS AnalyticalTechnologies),通过LC-ESI-MS/MS来测量。使用Analyst 1.4.2软件(Applied Biosystems)来定量胆汁酸的数据,并最后将其输出用于全面统计分析。
前列腺素类化合物、氧化型脂肪酸(LC-MS/MS)
使用API4000串联质谱仪(Applied Biosystems/MDSAnalytical Technologies),采用负MRM检测方式,通过LC-ESI-MS/MS[Unterwurzacher等Clin Chem Lab Med 2008;46(11):1589-1597]来分析血浆提取物中,并通过在线固相提取(SPE)-LC-MS/MS[Unterwurzacher等Rapid Commun Mass Spec submitted]来分析脑匀浆液提取物中的前列腺素类化合物——概括了前列腺素(PG),血栓烷(TX)和前列环素的术语——和氧化型脂肪酸代谢物。样品制备对于血浆和脑匀浆液两者来说是相同的。简单来说,在96孔板中的滤膜斑中掺入内标;加入20μL血浆或组织匀浆液,并用甲醇水溶液提取,然后对各个提取物进行分析。使用Analyst 1.4.2软件(Applied Biosystems)来定量前列腺素类化合物和氧化型脂肪酸的数据,并最后将其输出用于统计分析。
氧甾醇类
氧甾醇类在提取和皂化后,使用多反应状态(MRM),通过HPLC-串联质谱仪(HPLC-API-MS/MS)以正检测模式来测定。
将样品(20μL)、校准物和内标混合物置于捕集板中,并在第一步中通过添加200μL乙腈并离心来沉淀蛋白。将180μL适合的上清液转移到具有7mm滤膜斑的新的过滤板中,干燥,用95%乙醇中的0.35M KOH水解,并在清洗步骤后用100μL MeOH水溶液提取。将提取到的样品的等分试样注射到HPLC-MS/MS系统上。层析分离和检测通过使用Zorbax Eclipse XDB C18,150x 2.0mm,3.5μm HPLC柱以3mL/min的流速来进行,然后在API4000/QTRAP4000串联质谱仪上进行电喷雾电离。对于定量来说,使用来自于Applied Bioystems的分析定量软件。
能量代谢(有机酸)(LC-MS/MS)
对于能量代谢中间体(糖酵解、柠檬酸循环、戊糖磷酸途径、尿素循环)的定量分析来说,使用亲水相互作用液相色谱(HILIC)-ESI-MS/MS方法,采用高选择性负MRM检测模式。MRM检测使用API4000串联质谱仪(Applied Biosystems/MDS AnalyticalTechnologies)进行。以96孔板格式将20μL样品体积(血浆、脑匀浆液)进行蛋白质沉淀,同时用甲醇水溶液提取。使用内标(外标与内标的比率)和外部校准进行高精确性定量。数据使用Analyst 1.4.2软件(Applied Biosystems)进行定量,并最后输出用于统计分析。
表1概述了所分析的代谢物和相应的缩写;甘油磷脂根据甘油组成部分中酯(a)和醚(e)键的存在进一步区分,其中两个字母(aa、ea或ee)表示甘油支架的第一和第二位置与脂肪酸残基结合,而单字母(a或e)表示只与一个脂肪酸残基成键;例如PC_ea_33:1表示缩醛磷脂磷脂酰胆碱,其在两个脂肪酸侧链中具有33个碳,并在其中之一中具有单个双键。
详细实施例
1.人类
我们使用从17位患有混合脓毒症(即具有混合病灶包括腹膜炎(4)、肺炎(5)和未鉴定病灶的脓毒症)的患者和12位患有混合脓毒症并发生系统感染(脓毒症)相关的器官衰竭的患者获得了29个对象的数据。诊断通过临床诊断标准和感染的微生物学证据(血培养,病原体的PCR)得到证实。
统计分析
所有统计计算使用统计学软件R执行(《R:用于统计计算的语言和环境》(R:A Language and Environment for Statistical Computing),RDevelopment Core Team,R Foundation for Statistical Computing,Vienna,Austria,2009,ISBN 3-900051-07-0)。
在至少15%的样品中检测到的被分析物被选择用于进一步分析,产生了521种独特化合物/代谢物的名单(表1)。由于质谱仪数据的阈值设定导致了未被检测的峰/信号,因此代谢数据有待校对。通过代谢途径物力学、复杂样品分子相互作用和分析方案的总体效率的组合,利用多参数算法替换缺失数据对于通过预先指定的值例如零进行朴素估算来说是优选的。因此,将缺失的代谢物浓度用与测量值缺失的样品最接近的6个样品的平均值代替(“估算:用于微阵列数据的估算”(impute:Imputation for microarray data),Hastie T.,Tibshirani R.,Narasimhan B.和Chu G.,R软件包1.14.0版)。除了倍数变化(FC)测定之外,所述统计分析都在预处理过、即对数变换过的数据上进行。
使用limma软件包(“Limma:用于微阵列数据的线性模型”(Limma:linear models for microarray data),Smyth G.K.,在《使用R和Bioconductor的生物信息学和计算生物学解决方案》(Bioinformatics and Computational Biology Solutions using R andBioconductor)中,Springer,New York,pp 397-420,R软件包2.16.5版)中的lmFit功能来计算来自脓毒症患者样品和发生器官衰竭的患者样品的测量值之间的节制统计数据。将得到的p值通过Benjamini和Hochberg中描述的方法(Benjamini Y.和Hochberg Y.,“控制假发现率:多重检验的实用和有力方法”(Controlling the false discovery rate:a practical and powerful approach to multiple testing),Journal of theRoyal Statistical Society Series B,1995,57,289-300)进行调整,产生了所谓的q值。
包含一种被分析物或被分析物组合的分类器的灵敏度/特异性性质,根据受试者工作特征曲线下面积(AUC)来概述。使用colAUC功能(“caTools:工具:移动窗口统计数据、GIF、Base64、ROC AUC等”(caTools:Tools:moving window statistics,GIF,Base64,ROC AUC,etc.),Tuszynski J.,2008,R软件包1.9版)来计算和作图ROC曲线。从三个单变量统计数据(调整过的p值(q值)、倍数变化和AUC),按照两步策略对特点进行排序:1)首先将3个度量值用作Chen等描述的多目标算法的输入值(Chen J.J.,Tsai C.-A.,Tzeng S.-L.和ChenC.-H.,使用多重排序标准进行基因选择(Gene selection with multipleordering criteria),BMC Bioinformatics 2007,8:74),2)通过简单的Borda计数打破联系(即属于同一团体的代谢物)。使用limma软件包(“Limma:用于微阵列数据的线性模型”(Limma:linear models formicroarray data),Smyth G.K.,在《使用R和Bioconductor的生物信息学和计算生物学解决方案》(Bioinformatics and ComputationalBiology Solutions using R and Bioconductor)中,Springer,New York,pp397-420,R软件包2.16.5版)中的vennDiagram功能,来显示通过每种排序技术所选择的特点的数量;参考图4。深色(相应的灰色)数字表示在发生器官衰竭的患者的样品中与脓毒症患者样品中相比,表现出更高(相应地更低)浓度的代谢物的计数。使用了下列阈值:调整过的p值(q值)小于0.01,绝对倍数变化高于50%,AUC大于0.8。
除了单变量统计数值之外,从boosted回归树模型计算了考虑到多变量相互作用的其他排序。与Breiman随机森林法中的变量重要性度量相似,根据类别标签的排列对降低损失函数的效果来确定特点的相对影响力(Friedman J.H.,“Greedy函数逼近:一种梯度Boosting Maof统计方法”(Greedy Function Approximation:A Gradient Boosting MaofStatistics),2001,29(5):1189-1232)。使用来自gbm R软件包(“gbm:广义Boosted回归模型”(gbm:Generalized Boosted RegressionModels),Ridgeway G.,2007,R软件包1.6-3版)的gbm功能执行指定高斯损失函数的基于树的梯度boosting,收缩参数为0.05,并允许树具有多达3个树分裂。为了减小排序中的方差,将特点关联性评分值呈现为在训练集上通过留一法计算的平均排序。
单一标志物以及标志物组合的性能,通过依赖于不同机制的三种分类算法来评估,以确保结果不依赖于建模技术:具有线性核的支持向量机(SVM),其使用R软件包e1071中的svm功能(e1071:MiscFunctions of the Department of Statistics(e 1071),Dimitriadou E.,Hornikk.,Leisch F.,Meyer D.和Weingessel A.,R软件包1.5-19版);对角线判别分析(DLDA),其使用R软件包sfsmisc中的dDa功能(sfsmisc:Utilities from Seminar fuer Statistik ETH Zurich,Maechler M.,R软件包1.0-7版)和k等于1的最近邻算法(KNN),其使用了经典R软件包中的knn功能(Modern Applied Statistics with S,Venables W.N.AndRipley B.D.,Springer,New York,R软件包7.2-47版)。使用分层boostrap(B=20)计算模型的预测能力,重复10次以获得性能估算值及其相关方差(“FIEmspro:流动注射电喷雾质谱处理:数据处理、分类建模和代谢物指纹建立中的变量选择”(FIEmspro:Flow InjectionElectrospray Mass Spectrometry Processing:data processing,classificationmodelling and variable selection in metabolite fingerprinting,BeckmannM.),Enot D.和Lin W.,2007,R软件包1.1-0版)。
根据三种分类算法SVM、DLDA和KNN的精确计算(参见图2和3),我们为合并有调整过的p值、倍数变化和AUC的排序器以及使用boosted回归树的多变量包装器选择了排序前60位的代谢物,产生了97种不同被分析物和代谢物;参考表2。
表2描述了根据对检测与感染相关的器官衰竭发作的辨别力,各个被分析物和代谢物排序位置。排序使用如上所述的组合有调整过的p值、倍数变化和AUC的排序器以及使用基于boosted回归树的多变量包装器来进行。其他信息参见图1-3。
2.小鼠
我们使用了从5只患有脓毒症和诱导的肝脏衰竭的小鼠和6只患有脓毒症的小鼠获得的11只(BL6)小鼠的数据。脓毒症和器官衰竭通过腹膜内注射人类粪便提取物来诱导。典型情况下,使用Potter匀浆器或Ultra Turrax,将20g人类粪便(未进行进一步处理时测定的重量)在40ml冰冷却的(4℃)无菌磷酸盐缓冲盐水(pH 7.4)中匀浆,简短离心以除去较大粒子,并将提取物作为冷冻的等分试样储存。
对于每个批次(来自于一个个体人类对象)来说,提取物的有效剂量(以诱导脓毒症或器官衰竭)必须预先测定。取决于剂量,可以在24小时内诱导脓毒症,并且动物在超过48小时后完全恢复,或者可以通过施加更高剂量诱导脓毒性器官衰竭;例如可以通过注射0.5ml提取物诱导脓毒症,并通过腹膜内注射1.0ml诱导器官衰竭。在腹膜内注射提取物后24小时,抽取所有肝组织的样品。
统计分析
所有统计计算使用统计学软件R执行(《R:用于统计计算的语言和环境》(R:A Language and Environment for Statistical Computing),R Development Core Team,R Foundation for Statistical Computing,Vienna,Austria,2009,ISBN 3-900051-07-0)。
在至少15%的样品中检测到的被分析物被选择用于进一步分析,产生了218种独特化合物/代谢物的名单(表1)。由于质谱仪数据的阈值设定导致了未被检测的峰/信号,因此代谢数据有待校对。通过代谢途径物力学、复杂样品分子相互作用和分析方案的总体效率的组合,利用多参数算法替换缺失数据对于通过预先指定的值例如零进行朴素估算来说是优选的。因此,将缺失的代谢物浓度用与测量值缺失的样品最接近的6个样品的平均值代替(“估算:用于微阵列数据的估算”(impute:Imputation for microarray data),Hastie T.,Tibshirani R.,Narasimhan B.和Chu G.,R软件包1.14.0版)。除了倍数变化(FC)测定之外,所述统计分析都在预处理过、即对数变换过的数据上进行。
使用limma软件包(“Limma:用于微阵列数据的线性模型”(Limma:linear models for microarray data),Smyth G.K.,在《使用R和Bioconductor的生物信息学和计算生物学解决方案》(Bioinformaticsand Computational Biology Solutions using R and Bioconductor)中,Springer,New York,pp 397-420,R软件包2.16.5版)中的lmFit功能来计算来自脓毒症患者样品和发生器官衰竭的患者样品的测量值之间的节制统计数据。将得到的p值通过Benjamini和Hochberg中描述的方法(Benjamini Y.和Hochberg Y.,“控制假发现率:多重检验的实用和有力方法”(Controlling the false discovery rate:a practical and powerfulapproach to multiple testing),Journal of the Royal Statistical SocietySeries B,1995,57,289-300)进行调整,产生了所谓的q值。
包含一种被分析物或被分析物组合的分类器的灵敏度/特异性性质,根据受试者工作特征曲线下面积(AUC)来概述。使用colAUC功能(“caTools:工具:移动窗口统计数据、GIF、Base64、ROC AUC等”(caTools:Tools:moving window statistics,GIF,Base64,ROC AUC,etc.),Tuszynski J.,2008,R软件包1.9版)来计算和作图ROC曲线。从三个单变量统计数据(调整过的p值(q值)、倍数变化和AUC),按照两步策略对特点进行排序:1)首先将3个度量值用作Chen等描述的多目标算法的输入值(Chen J.J.,Tsai C.-A.,Tzeng S.-L.和Chen C.-H.,使用多重排序标准进行基因选择(Gene selection with multiple orderingcriteria),BMC Bioinformatics 2007,8:74),2)通过简单的Borda计数打破联系(即属于同一团体的代谢物)。使用limma软件包(“Limma:用于微阵列数据的线性模型”(Limma:linear models for microarraydata),Smyth G.K.,在《使用R和Bioconductor的生物信息学和计算生物学解决方案》(Bioinformatics and Computational Biology Solutionsusing R and Bioconductor)中,Springer,New York,pp 397-420,R软件包2.16.5版)中的vennDiagram功能,来显示通过每种排序技术所选择的特点的数量;参考图4。深色(相应的灰色)数字表示在发生器官衰竭的患者的样品中与脓毒症患者样品中相比,表现出更高(相应地更低)浓度的代谢物的计数。使用了下列阈值:调整过的p值(q值)小于0.05,绝对倍数变化高于50%,AUC大于0.8。
由于样品的数量相对少,因此我们没有执行多变量分析以避免过度拟合。
我们为组合有调整过的p值、倍数变化和AUC的排序器选择了排序前60位的代谢物;参考表3。
表3描述了根据对检测与感染相关的器官衰竭发作的辨别力,各个被分析物和代谢物的排序位置。排序使用组合有调整过的p值、倍数变化和AUC的单变量排序器来进行。其他信息参见图4。
这60种代谢物包含本发明的优选实施方案,如相关的权利要求12中所要求的。
表4显示了在本发明中使用的内源器官衰竭预测性靶代谢物及其缩写和化学名称。
表4
Claims (12)
1.一种用于在体外从哺乳动物对象的生物样品预测与炎症相关的器官衰竭发作的可能性的方法,其中
a.利用定量代谢物组学分析,检测生物样品中对象的包含多种内源代谢物的定量代谢物组学情况,并且
b.将对象样品的定量代谢物组学情况与多种内源器官衰竭预测性靶代谢物的定量参比代谢物组学情况进行比较,以便预测对象是否可能或不可能发生器官衰竭;并且
c.其中所述内源器官衰竭预测性靶代谢物具有小于1500Da的分子质量,并且选自:
氨基酸,特别是精氨酸、天冬氨酸、瓜氨酸、谷氨酸、谷氨酰胺、亮氨酸、异亮氨酸、组氨酸、鸟氨酸、脯氨酸、苯丙氨酸、丝氨酸、色氨酸、酪氨酸、缬氨酸、犬尿氨酸;
苯硫基氨甲酰基氨基酸(PTC-氨基酸),特别是PCT-精氨酸、PTC-谷氨酰胺、PTC-组氨酸、PTC-甲硫氨酸、PTC-鸟氨酸、PTC-苯丙氨酸、PTC-脯氨酸、PTC-丝氨酸、PTC-色氨酸、PTC-酪氨酸、PTC-缬氨酸;
二甲基精氨酸,特别是N,N-二甲基-L-精氨酸;
羧酸,即15(S)-羟基-5Z,8Z,11Z,13E-二十碳四烯酸[(5Z,8Z,11Z,13E,15S)-15-羟基二十碳-5,8,11,13-四烯酸]、琥珀酸;
具有N-酰基残基的神经酰胺类,在酰基残基中具有2至30个碳原子并具有0至5个双键和具有0至5个羟基;
肉毒碱类;在酰基残基中具有1至20个碳原子的酰基肉毒碱;在酰基残基中具有3至20个碳原子并且在酰基残基中具有1至4个双键的酰基肉毒碱;在酰基残基中具有1至20个碳原子并且在酰基残基中具有1至3个OH基的酰基肉毒碱;在酰基残基中具有3至20个碳原子并在酰基残基中具有1至4个双键和1至3个OH基的酰基肉毒碱;
磷脂类,特别是
在酰基残基中具有1至30个碳原子的溶血磷脂酰胆碱(单酰基磷脂酰胆碱);在酰基残基中具有3至30个碳原子并在酰基残基中具有1至6个双键的溶血磷脂酰胆碱;
在酰基残基中具有总共1至50个碳原子的磷脂酰胆碱(二酰基磷脂酰胆碱);在酰基残基中具有总共3至50个碳原子并在酰基残基中具有总共1至8个双键的磷脂酰胆碱;
鞘脂类,特别是在酰基链中总碳原子数为10至30的神经鞘磷脂;在酰基链中总碳原子数为10至30并具有1至5个双键的神经鞘磷脂;在酰基残基中总碳原子数为10至30的羟基神经鞘磷脂;在酰基残基中总碳原子数为10至30并具有1至5个双键的羟基神经鞘磷脂;
前列腺素类,即6-酮基-前列腺素F1α、前列腺素D2、血栓烷B2;
腐胺;
氧甾醇类,即22-R-羟基胆甾醇、24-S-羟基胆甾醇、25-羟基胆甾醇、27-羟基胆甾醇、20α-羟基胆甾醇、22-S-羟基胆甾醇、24,25-环氧胆甾醇、3β,5α,6β-三羟基胆甾醇、7α-羟基胆甾醇、7-酮基胆甾醇、5β,6β-环氧胆甾醇、5α,6α-环氧胆甾醇、4β-羟基胆甾醇、链甾醇(维生素D3)、7-脱氢胆甾醇、胆甾烯酮、羊毛甾醇、24-脱氢羊毛甾醇;
胆汁酸类,即胆酸、鹅去氧胆酸、去氧胆酸、甘胆酸、甘鹅去氧胆酸、甘去氧胆酸、甘石胆酸、甘石胆酸硫酸盐、甘熊去氧胆酸、石胆酸、牛黄胆酸、牛黄鹅去氧胆酸、牛黄去氧胆酸、牛黄石胆酸、牛黄石胆酸硫酸盐、牛黄熊去氧胆酸、熊去氧胆酸;
生物胺类,即组胺、5-羟色胺、棕榈酰乙醇胺。
2.权利要求1的方法,其中与炎症相关的器官衰竭包含与感染相关的器官衰竭和/或与脓毒症相关的器官衰竭。
3.权利要求1或2的方法,其中生物样品选自粪便;体液,特别是血液、液体、脑脊液、尿、腹水、精液、唾液、穿刺液、细胞内含物、组织样品特别是肝活检材料;或其混合物。
4.权利要求1至3任一项的方法,其中所述定量代谢物组学情况通过定量代谢物组学情况分析方法来获得,所述分析方法包含通过质谱术(MS)、特别是通过高通量质谱术、优选通过诸如基质辅助激光解吸/电离(MALDI)、电喷雾电离(ESI)、大气压化学电离(APCI)的MS技术,任选与MS偶联的1H-、13C-和/或31P-核磁共振波谱(NMR)产生用于为内源代谢物定量的强度数据,通过使用与分离技术,特别是液相色谱(LC-MS)、气相色谱(GC-MS)或毛细管电泳(CE-MS)偶联的MS技术和/或方法来测定代谢物浓度。
5.权利要求1至4任一项的方法,其中通过将所选内源器官衰竭预测性靶代谢物的检测强度与一组内源持家代谢物的强度相关联,用所述一组内源持家代谢物对所述代谢物组学情况的强度数据进行归一化。
6.权利要求5的方法,其中所述内源持家代谢物选自根据选自下列的统计学稳定性量度显示出稳定性的内源代谢物:原始强度数据的变差系数(CV)、对数强度数据的标准偏差(SD)、geNorm算法的稳定性量度(M)或NormFinder算法的稳定性量度值(rho)。
7.权利要求1至6任一项的方法,其中所述定量代谢物组学情况包含选自下列的至少一种参数的测量结果:所述样品中所述多种内源代谢物中的每种单独内源代谢物的浓度、水平或量,定性和/或定量分子模式和/或分子特征;以及使用获得的数值集并将其储存在数据库中。
8.权利要求1至7任一项的方法,其中通过下述步骤建立参比内源器官衰竭预测性靶代谢物或其衍生物的评估组:
a)对获得的用于产生代谢物组学情况的强度值进行数学预处理,以便减小用于产生代谢物组学情况的测量步骤自身固有的技术误差;
b)从逻辑回归、(对角线)线性或二次判别分析(LDA、QDA、DLDA、DQDA)、感知器、质心收缩正则化判别分析(RDA)、随机森林法(RF)、神经网络(NN)、贝叶斯网络、隐马尔科夫模型、支持向量机(SVM)、广义偏最小二乘法(GPLS)、围绕中心点的分割算法(PAM)、归纳逻辑编程(ILP)、广义相加模型、高斯过程、正则化最小二乘回归、自组织映射(SOM)、递归分割和回归树、K-最近邻域分类器(K-NN)、模糊分类器、bagging方法、boosting方法和朴素贝叶斯法中选择至少一种适合的分类算法;并将所述所选分类算法应用于步骤a)的所述预处理过的数据;
c)将所述步骤b)的分类算法在至少一个训练数据集上进行训练,所述训练数据集含有来自于根据其发生器官衰竭的可能性而被分类的对象的预处理过的数据,以便选择用于将所述预处理过的数据作图于所述可能性的分类器函数;
d)将步骤c)的所述训练过的分类算法应用于具有未知器官衰竭可能性的对象的预处理过的数据集,并使用训练过的分类算法预测所述数据集的类别标签,以便预测对象发生器官衰竭的可能性。
9.权利要求1至8任一项的方法,其中所述内源器官衰竭预测性靶代谢物为了更容易和/或更灵敏地检测,利用其化学修饰的衍生物例如氨基酸的苯异硫氰酸酯来检测。
10.权利要求1至9任一项的方法,其中所述内源器官衰竭预测性靶代谢物选自:
肉毒碱类,酰基肉毒碱(C链长度:双键总数),特别是C12-DC、C14:1、C14:1-OH、C14:2、C14:2-OH、C 18、C6:1;
神经鞘磷脂(SM链长:双键总数),特别是SM C16:0、SM C17:0、SM C18:0、SM C19:0、SM C21:1、SM C21:3、SM C22:2、SM C23:0、SM C23:1、SM C23:2、SM C23:3、SM C24:0、SM C24:1、SM C24:2、SM C24:3、SM C24:4、SM C26:4、SM C3:0、SM(OH)C22:1、SM(OH)C22:2、SM(OH)C24:1、SM C26:0、SM C26:1;
磷脂酰胆碱(二酰基磷脂酰胆碱,PC aa链长:双键总数或PC ae),特别是PC aa C28:1、PC aa C38:0、PC aa C42:0、PC aa C42:1、PC aeC40:1、PCae C40:2、PCae C40:6、PCae C42:2、PCae C42:3、PCaeC42:4、PC ae C44:5、PC ae C44:6、PC aa C36:4、PC aa C38:1、PC aaC38:2、PC aa C38:4、PC aa C38:5、PC aa C38:6、PC aa C40:5、PC aaC40:6、PC aa C40:7、PC aa C40:8、PC ae C36:4、PC ae C36:5、PC aeC38:4、PC ae C38:6;
溶血磷脂酰胆碱(单酰基磷脂酰胆碱,PC a链长:双键总数),特别是PC a C18:2、PC a C20:4、PC a C20:3、PC a C26:0;
Phe;
氧甾醇类,特别是3β,5α,6β-三羟基胆甾烷、7-酮基胆甾醇、5α,6α-环氧胆甾醇;
溶血磷脂酰乙醇胺类(单酰基磷脂酰胆碱,PE a链长:双键总数),特别是PE a C18:1、PE a C18:2、PE a C20:4、PE a C22:5、PE a C22:6;
磷脂酰乙醇胺类(二酰基磷脂酰胆碱,PE aa链长:双键总数),特别是PE aa C38:0、PE aa C38:2;
神经鞘氨醇类(N-链长:双键总数),特别是N-C2:0-Cer、N-C7:0-Cer、N-C9:3-Cer、N-C17:1-Cer、N-C22:1-Cer、N-C25:0-Cer、N-C27:1-Cer、N-C5:1-Cer(2H)、N-C7:1-Cer(2H)、N-C8:1-Cer(2H)、N-C 11:1-Cer(2H)、N-C20:0-Cer(2H)、N-C21:0-Cer(2H)、N-C22:1-Cer(2H)、N-C25:1-Cer(2H)、N-C26:1-Cer(2H)、N-C24:0(OH)-Cer、N-C26:0(OH)-Cer、N-C6:0(OH)-Cer、N-C8:0(OH)-Cer(2H)、N-C 10:0(OH)-Cer(2H)、N-C25:0(OH)-Cer(2H)、N-C26:0(OH)-Cer(2H)、N-C27:0(OH)-Cer(2H)、N-C28:0(OH)-Cer(2H)。
11.权利要求1至10的方法,其中所述多种内源器官衰竭预测性靶代谢物或其衍生物包含2至80种、特别是2至60种、优选2至50种、优选2至30种、更优选2至20种、特别优选2至10种内源代谢物。
12.权利要求1至11任一项的方法,其中所述多种内源器官衰竭预测性靶代谢物选自:
腐胺
羊毛甾醇
C5-DC(C6-OH)
25OHC,SM C16:1
24SOHC
C14
C4-OH(C3-DC)
C0
C5-M-DC
C6(C4:1-DC)
PC aa C38:4
GLCA
Ala
4BOHC
24DHLan
TLCA
5-羟色胺
ADMA
PC aa C36:1
SM C16:0
C5:1-DC
7aOHC
27OHC
Cit
lysoPC a C20:4
GCA
lysoPC a C16:0
Ile
链甾醇
PEA
总DMA
Trp
C3:1
lysoPC a C18:0
Val
PC ae C38:0
PGF2a
SM(OH)C14:1
lysoPC a C18:2
THC
PC ae C40:4
24,25,EPC
PC ae C36:5
PGD2
Gly
5B,6B,EPC
PC ae C40:0
PC ae C36:1
C18
C16:2
PC aa C36:5
PC aa C38:5
PC aa C30:2
13S-HODE
C9
15S-HETE
SM C22:3
C5:1
lysoPC a C17:0。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP09167018A EP2284540A1 (en) | 2009-07-31 | 2009-07-31 | Method of diagnosing organ failure |
EP09167018.2 | 2009-07-31 | ||
PCT/EP2010/060745 WO2011012553A1 (en) | 2009-07-31 | 2010-07-23 | Method for predicting the likelihood of an onset of an inflammation associated organ failure |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102472756A true CN102472756A (zh) | 2012-05-23 |
Family
ID=41138795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800341097A Pending CN102472756A (zh) | 2009-07-31 | 2010-07-23 | 用于预测与炎症相关的器官衰竭发作的可能性的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20120202240A1 (zh) |
EP (2) | EP2284540A1 (zh) |
JP (1) | JP2013501215A (zh) |
CN (1) | CN102472756A (zh) |
AU (1) | AU2010277664A1 (zh) |
CA (1) | CA2767763A1 (zh) |
WO (1) | WO2011012553A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104334076A (zh) * | 2012-06-05 | 2015-02-04 | 奇塔医疗公司 | 评估脓毒症可能性的方法和系统 |
CN104614462A (zh) * | 2015-02-11 | 2015-05-13 | 中国人民解放军第四军医大学 | 一种高原肺水肿诊断标志物及其应用和诊断试剂盒 |
CN105164537A (zh) * | 2013-05-03 | 2015-12-16 | 萨利昂有限责任公司 | 用于早期检测潜在炎症特别是与移植物的排斥、神经变性病症或抑郁症有关的潜在炎症的体外方法 |
CN106018455A (zh) * | 2016-05-16 | 2016-10-12 | 山东省分析测试中心 | 一种基于氢核磁共振快速测定牛磺熊去氧胆酸纯度的方法 |
CN108459157A (zh) * | 2018-01-11 | 2018-08-28 | 中国药科大学 | 一种预测伊立替康化疗毒性生物标志物的组合物 |
CN109859834A (zh) * | 2018-12-28 | 2019-06-07 | 首都医科大学附属北京地坛医院 | 一种预测死亡率的处理方法及装置 |
CN109871866A (zh) * | 2019-01-08 | 2019-06-11 | 深圳市南山区人民医院 | 用于医院内感染预测的模型训练方法、装置、设备及介质 |
CN111243752A (zh) * | 2020-01-16 | 2020-06-05 | 四川大学华西医院 | 一种急性胰腺炎诱发器官衰竭的预测模型 |
CN113057589A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 器官衰竭感染病症的预测、预测模型的训练方法及系统 |
CN113160986A (zh) * | 2021-04-23 | 2021-07-23 | 桥恩(北京)生物科技有限公司 | 用于预测全身炎症反应综合征发展的模型构建方法及系统 |
CN114283877A (zh) * | 2021-04-29 | 2022-04-05 | 厦门市迈理奥科技有限公司 | 一种建立代谢物模型及其代谢组学数据库的方法 |
CN117538530A (zh) * | 2023-11-07 | 2024-02-09 | 中国医学科学院肿瘤医院 | 一种检测转移性乳腺癌的生物标志组合物和试剂盒及其应用 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2339352A1 (en) * | 2009-12-28 | 2011-06-29 | BIOCRATES Life Sciences AG | Use of endogenous metabolites for early diagnosing sepsis |
EP2492690A1 (en) | 2011-02-22 | 2012-08-29 | BIOCRATES Life Sciences AG | Method and use of metabolites for the diagnosis of inflammatory brain injury in preterm born infants |
WO2012151212A1 (en) * | 2011-05-01 | 2012-11-08 | University Of Rochester | Multifocal hepatocellular carcinoma microrna expression patterns and uses thereof |
EP2587264A1 (en) | 2011-10-25 | 2013-05-01 | InfanDx AG | Method and use of metabolites for the diagnosis and differentiation of neonatal encephalopathy |
EP2642296A1 (en) * | 2012-03-22 | 2013-09-25 | Nestec S.A. | p-Cresol sulphate as biomarker for healthy ageing |
EP2642297A1 (en) * | 2012-03-22 | 2013-09-25 | Nestec S.A. | Hydroxy-sphingomyelin 22:1 as biomarker for healthy ageing |
EP2642295A1 (en) * | 2012-03-22 | 2013-09-25 | Nestec S.A. | 1-O-alkyl-2-acylglycerophosphocholine (PC-O) 40:1 as biomarker for healthy ageing |
EP2642293A1 (en) | 2012-03-22 | 2013-09-25 | Nestec S.A. | 9-oxo-octadecadienoic acid (9-oxo-HODE)as as biomarker for healthy ageing |
EP2642294A1 (en) | 2012-03-22 | 2013-09-25 | Nestec S.A. | Phenylacetylglutamine as biomarker for healthy ageing |
EP2645105A1 (en) * | 2012-03-26 | 2013-10-02 | Nestec S.A. | Early biomarkers of age-related low-grade inflammation |
EP2836841B1 (en) * | 2012-04-12 | 2022-01-05 | B.R.A.H.M.S GmbH | Prognosis of adverse events in patients with suspected chronic heart failure |
WO2013176740A1 (en) * | 2012-05-25 | 2013-11-28 | Health Diagnostic Laboratory, Inc. | Rapid and high-throughput analysis of sterols/stanols or derivatives thereof |
EP2674762B1 (en) * | 2012-06-12 | 2016-02-10 | Nestec S.A. | PC-O 42:4 - A biomarker for visceral adiposity |
EP2674761B1 (en) | 2012-06-12 | 2016-03-02 | Nestec S.A. | PC-O 44:4 - A biomarker for visceral adiposity |
EP2674760A1 (en) * | 2012-06-12 | 2013-12-18 | Nestec S.A. | PC-O 44:6 - A biomarker for visceral adiposity |
US9495641B2 (en) | 2012-08-31 | 2016-11-15 | Nutomian, Inc. | Systems and method for data set submission, searching, and retrieval |
US9524473B2 (en) | 2012-08-31 | 2016-12-20 | Nutonian, Inc. | System and method for auto-query generation |
DK2927691T3 (en) * | 2014-04-04 | 2017-10-30 | Idcgs Clinica De Diagnosticos Medicos | Biomarkers for assessing HIV |
US10330685B2 (en) | 2014-05-01 | 2019-06-25 | The Regents Of The University Of Michigan | Markers for sepsis treatment |
JP6444494B2 (ja) | 2014-05-23 | 2018-12-26 | データロボット, インコーポレイテッド | 予測データ分析のためのシステムおよび技術 |
US10558924B2 (en) | 2014-05-23 | 2020-02-11 | DataRobot, Inc. | Systems for second-order predictive data analytics, and related methods and apparatus |
US10366346B2 (en) * | 2014-05-23 | 2019-07-30 | DataRobot, Inc. | Systems and techniques for determining the predictive value of a feature |
US10496927B2 (en) | 2014-05-23 | 2019-12-03 | DataRobot, Inc. | Systems for time-series predictive data analytics, and related methods and apparatus |
US9646139B1 (en) * | 2014-12-08 | 2017-05-09 | Hongjie Zhu | Chemical structure-informed metabolomics data analysis |
US20230187067A1 (en) * | 2016-03-23 | 2023-06-15 | Peach Intellihealth, Inc. | Use of clinical parameters for the prediction of sirs |
US20190354814A1 (en) * | 2017-01-08 | 2019-11-21 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Systems and methods for using supervised learning to predict subject-specific bacteremia outcomes |
US10387900B2 (en) | 2017-04-17 | 2019-08-20 | DataRobot, Inc. | Methods and apparatus for self-adaptive time series forecasting engine |
CN107132267A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的茶叶分类方法及系统 |
JP7193114B2 (ja) * | 2018-08-29 | 2022-12-20 | 学校法人同志社 | 胆汁酸サイクルの観察方法 |
KR102070916B1 (ko) * | 2018-08-31 | 2020-01-29 | 연세대학교 산학협력단 | 췌장암 환자의 예후를 예측하기 위한 바이오마커 및 이의 용도 |
CN110220987B (zh) * | 2019-06-11 | 2021-09-28 | 上海市内分泌代谢病研究所 | 胆汁酸联合标志物在制备用于预测或诊断糖尿病的检测试剂或检测物的用途 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050148029A1 (en) * | 2003-09-29 | 2005-07-07 | Biosite, Inc. | Methods and compositions for determining treatment regimens in systemic inflammatory response syndromes |
US8026049B2 (en) * | 2007-03-23 | 2011-09-27 | Wisconsin Alumni Research Foundation | Noninvasive measurement and identification of biomarkers in disease state |
-
2009
- 2009-07-31 EP EP09167018A patent/EP2284540A1/en not_active Withdrawn
-
2010
- 2010-07-23 CN CN2010800341097A patent/CN102472756A/zh active Pending
- 2010-07-23 AU AU2010277664A patent/AU2010277664A1/en not_active Abandoned
- 2010-07-23 JP JP2012522121A patent/JP2013501215A/ja not_active Withdrawn
- 2010-07-23 EP EP10737041A patent/EP2460014A1/en not_active Withdrawn
- 2010-07-23 US US13/387,572 patent/US20120202240A1/en not_active Abandoned
- 2010-07-23 CA CA2767763A patent/CA2767763A1/en not_active Abandoned
- 2010-07-23 WO PCT/EP2010/060745 patent/WO2011012553A1/en active Application Filing
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9839396B2 (en) | 2012-06-05 | 2017-12-12 | Cheetah Medical, Inc. | Method and system for assessing likelihood of sepsis |
CN104334076B (zh) * | 2012-06-05 | 2018-04-03 | 奇塔医疗公司 | 评估脓毒症可能性的方法和系统 |
CN104334076A (zh) * | 2012-06-05 | 2015-02-04 | 奇塔医疗公司 | 评估脓毒症可能性的方法和系统 |
CN105164537A (zh) * | 2013-05-03 | 2015-12-16 | 萨利昂有限责任公司 | 用于早期检测潜在炎症特别是与移植物的排斥、神经变性病症或抑郁症有关的潜在炎症的体外方法 |
CN104614462A (zh) * | 2015-02-11 | 2015-05-13 | 中国人民解放军第四军医大学 | 一种高原肺水肿诊断标志物及其应用和诊断试剂盒 |
CN106018455A (zh) * | 2016-05-16 | 2016-10-12 | 山东省分析测试中心 | 一种基于氢核磁共振快速测定牛磺熊去氧胆酸纯度的方法 |
CN108459157B (zh) * | 2018-01-11 | 2020-11-27 | 中国药科大学 | 一种预测伊立替康化疗毒性生物标志物的组合物 |
CN108459157A (zh) * | 2018-01-11 | 2018-08-28 | 中国药科大学 | 一种预测伊立替康化疗毒性生物标志物的组合物 |
CN109859834A (zh) * | 2018-12-28 | 2019-06-07 | 首都医科大学附属北京地坛医院 | 一种预测死亡率的处理方法及装置 |
CN109871866A (zh) * | 2019-01-08 | 2019-06-11 | 深圳市南山区人民医院 | 用于医院内感染预测的模型训练方法、装置、设备及介质 |
CN109871866B (zh) * | 2019-01-08 | 2023-04-07 | 深圳市南山区人民医院 | 用于医院内感染预测的模型训练方法、装置、设备及介质 |
CN111243752A (zh) * | 2020-01-16 | 2020-06-05 | 四川大学华西医院 | 一种急性胰腺炎诱发器官衰竭的预测模型 |
CN113057589A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 器官衰竭感染病症的预测、预测模型的训练方法及系统 |
CN113160986A (zh) * | 2021-04-23 | 2021-07-23 | 桥恩(北京)生物科技有限公司 | 用于预测全身炎症反应综合征发展的模型构建方法及系统 |
CN113160986B (zh) * | 2021-04-23 | 2023-12-15 | 桥恩(北京)生物科技有限公司 | 用于预测全身炎症反应综合征发展的模型构建方法及系统 |
CN114283877A (zh) * | 2021-04-29 | 2022-04-05 | 厦门市迈理奥科技有限公司 | 一种建立代谢物模型及其代谢组学数据库的方法 |
CN117538530A (zh) * | 2023-11-07 | 2024-02-09 | 中国医学科学院肿瘤医院 | 一种检测转移性乳腺癌的生物标志组合物和试剂盒及其应用 |
Also Published As
Publication number | Publication date |
---|---|
US20120202240A1 (en) | 2012-08-09 |
JP2013501215A (ja) | 2013-01-10 |
EP2460014A1 (en) | 2012-06-06 |
AU2010277664A1 (en) | 2012-02-02 |
CA2767763A1 (en) | 2011-02-03 |
WO2011012553A1 (en) | 2011-02-03 |
EP2284540A1 (en) | 2011-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102472756A (zh) | 用于预测与炎症相关的器官衰竭发作的可能性的方法 | |
Nikolic et al. | Metabolomics in hypertension | |
Dunn et al. | Systems level studies of mammalian metabolomes: the roles of mass spectrometry and nuclear magnetic resonance spectroscopy | |
Ma et al. | An integrated proteomics and metabolomics approach for defining oncofetal biomarkers in the colorectal cancer | |
Serkova et al. | The emerging field of quantitative blood metabolomics for biomarker discovery in critical illnesses | |
Shao et al. | Comprehensive analysis of individual variation in the urinary proteome revealed significant gender differences*[S] | |
Miller et al. | Real-time health monitoring through urine metabolomics | |
Suarez-Diez et al. | Plasma and serum metabolite association networks: Comparability within and between studies using NMR and MS profiling | |
Bunning et al. | Global metabolic profiling to model biological processes of aging in twins | |
Schlotterbeck et al. | Metabolic profiling technologies for biomarker discovery in biomedicine and drug development | |
EP2249161A1 (en) | Method of diagnosing asphyxia | |
WO2011157655A1 (en) | Use of bile acids for prediction of an onset of sepsis | |
Amathieu et al. | Nuclear magnetic resonance based metabolomics and liver diseases: Recent advances and future clinical applications | |
US10533989B2 (en) | Metabolomics in pneumonia and sepsis | |
JP2012531578A (ja) | メタボローム解析における内因性の参照代謝産物を用いた標準化方法 | |
ES2927921T3 (es) | Métodos que utilizan paneles de metabolitos para el diagnóstico y diferenciación de la encefalopatía neonatal | |
Qin et al. | SRM targeted proteomics in search for biomarkers of HCV‐induced progression of fibrosis to cirrhosis in HALT‐C patients | |
Ganna et al. | Large-scale non-targeted metabolomic profiling in three human population-based studies | |
US20120326025A1 (en) | Diagnosing prostate cancer relapse | |
Kalantari et al. | An update of urine and blood metabolomics in chronic kidney disease | |
Tran et al. | Metabolomics in the study of spontaneous animal diseases | |
Cai et al. | Tumor tissue-specific biomarkers of colorectal cancer by anatomic location and stage | |
Chen et al. | High-Coverage Quantitative Metabolomics of Human Urine: Effects of Freeze–Thaw Cycles on the Urine Metabolome and Biomarker Discovery | |
Jain et al. | Hemoglobin normalization outperforms other methods for standardizing dried blood spot metabolomics: A comparative study | |
Angioni et al. | Gas chromatography–mass spectrometry (GC–MS) metabolites analysis in endometriosis patients: a prospective observational translational study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120523 |